信息网络复杂性的不断增加给网络管理系统的运行带来了巨大的挑战,网络管理的核心问题是故障管理,而故障在大规模信息网络中是不可避免的,因此,实时地诊断故障对于网络的正常运行至关重要。然而,信息网络结构的复杂性、流量环境的动态性、观测信息的不确定性以及故障类型的多样性增加了故障诊断的难度,为了降低网络故障对其通信业务的影响并保证网络的运行效率,需要解决两个方面的问题,第一个方面是如何在网络环境的动态变化过程中获取准确的状态信息,第二个方面是如何制定高效的、通用的故障定位方案,快速发现并定位故障节点。针对以上提出的问题,本文研究内容如下:1.基于网络的拓扑结构,从不同的角度对节点的重要性进行评估,通过判断每个节点在网络中的作用来确定针对该节点的保护措施。传统的级联故障模型仅考虑到网络的拓扑结构,未分析模型的应用环境,本文根据信息网络的设备属性以及网络状态的变化趋势,建立基于网络自恢复功能的级联故障模型,然后讨论了不同模型对网络性能的影响程度。最后分析了最短路径长度和信息传输延迟的关系,并通过模拟实验说明了信息延迟对网络业务处理效率的影响。2.考虑到信息网络的复杂性及其设备故障类型的多样性,统计每种故障类型所对应的症状,引入了中智集故障诊断方法来诊断故障类型,并提出了新的权重向量计算方式。应用机器学习技术中的分类算法对已知故障类型的症状数据进行分类处理,从而定位出对应于该症状的故障节点,并对不同分类算法的性能进行对比,得到适用于网络故障定位的算法。分析了机器学习技术在故障定位中的局限性,然后引入贝叶斯推理方法,并将其与机器学习技术相结合,共同用于网络的故障定位,最后通过模拟实验对不同故障诊断方案的性能进行了对比。3.从网络故障类型的分析结果可以看出,大部分节点的故障类型都是负载超载,这种类型的故障通常是由级联失效现象导致的,需要根据这些负载超载的节点进行级联故障溯源。基于级联故障模型,采用重分配负载计算与贝叶斯推理相结合的方式,对级联故障源节点进行定位,从而为制定故障恢复策略提供理论依据。最后,通过分析网络拓扑结构及其流量环境的变化趋势,从不同角度介绍了故障恢复方案。