PMC诊断模型下的网络条件可诊断度研究

可诊断度是确保互连网络的可靠性的重要指标,是当网络的节点发生故障时,快速准确地找出网络中故障节点的能力。PMC模型是一种传统的系统诊断模型,迄今已有许多相关的研究成果并已被广泛地应用。本论文基于PMC诊断模型,在每个节点都有一个无故障邻居节点的条件下,证明当δ_E (G)≥15 且δ(G)≥5时,无K_3子图的图G δ_E 1条件可诊断;当δ_E (G)≥7且δ(G)≥3时,二部图G δ_E 1条件可诊断。     

交叉立方体在两种策略下的可诊断性

互连网络可诊断性度的高低是衡量这种网络性能优劣的重要标志二交叉立方体是近年提出的一类互连网络，它有一些比超立方体更好的性质．本文用PMC模型证明了n维交叉立方体Dn在精确策略和悲观策略下分别是n-可诊断的和（2n－2）／（2n－2）一可诊断的，从而证明民在这两种策略下的可诊断性度与n维超立体的相同．另外，本文在证明Dn是n-可诊断的同时，还得到了Dn中任何两顶点之间的n条互不相交的路径，它们可作为容错远路的依据．     

无K3子图的互连网络在PMC模型下的条件可诊断度

可诊断度是衡量一个互连网络可靠性的重要指标,常用来评估当系统中某些结点出现故障时将故障结点准确找出来的能力。PMC模型是一种经典的可诊断模型,被广泛地应用于系统诊断中,到目前为止,已经有很多的研究者基于PMC模型做出了大量研究成果。本文在PMC模型的基础上,对于不存在K3子图的网络的条件可诊断性进行了研究,并证明了当δ(G)≥9且任两个结点的共同邻居数不大于2时,无K3子图的图G是2δ(G)-1条件可诊断的;当δ(G)≥6且任两个结点的共同邻居数不大于2时,二部图G是2δ(G)-1条件可诊断的。     

基于PMC模型的高效人工免疫诊断算法

诊断算法是系统级故障诊断的一个重要研究课题.文献[10]提出PMC模型下的人工免疫诊断算法,但是没有充分利用PMC模型的特点,并在计算亲和度的时候给出一个假设.对此首先利用PMC模型的特点优化初始种群的质量,其次定义优化后的亲和度函数,最后提出新的算法流程,并证明算法的正确性和收敛性.模拟实验显示在CPU时间和迭代次数上都优于原算法.     

PMC模型下网络故障的节点可诊断研究

传统故障诊断研究大多忽略了系统局部特征。PMC模型下,针对于这一问题,引入了节点可诊断的概念,并通过节点可诊断方法的研究得到了节点可诊断度的充分条件和◢t◣-可诊断新算法STFDA。最后,对◢n◣维超立方网络和◢n◣维星状网络从节点可诊断的角度进行了分析,验证了所得充分条件的正确性,并将算法应用到这两种网络中进行故障诊断。其中,充分条件和STFDA算法的实现借助了新的结构ST。STFDA算法的时间复杂度为◢O（Nδ）,δ◣为网络中节点的最大度。相比于其他算法,算法的时间复杂度得到显著降低。     

基于比较诊断模型的超立方网络诊断算法

一个有效的诊断算法对多处理器系统而言极其重要。在多处理器系统中,识别所有故障节点的能力称为诊断系统的诊断度。在比较模型下,诊断 的执行是通过一个比较器处理器,给与之相邻的一对处理器发送相同的输入信号,并比较两者间的响应状态。为了提高超立方网络的诊断度,提出了一种新型的基于比较模型的超立方故障诊断算法,其利用超立方网络节点连接的特性生成一个拓扑图ES(k;n),最终得出一个3位二进制的诊断症候集,从而确定系统故障节点。该算法的诊断度最优能达到4n,大于传统超立方的诊断度n。     

控制系统可诊断性的内涵与研究综述

作为表征控制系统故障诊断能力的属性, 故障可诊断性揭示了故障诊断深层次的内涵.将可诊断性分析纳入控制系统与诊断方案的设计环节, 可以从根本上提高系统对故障的诊断能力, 为研究故障诊断提供新的思路.本文分别从可诊断性的内涵、研究现状以及潜在发展趋势三个角度系统地对可诊断性进行分析.首先, 从定义、影响因素、与已有概念的关系以及应用四个方面剖析了控制系统可诊断性的内涵和研究意义.其次, 分别从可诊断性评价与设计两个方面对可诊断性的研究现状进行分析.最后, 通过对可诊断性已有成果进行总结归纳, 探讨了可诊断性研究存在的不足以及未来发展的趋势.     

不确定观测下离散事件系统的可诊断性

从系统诊断的角度来看,可诊断性是离散事件系统的一个重要性质.其要求系统发生故障后经过有限步的观测可以检测并隔离故障.为简单起见,对离散事件系统可诊断性的研究大都假定观测是确定的,即观测到的事件序列与系统实际发生的可观测事件序列一致.而在实际应用中,由于感知器的精度、信息传输通道的噪声等原因,获取的观测往往是不确定的.本文重点研究观测不确定条件下离散事件系统的可诊断性问题.首先,扩展了传统可诊断性的定义,定义了观测不确定条件下的可诊断性.接着,分别给出各类观测不确定条件下的可诊断性判定方法.而在更一般的情况下,各类观测不确定可能共同存在.因此,最后给出一般情况下的可诊断性判定方法.     

在PMC模型下单向k元n立方体的诊断度

图的连通度和诊断度是与互连网络的可靠性密切相关的两个参数,而[g]好邻连通度和[g]好邻诊断度是比连通度和诊断度更精确的指标。[k]元[n]立方体是多处理机系统的最常用网络之一,而单向[k]元[n]立方体是指具有单向边的[k]元[n]立方体。证明了当[k≥3,n≥3]时,单向[k]元[n]立方体在PMC模型下的[1]好邻连通度是[k(n-1)],诊断度是[n]且[1]好邻诊断度是[kn-1]。     

Conditional diagnosability of hypermesh optical multiprocessor systems under the PMC model

The hypermeshes are a family of promising optical interconnection topologies for multiprocessor systems. In this paper, the conditional diagnosability of the hypermesh optical multiprocessor systems, under the PMC model, is determined. We derive that the conditional diagnosability of k ⁿ -hypermesh is 4n(k?1)?4k+1, where n≥3 and k≥5. This result shows that the hypermesh optical multiprocessor systems possess strong self-diagnosing abilities.     

交错立方体在故障情形下的诊断度和诊断算法

基于并行系统的超级计算机一直是学术界和工业界的研究热点。作为并行系统的基础,互连网络的性质直接决定了系统的性能。交错立方体作为超立方体的变形,是一种重要的互连网络,其与超立方体相比具有低直径等优越性。利用PMC诊断模型和图论方法,研究了交错立方体在故障情形下诊断度的精确值。然后提出该情形下的诊断算法,并分析了算法的时间复杂度。进一步通过仿真实验,验证在多种故障参数下,该诊断算法的高效性优于文献算法。本文的研究能够更加精确地度量交错立方体的可靠性。     

Diagnosable evaluation of DCC linear congruential graphs under the PMC diagnostic model

A DCC (disjoint consecutive cycles) linear congruential graph G(F, n) consists of n nodes and is generated by a set of linear functions F with special properties. It was proved that G(F, n) is a 2t-regular graph and has connectivity 2t, where t=|F| and 1?t?p-1 (n=2^p for some integer p). For a multiprocessor system, its diagnosability is critical to measure the performance. In this paper, we study the diagnosability of G(F,2^p) under the precise and pessimistic diagnosis strategies based on the PMC (Preparata, Metze, and Chien) diagnostic model. It is proved that G(F,2^p) is 2t-diagnosable and (4t-5)/(4t-5)-diagnosable under the two diagnosis strategies, respectively, where p?3 and 2?t?p-1. In addition, the diagnosability of DCC linear congruential graphs is compared with that of BC (bijective connection) graphs.     

The pessimistic diagnosability of alternating group graphs under the PMC model

The process of identifying faulty processors is called the diagnosis of the system. Several diagnostic models have been proposed, the most popular is the PMC (Preparata, Metze and Chen) diagnostic model. The pessimistic diagnosis strategy is a classic strategy based on the PMC model in which isolates all faulty nodes within a set containing at most one fault-free node. A system is t/t$t/t$-diagnosable if, provided the number of faulty processors is bounded by t, all faulty processors can be isolated within a set of size at most t with at most one fault-free node mistaken as a faulty one. The pessimistic diagnosability of a system G  , denoted by _tp(G)$t_p(G)$, is the maximal number of faulty processors so that the system G   is t/t$t/t$-diagnosable. Jwo et al. [11] introduced the alternating group graph as an interconnection network topology for computing systems. The proposed graph has many advantages over hypercubes and star graphs. For example, for all alternating group graphs, every pair of vertices in the graph are connected by a Hamiltonian path and the graph can embed cycles with arbitrary length with dilation 1. In this article, we completely determine the pessimistic diagnosability of an n  -dimensional alternating group graph, denoted by _AGn${\mathit{AG}}_n$. Furthermore, _tp(_AGn)=4n−11$t_p({\mathit{AG}}_n)=4n-11$ for n≥4$n\ge 4$.