基于动态贝叶斯网络与证据理论的级联效应安全评估方法与流程

本发明涉及计算机技术、系统安全评估，特别涉及一种用于复杂系统，例如电力网络、交通网络、航空航天系统的基于动态贝叶斯网络与证据理论的级联效应安全评估方法。

背景技术：

1、复杂系统（如关键基础设施）的安全对现代社会至关重要。此类系统内部组件高度耦合，单个组件的故障可能通过网络依赖关系传播，引发级联效应，导致系统性崩溃。因此，准确评估和预测级联效应的风险至关重要。

2、现有技术中的安全评估方法存在以下缺陷：

3、（1）静态或确定性评估的局限性：传统方法如故障树分析（fta），通常是静态的，难以捕捉级联效应随时间演化的动态特性和路径依赖性。

4、（2）动态模型的状态空间爆炸问题：诸如马尔可夫链等动态模型，在面对节点众多的复杂网络时，其状态空间会呈指数级增长，导致计算不可行。

5、（3）对不确定性处理的不足：级联效应的演化充满不确定性。现有方法多采用概率论进行建模，这在处理由物理随机性引发的随机不确定性时较为成熟。然而，对于由数据稀疏、模型不精确、专家知识模糊或冲突所导致的认知不确定性，传统概率论难以有效表征。强行将模糊信息定义为一个精确的概率值，可能导致对系统风险的评估过于自信或产生误导。

6、因此，亟需一种能够在统一框架内，既能刻画级联效应的动态演化过程，又能有效量化和融合随机不确定性与认知不确定性的安全评估方法。

技术实现思路

1、本发明旨在克服现有技术的不足，提供一种能够同时处理时序动态性和混合不确定性的复杂系统级联效应动态安全评估系统及方法，以提升评估结果的准确性、鲁棒性和信息丰富度。

2、为解决上述技术问题，作为本发明实施的一方面，本发明公开了一种基于动态贝叶斯网络与证据理论的级联效应安全评估方法，该方法通过计算机程序执行，包括以下步骤：

3、s1、获取系统的拓扑结构模型，并基于拓扑结构模型构建动态贝叶斯网络dbn结构，其中，系统的组件被定义为dbn结构中的状态节点，组件间的依赖关系被定义为dbn结构在不同时间片之间的转移依赖关系；

4、s2、采用证据理论对dbn结构进行参数化，为dbn结构构建条件信度表cbt，cbt定义了在给定父节点状态的条件下，子节点状态的基本信度分配bba；

5、s3、基于dbn结构和cbt，执行基于证据的动态时序推理，以动态计算系统中各组件状态的信度，并根据状态的信度输出信度区间[，]，对系统的级联效应安全性进行评估；其中，[，]为时间t时节点i的失效信度区间，。

6、进一步地，中：

7、；

8、；

9、其中，及为节点历史状态保留部分影响；及为多源证据融合的静态信度影响；及为邻居传递影响；为历史惯性权重，为节点在时刻的信任度，为基准证据权重，为由cbt计算得出的基准信任度，为由cbt计算得出的基准似然度，为拓扑耦合权重，为节点在时刻的信任度；为节点在时刻的似然度，j为对节点产生影响的邻接节点，为节点的所有邻接节点构成的集合。

10、进一步地，s2包括：

11、s21、针对dbn结构中的每一个节点，在给定其父节点状态组合的条件下，从多种异构信息源获取其下一时刻状态的证据；

12、s22、采用dempster合成规则，对来自多种异构信息源的证据进行融合，以生成基本信度分配bba，并将基本信度分配bba作为cbt中的一项，为dbn结构构建条件信度表cbt。

13、进一步地，s22包括：

14、s221、多种异构信息源的建模与预处理；

15、s222、基于dempster合成规则将多种异构信息源的证据进行融合，以生成基本信度分配bba；

16、s223、将融合后的基本信度分配bba作为cbt中的一项，为dbn结构构建条件信度表cbt。

17、进一步地，s22中多种异构信息源的证据包括物理模型证据、历史数据证据及专家知识证据。

18、进一步地，s3包括：

19、s31、获取当前时间片的初始扰动事件作为初始观测证据，并将其转化为基本信度分配bba；

20、s32、对于从t到t+1的每一个时间步，迭代推理交替执行预测和更新子步骤，若在下一时间片获得新的观测证据，则将先验状态信度与新的观测证据进行融合，得到下一时间片节点的后验状态信度；

21、s33、将各节点在任一时刻的状态信度，以信度函数（belief）和似然函数（plausibility）构成的信度区间[，]的形式进行输出，从而实现对级联效应传播风险的动态评估与预测。

22、进一步地，s31包括：

23、s311、获取初始扰动事件，扰动事件为系统偏离正常稳态的异常信号；

24、s312、进行证据映射，将定量数据转化为定性信度，映射方法包括：

25、基于隶属度函数，计算其对各命题的隶属度，进行证据映射：构建模糊隶属函数；基于概率密度分布，计算观测值在各类别条件下的概率似然值，并进行归一化处理，进行证据映射：利用历史数据统计得到的概率密度函数pdf，计算观测值在各类别条件下的概率似然值，并进行归一化处理；基于专家规则直接对应，进行证据映射；

26、s313、证据映射转化完成后，输出该节点在t时刻的bba向量。

27、进一步地，s32中执行的预测子步骤包括：

28、p1：获取各节点t时刻的基本信度分配bba；

29、p2：将t时刻各节点的基本信度分配bba注入cbt团树结构对应的团节点中；进行证据传播与状态更新，获得t时刻的后验状态信度；

30、p3：构建时间不变的团树结构；

31、p4：基于团树的前向消息传递与预测。

32、进一步地，s32中执行的更新子步骤包括：若在t+1时刻获得新的观测证据，则采用dempster合成规则将先验状态信度与新的观测证据进行融合，得到t+1时刻节点的后验状态信度。

33、进一步地，p4包括：

34、p41、系统从t时刻的团树中，提取出接口变量的边缘分布。接口变量是连接两个时间片的关键变量，其状态信息需要被传递到下一时刻；

35、p42、沿着团树中连接t时刻片和t+1时刻片的边，将准备好的消息从t时刻的团节点发送到t+1时刻的团节点；

36、p43、t+1时刻的团节点接收来自t时刻的消息，并将其与自身的先验势能相结合，利用dbn中定义的状态转移概率，通过消息传递机制实现了从t到t+1的状态预测；

37、p44、对t+1时刻团节点中的势能进行归一化处理，得到该时刻各节点的先验状态信度分布。

38、作为本发明实施的另一方面，本发明还提供一种复杂系统级联效应动态安全评估系统：模型构建模块，用于获取复杂系统的拓扑结构模型，并基于此构建一动态贝叶斯网络dbn结构；参数学习模块，用于采用证据理论对所述dbn进行参数化，构建条件信度表cbt；动态推理模块，用于基于所述dbn结构和cbt，执行时序推理，以动态计算系统中各组件状态的信度；评估输出模块，用于根据所述状态的信度，对系统的级联效应安全性进行评估并输出结果。

39、参数学习模块被配置为：从包括物理模型、历史数据和专家知识中的至少两种异构信息源获取证据；采用dempster合成规则对所述证据进行融合，以生成定义在所述cbt中的基本信度分配bba。动态推理模块被配置为在连续的时间片上迭代地执行预测和更新操作。

40、与现有技术相比，本发明具有以下显著的有益效果：

41、1、本发明通过创新性地引入证据理论和条件信度表cbt，能够在一个统一框架内量化和传播随机不确定性与认知不确定性，有效区分“不确定”与“无知”，尤其适用于数据稀疏、专家知识介入的场景，增强了不确定性量化能力。

42、2、本发明输出的是一个信度区间[bel，pl]而非单一概率值。该区间为决策者提供了风险的下限（直接证据支持）和上限（不矛盾的可能性），评估结果更为保守和稳健，避免了因强加精确概率而导致的过度自信或误判，提升了评估结果的鲁棒性和信息丰富度。

43、3、本发明结合dbn的时序推理能力，能够模拟级联效应的逐步演化过程，动态更新系统中各组件的风险状态，并提前预测高风险传播路径，为采取预防性控制措施赢得宝贵时间，实现了真正的动态风险评估与预测。

44、4、本发明的框架具有通用性，可应用于电力系统、航空飞控系统、通信网络、金融系统等多种复杂网络化系统的动态风险管理和可靠性分析，具有广泛的适用性。