-好邻居组件 - 超立方体的组件可诊断性:理论与算法方法
《IEEE Robotics & Automation Magazine》:The g
-Good-Neighbor r
-Component Diagnosability of Hypercube—Theoretical and Algorithmic Approaches
【字体:
大
中
小
】
时间:2025年12月16日
来源:IEEE Robotics & Automation Magazine 7.1
编辑推荐:
基于超立方体网络的混合故障诊断度量研究提出g-r组件可诊断性,要求故障移除后残存网络至少包含r个连通组件且每个正常节点至少保留g个正常邻居。在PMC和MM*诊断模型下,当n≥24时,度量值D(2,2,Qn)=8n?21。仿真表明所提框架在20%故障率下TPR达100%,50%故障率时仍保持98.7%以上TPR。
摘要:
随着互连网络的不断扩展,对可靠故障诊断方法的需求也在增加。尽管现有研究主要集中在单一条件下的诊断能力指标上,但这些方法往往无法捕捉大规模网络中的混合故障场景。为了提供更加全面和现实的韧性评估,本文提出了一种新的诊断能力指标,称为“好邻居(good-neighbor)组件诊断能力”(记为 $D_G(r)$)。该指标在移除一组故障节点后对网络提出了两个严格约束:i) 剩余网络必须至少包含 $r$ 个连通组件;ii) 每个无故障节点必须至少保留 $g$ 个无故障邻居。我们以超立方体($Q_n$)为例进行讨论,这种互连架构以其高度对称性、可扩展性和容错性而著称。在 PMC 和 MM* 诊断模型下,我们证明了该指标的精确值为 $D_G(r) = 8n - 21$(其中 $n \geq 24$)。利用 PMC 和 MM* 模型的特点,我们提出了两种适用于超立方体架构的可扩展故障定位算法。在 $Q_n$ 网络上的仿真实验表明,当故障节点占比不超过 20% 时,该框架的真正例率(TPR)可达到约 100%;即使故障密度接近 50%,TPR 仍能保持在 98.7% 以上。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号