-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。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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