云化虚拟化网络业务可用度多参数敏感性分析

朱 杰, 黄 宁, 程 亮

(1. 北京航空航天大学可靠性与系统工程学院, 北京 100191; 2. 北京航空航天大学云南创新研究院, 云南 昆明 650233; 3. 华为技术有限公司数据通信产品线, 北京 100191)

0 引 言

云化虚拟化网络(network function virtualization, NFV)业务是通过对软硬件节点提供服务组合而达到对外提供使用的某种综合能力,业务可用度是业务能够提供使用的能力;对NFV网络业务可用度进行参数敏感性分析从而找到关键参数是当前网络运营商为了提高业务可用度亟需解决的一个问题。NFV业务可用度的影响因素众多,某些因素的小幅度变化很可能导致业务的可用度发生较大的变化,极具不确定性。所以,以高业务可用度为目标对网络业务进行优化的前提就是要找到影响业务可用度的因素。现有研究表明,网络中的设计参数众多,既有异类的参数也有相同类别不同构件的参数。异类的参数是指网络中不同属性的参数,如某一类节点的平均故障间隔时间、故障检测时间、故障检测概率等等;同类别的参数是指网络中不同位置的具体构件的某个相同属性的参数,如D1的平均故障间隔时间(D1-α)、D2的平均故障间隔时间(D2-α)、…、D的平均故障间隔时间(D-α)均为同一类别的参数。在基于网络演化模型的业务可用度仿真输入中,只可以对相互独立的异类的参数进行设置,同类别参数由于其耦合关系,在仿真过程中取值相同。所以,通过仿真的输入与输出仅能对异类参数进行分析;而同类别的参数就必须根据网络演化过程中业务具体的路由变化过程进行分析。

敏感性分析就是通过不断改变模型的参数输入组合方式,对模型输出结果分析得到参数的敏感性排序,找到对模型输出结果影响最大的关键参数。当前的敏感性分析方法主要分为局部敏感性分析方法和全局敏感性分析方法。局部敏感性分析是控制模型中其他参数的取值不变,仅通过不断改变所研究的参数,分析该参数的敏感性。Carpio等和Rui等分别采用基于RBD和基于Petri网的NFV业务可用度的参数局部敏感性分析方法分析了虚拟网络功能(virtual network function, VNF)的迁移时间的敏感性,该方法将网络中构件的MTBF 和MTTR看作定值,通过不断改变迁移时间的取值得到其敏感性,得到的参数的敏感性仅能在其余参数保持不变的情况下成立,其分析结果在所有参数的整个取值空间内并不准确。全局敏感性分析方法可以同时分析多个参数共同变化时对模型输出结果的影响,并对各参数进行敏感性排序,但是其前提是假设模型中的参数相互独立而且所需样本量多。Steiner等提出了基于最小二乘支持向量回归的全局敏感性分析方法,该方法其原理是事先假设模型的基本数学形式,使用原模型的输入和输出数据进行拟合构建出数学代理模型,利用代理模型分析各个参数的敏感性。其他常用的全局敏感性分析方法如筛选方法、响应曲面法、傅里叶振幅敏感性检验法、互信息指数法等也都假设参数独立采用了构建代理模型的思想,在构建代理模型的过程中往往需要大量的仿真样本。NFV网络设备类型多参数种类多,而且业务之间因为共享网络资源而相互耦合,既无法事先假设代理模型的基本形式,也无法通过大量的仿真样本拟合出数学代理模型。主效应图在局部敏感性分析的方法上进行全局性改进,可以分析参数在多个局部内与模型输出结果的关系,通过改变单个设计参数的水平,用每个水平与其他参数的所有可能的组合对结果影响的平均值进行拟合画图,该方法可以不用构建代理模型,通过比较不同参数主效应图验证参数对模型输出结果的影响是否明显,但是该方法得到的结果只是多个局部的平均值,不能对相互耦合的同类设备的同类参数进行敏感性分析,而且所需要的仿真样本数与参数数量呈指数增长关系。因此,已有的全局敏感性分析方法也不能支持NFV网络业务可用度多参数的敏感性分析。

针对以上背景,本文提出一种基于网络演化模型的多因素敏感性分析方法,直接通过网络演化模型的输入输出对影响网络业务可靠性的各种异类参数进行敏感性分析,找出影响最大、最敏感的主要参数类别;进一步提出基于动态业务介数的方法,分析同类别不同设备的参数的敏感性,找到关键的同类不同设备参数。本研究既可以克服局部敏感型分析方法结果在全局范围内不准确的缺点,也可以通过尽量少的仿真样本量保证找到的关键设备参数的正确性。既可以支持具有参数相互耦合特点模型的敏感性分析,拓展敏感性分析方法，还能对不同设备类型不同种类参数的敏感性进行分析,找出业务可用度的敏感性参数,支持以高业务可靠性为目标的网络业务优化,具有重要的实际应用价值。

1 NFV网络参数敏感性分析方法

NFV网络中采用了网络功能虚拟化技术和云计算技术使得传统网络的单一软硬件系统变为多个网元共享的软硬件平台,网络系统的故障类型与故障发生后的动态变化更加复杂。随着网络业务路由的智能动态调整,业务可靠性会受到整网构件的设计参数(如平均故障间隔时间、故障维修时间、故障检测率等等)的影响,当网络中多业务同时运行时,业务重路由以及迁移倒换导致业务对网络资源的竞争也会对网络业务的可用度造成影响。与此同时,网络中任何一个参数的调整均会导致整网的业务可用度发生改变。网络中影响业务可靠性的因素众多,并且由于业务路径的耦合作用使得不同构件的参数之间也存在相互耦合关系,用现有的网络演化模型对业务用度进行分析的过程中,忽略任何一个参数都有可能对其造成严重的影响。因此，针对网络中参数耦合的特点,对影响NFV网络业务可用度参数的敏感性进行分析,分析方法主要从相互独立的异类参数和相互耦合的同类参数两个方面进行,最终找到关键参数。本文所用到的网络构件及相关参数的表示符号如表 1所示，用“设备符号-参数符号”表示某一类设备的某个参数。

表1 本文用到的设备、参数及其表示符号

1.1 NFV网络建模与仿真

对NFV网络中影响业务可用度参数的敏感性进行分析,首先需要找到网络中有哪些参数可能会对业务可用度造成影响,并利用这些参数通过对网络的建模与仿真计算出业务可用度。根据VNF可用度设计的要求,影响业务可用度的设计参数分为3层:VNF层为了实现故障快速倒换需要合理设计倒换时间和故障检测时间;虚拟化层为了及时发现故障需要合理设计故障自动检测时间、平均故障间隔时间和故障自动恢复时间;硬件层为了保证功能需要设计合理的平均故障间隔时间、故障检测及上报时间。根据华为《NFV网络可用度需求报告》,影响业务可用度的虚拟化设备(软件)设计参数主要如图1所示。

图1 NFV网络部分构件设计参数Fig.1 Design parameters of NFV network components

本文主要基于网络演化模型对NFV网络业务可用度进行建模与仿真,网络演化模型是通过建立网络系统以及故障发生时的系统应对来表征网络系统的动态演化过程的模型,包括3部分内容:网络演化对象、网络演化条件和网络演化规则。

网络演化对象是为需要评估可用度的NFV网络建立的模型,包括两部分内容:基础设施层(节点信息、链路信息)和业务层(业务信息、VNF信息和服务部署信息)。

网络演化条件表达了诱发NFV网络无法提供对业务支持的条件,根据目前华为的初步需求,演化条件包括:演化对象中任意一个节点出现故障(动态变化)、 演化对象中任意一个节点故障修复等。

网络演化规则回答出现不同类型故障时网络系统是如何运转的,主要包括:交换机状态发生变化、Server节点状态变化、Vswitch节点状态变化、VM节点状态发生变化。

1.2 仿真实验设计方法

找到网络中可能会对业务可用度造成影响的参数后,进一步将参数进行不同的取值组合设计大量的仿真试验,再根据仿真的结果来分析计算各类参数的敏感性指标。其重点就是如何设计大量的仿真试验,即各参数的取值应该如何设置才能用最少的仿真试验得到准确的敏感性分析结果。最优拉丁方设计是常用的实验设计方法,是在拉丁方设计的基础上,改进其均匀性,使得参数和响应的拟合更加精确,具有更好的空间填充性和均衡性,其能用尽可能少的试验设计点表示尽可能多的信息。最优拉丁方设计方法是常用的敏感性分析试验设计方法,其主要分为两步。

(1) 采样:对每个输入随机变量进行取值空间内的随机采样,确保采样点能够均匀覆盖在整个区间内。

最优拉丁方采样是在个参数的模型中,将每个参数的设计空间均匀地等分为个小区间,在每个小区间内随机选取一个点,共组成个点,保证一个参数的每个水平只被研究一次,构成一个具有维空间,样本数为的拉丁方设计,记为×LHD,如下矩阵所示。

(2) 排列:改变每个随机变量采样值的排列顺序,确保相互独立的随机变量采样值之间的相关性最小。

将第一步采样中得到的×维矩阵记为,中的各列可能随机引起了一定的统计相关,这会影响模拟结果。为了减少这种相关性,Florian 提出基于斯伯尔曼系数描述矩阵中各列间的统计相关,定义为

(1)

式中:斯伯尔曼系数()∈[-1,1];为两样本的序差;为样本数。

假设初始样本矩阵中每个元素值的序号位置描述为×的矩阵,再用序相关矩阵来描述矩阵每列间的统计相关,其中(,=1,2,…,) 是矩阵的第列和第列之间的斯伯尔曼系数,可知是对称矩阵,且矩阵各列都不相关时,矩阵为单位矩阵。仅考虑正定矩阵时的情况,用Cholesky分解把矩阵表述成

=

(2)

式中:是下三角矩阵。再进行如下变换:

=

(3)

式中:=。

再用序相关矩阵来描述每列之间的统计相关。此时,矩阵比矩阵更加接近于单位矩阵。根据对矩阵重新排序,得到输入矩阵即为排列后的输入矩阵。

根据敏感性分析要求,选择合理的参数,并在各个参数的取值范围内利用最优拉丁方实验设计方法设计两组容量分别为的输入样本矩阵。若要设置更多的样本矩阵,其实就是分析更多的情况,等价于增加样本量的值。的取值越大,矩阵能够覆盖的情况越多,分析的结果也越准确。因此,对于的确定,应该在计算能力与计算时间接受的范围内,将设得尽可能大。如果确定的输入变量参数共有个,每个参数都有自己的初始设计空间,首先在各个空间内采用最优拉丁方采样2次,并进行排序,可得到下列两个样本矩阵:

1.3 基于全效应指数的异类参数敏感性指标

有了足够的输入与业务可用度输出样本后,采用合理的方法对结果进行分析,得到参数的敏感性指标是敏感性分析的关键。本文主要采用基于蒙特卡罗积分的Sobol指数法,其基本思想是分析输入对输出方差的影响。假设一组输入变量的值,利用该输入变量求得输出和输出的条件方差,输出的非条件方差与条件方差的差异就反映了该输入变量对模型输出结果的影响。该方法的主要分析过程如下:

把,中的第列互换,其他项不变,得到新的样本矩阵,如下：

交换矩阵和中的一列,对于矩阵中的某一行来说也是仅仅改变了一个参数值,但是对于整个矩阵来说,是在种情况下改变该参数的值,当的取值够大时,就可以表示该参数在所有情况下对结果的影响。将各组参数样本带入到网络演化模型中,可算得对应的业务可用度仿真结果,输出相应的方差和参数敏感性指标分别为

(4)

(5)

(6)

(7)

全效应指数描述了对输出的影响,其值在0 到1 之间。若一个变量的全效应指数很小,表明该变量不仅自身的变动对输出的影响小,而且该变量与其他变量之间的交互效应也很小。因此，考虑对全效应指数小的变量取固定值,可以使模型的输入变量减少,达到简化模型的目的。用上述方法计算所要分析的变量参数的全效应指数,全效应指数越大,则该参数变量对模型输出结果的影响越大。

1.4 基于动态业务介数的同类参数敏感性指标

前一节中Sobol指数法可以找到关键参数类别,但是该参数为一类设备参数,如云化虚拟化网络中的TOR的节点故障间隔时间,但是网络中TOR的数量远不止一个,当网络中有多业务存在时,由于业务动态路由导致的业务耦合,使得网络中所有的TOR并不等效。所以云化虚拟化网络中不同位置的TOR对业务可靠性造成的影响不同。为了分析在多业务耦合下的不同设备的某一属性参数(同类参数)的敏感性,我们提出了节点动态业务度的概念。

在NFV网络中,由于业务重路由的影响,节点和链路中承载的业务时刻在发生变化,难以直接分析出某个具体的设备参数的敏感性。但是在网络运行过程中,某节点承载的业务越多,则当该节点发生故障时就会造成更多业务的故障,从而对整网的业务可靠性造成更大的影响。因此,我们提出了动态业务介数的概念,通过动态业务介数这个指标来分析节点的敏感性。

节点动态业务介数:指在网络工作的整个区间内,节点承载过的业务的累积量。若同一业务在不同的工作路径下都经过某一条节点,则该节点的动态业务介数增加1。下面以一个具体的过程进行说明,如图2所示。

图2 云化网络演化过程Fig.2 Evolution of NFV

0时刻:网络中无节点故障,业务部署在节点1—3—18—4—1上;

时刻:网络中APP1主进程节点18故障,业务切换到备用进程节点24上,同时主进程节点降为备进程节点,备进程节点升为主进程节点,此时业务的路径为:1—7—24—8—2。

时刻:网络中APP1主、备进程均故障,业务迁移到备用资源池NCE中,此时业务的工作路径为:1—12—30—12—2。直至工作任务结束。

在这整个过程中,按照动态业务介数的定义可以知道:节点1的动态业务介数为3;节点2的动态业务介数为2;节点3、18、4、7、24、8、12、30的业务动态介数为1。

由于节点动态业务介数的仿真也需要考虑不同的设计参数组合情况,因此在计算节点的动态业务介数时,需要运用第2.2节中的仿真实验设计方法设计多组试验。在每一组实验中,仅需在网络演化模型的程序里增加一个动态业务介数的统计值变量,节点上初始部署的业务数量为节点动态业务介数的初始值;当节点发生故障,业务进行迁移或者倒换后,业务新的路由上所有节点的动态业务介数增加1。

1.5 整网参数敏感性排序

采用上述方法得到了异类和同类参数的敏感性指标后,如何才将二者结合起来对整网的所有参数进行敏感性排序？本文提出了一种新的敏感性指标,若通过敏感性分析,得到的各类参数的全效应指数以及各个节点的动态业务介数分别如表2所示。网络中某一个具体设备的某个参数的敏感度,不仅与该类参数的全效应指数相关,更与该设备上部署的业务数量密切相关。所以,为了描述网络中具体设备的具体参数的敏感度,我们将全效应指数与节点动态业务介数结合起来,用该类参数的全效应指数与某一个构件的动态业务介数所占比例的乘积作为该构件上具体参数的敏感度。则网络中所有参数的敏感度计算方法如表2所示,各参数的敏感度进行大小排序,即可得到整网中的参数。

表2 具体构件的参数敏感度计算方法

2 案例分析

2.1 案例介绍

根据NFV网络架构特点,本文构建了一个典型的NFV网络案例如图3所示。该案例中共有各种类型的节点28个,链路28条,网络拓扑为树状。在该网络上部署了两个业务,业务的工作路径可在图3中看到。网络中各节点的故障及修复参数信息如表3所示。本文的仿真平台采用 Intel Corei7-3520 2.90 GHz CPU。

图3 云网络分析案例Fig.3 Case of the NFV

表3 fail_info栏数据内容

2.2 网络参数敏感性分析

(1) 网络建模与仿真

根据上述案例,本文以整网业务平均可用度作为分析目标,根据表2确定的输入参数类别并根据文献[15]中NFV网络可靠性要求对每一类参数确定一个试验取值范围如表4所示。

利用表4中的参数对NFV网络进行建模与仿真的具体方法参考文献[2],本文不再赘述。

表4 输入参数的试验取值空间

续表4

(2) 设计仿真实验

利用第1.2节中介绍的最优拉丁方实验设计方法设计两组容量为20的输入矩阵(本文先拟定容量为20,之后再改变样本容量,观察参数排序是否稳定)。其中一组输入矩阵如所示。矩阵中每一行代表一个输入样本,每一列代表同一参数在不同样本中的不同取值,用同样的方法得到另外一组输入矩阵。

=

将上述设计的输入样本矩阵和中的每一行输入到网络演化模型进行仿真,得到这一个输入样本矩阵的20组业务可靠度仿真结果如表5所示。由于网络演化模型仿真时采用了蒙特卡罗抽样,得到的网络平均业务可用度具有一定的随机误差,所以本文分析将相同的参数输入仿真100次,设置的仿真时长为200年,将100次整网平均业务可用度的均值作为这个输入的模型输出结果。这样做的目的是减少敏感性分析过程中由于模型本身的随机误差对结果造成的影响。

表5 将A、B输入到模型中得到业务可靠度值

(3) 异类参数敏感性指标计算

根据表5的仿真结果,可以分析出DCGW节点平均故障间隔时间的全效应指数,计算过程如下:

通过和中的输入样本和表5中得到的仿真结果,利用第13节中介绍的敏感性指标计算方法计算各类输入参数的全效应,选出关键参数类别。得到的各类输入参数的全效应及排序如表6所示。

表6 第一次异类敏感性分析得到的各类参数敏感性排序

由表6可以得到,Vswitch节点平均故障间隔时间、Vswitch节点自动维修概率、Vswitch节点平均人工维修时间这3类参数的全效应指数明显跟其余参数的全效应指数不在一个量级,所以这3类参数为关键参数类别。上述分析均在样本容量为20的情况下进行,为了保证样本容量的取值满足敏感性分析的要求,本文继续在样本容量为40、60、80的情况下分析,仿真试验样本均采用第1.2节的实验设计方法进行设计。通过全效应指数的计算,得到的全效应结果如表7所示。

从表7中可以看到,虽然所有参数的全效应指数大小略有差异,但是3个关键参数类别的全效应指数与其余类别参数的全效应指数始终不在一个量级;而其余类别参数的排序稍微有所不同,造成这种现象的原因是其余参数类别的全效应指数较小,与3个关键参数类别不在同一量级,其结果更容易受到蒙特卡罗过程的影响,造成排序的不同,但是随机误差对关键参数类别的影响较小,所以关键参数类别的排序稳定,结果可靠。

表7 不同样本容量下的异类参数敏感性排序情况

(4) 同类参数敏感性指标计算

上一步找到的关键参数类别为:Vswitch节点平均故障间隔时间、Vswitch节点自动维修概率、Vswitch节点平均人工维修时间。由于关键参数类别与非关键参数类别的全效应指数不在同一个量级，因此同类参数的敏感性仅针对关键的参数类别进行。研究参数采用第1.2节中的试验设计方法设计20组样本,在每一个相同的样本下进行10次仿真,对10次仿真的每个节点的动态业务介数取均值作为该样本下的节点动态业务介数仿真结果;最后再将20个样本得到的每个节点的动态业务介数取均值作为节点的最终动态业务介数。通过仿真,得到网络中Vs1、Vs2、Vs3的动态业务介数如表8所示。

表8 不同仿真时间下的节点动态业务介数

由表8分析得到:随着仿真时间的增加,节点的动态业务介数也随之增加,但是Vs1 和Vs2的动态业务介数一直大于Vs3的动态业务介数。

(5) 网络参数敏感性排序

由于NFV网络中的节点异质,所以某一种节点的某一种属性的参数可以称为一类参数(如Vswitch节点平均故障间隔时间,它包括Vs1平均故障间隔时间、Vs2平均故障间隔时间、Vs3平均故障间隔时间3个参数)。在相互独立的参数类别的敏感性分析中,发现关键参数类别的全效应指数与非关键参数的全效应指数不在一个量级,所以关键参数只会在关键参数类中,因此可以仅进一步针对关键参数类别进行分析,找到关键参数。采用第1.5节中的具体网络构件参数的敏感度计算方法,得到网络参数的敏感度和敏感度排序如表9所示。

表9 具体构件的参数敏感度排序

根据表9得到的同类不同构件的参数的敏感度及排序,得到该案例中Top4的关键参数为Vs1设备自动维修概率、Vs1设备平均故障间隔时间、Vs2设备自动维修概率、Vs2设备的平均故障间隔时间。

3 对比分析

现有的敏感性分析方法只能对相互独立的参数进行分析,所以在本文中我们先采用主效应图的方法对相互独立的参数类别进行分析,验证找到的关键参数类别是否准确;进一步从NFV网络的运行规则分析本文找到的具体的关键参数的合理性;最后对比两种方法,说明本文所提方法在分析结果和仿真效率上的优势。主效应图是通过对异类参数的局部敏感性取均值来衡量不同类别参数的敏感性,因此该方法并不能直接找到全局范围内的关键参数类别,但是可以用该方法从多个局部衡量本文找到的关键参数类别是否对模型结果有较大的影响。

以分析Vswitch节点的平均故障间隔时间的主效应图为例,该类参数的取值范围为1～5年,因此从1年开始,以0.04年为间隔进行取值。其他参数类别取值采用第2.2节中的试验设计方法设计20组样本。Vswitch节点的平均故障间隔时间在每一个取值下,均需要结合表5中的20组样本进行仿真,得到的可用度均值作为Vswitch节点的平均故障间隔时间在该取值水平下的可用度值。通过仿真分析,得到部分参数类别的主效应图如图4所示。

图4 部分参数类的主效应图Fig.4 Main effect diagram of part of the parameter classes

由图4可知,Vswitch节点的平均故障间隔时间与业务可用度呈现出指数关系,随着该类参数值的增加,业务可用度逐渐收敛于一个固定的值;Vswitch节点自动维修概率与业务可用度呈现出线性递增关系,当该类参数值增加到最大值1时,业务可用度也达到最大值;Vswitch节点平均人工维修时间与业务可用度呈现出线性递减关系,当该类参数值增加到最大值10时,业务可用度也达到最小值。DCGW节点平均故障间隔时间与业务可用度呈现出指数关系; DCGW节点故障检测率、DCGW节点平均人工维修时间与业务可用度呈现出线性关系,但是随着非关键参数类的变化,业务可用度基本保持不变。

从主效应图可以看出,分析的关键参数类别与业务可用度呈单调关系,为了定量衡量不同类别参数对业务可用度的影响大小,进一步拟合出整网业务平均可用度的斜率,将整网业务平均可用度在参数取值范围内的平均斜率作为敏感性分析指标,在求平均斜率的过程中,将参数类的取值进行归一化处理。通过比较不同参数类别的平均斜率的绝对值,得到平均斜率排序结果如表10所示,可以找到平均斜率绝对值最大的3个参数类别为:Vswitch节点平均故障间隔时间、Vswitch节点自动维修概率、Vswitch节点平均人工维修时间。通过主效应图的平均斜率与全效应指数的排序对比可知,两种方法找到的关键参数类别相同。因此，本文找到的关键参数能够对业务可用度造成更大的影响,可以验证本文找到的关键参数类的合理性。

而在本文案例中,由于Vswitch节点的平均故障间隔时间较小,而且当其发生故障后业务无法进行迁移和倒换,只能等待其修复。因此,Vswitch节点的故障修复参数会对网络中的业务可靠性造成较大的影响,即在不同的NFV中,Vswitch节点最为关键,该类节点的相关故障修复参数也更关键。Vs1和Vs2上初始部署有业务,只有当S1或者S2发生故障时业务才有可能会迁移到Vs3上。因此,Vs3上承载的业务少于Vs1和Vs2,Vs1和Vs2的故障参数会对业务可用度造成更大的影响。故在该案例中,对业务可靠性影响最大的关键参数为Vs1设备自动维修概率、Vs1设备平均故障间隔时间、Vs2设备自动维修概率、Vs2设备的平均故障间隔时间,该结果与上述描述并不矛盾,进一步证明了本文找到的关键参数的合理性。通过对案例的分析可以发现,虽然随着不同案例中业务部署的不同,网络中关键的具体设备参数会存在差异,但是关键的参数类别与网络演化的规则也密切相关。

表10 主效应图的平均斜率与全效应指数的参数排序对比

对比本文方法与主效应图方法分别找到的关键参数可以发现,在分析结果上,主效应图的方法只能对相互独立的参数类别(一类设备的参数)进行敏感性分析,而本文方法可以找到相互耦合的参数(一个设备的参数)中的关键参数,而且保证了结果的准确性;在分析效率上,主效应图需要的仿真样本数为20×25×100,而本文方法所需要的仿真样本数为20×(25+2+1),远小于主效应图的方法。

4 结 论

现有的敏感性分析方法仅能对局部参数或者构建数学代理模型对相互独立的全局参数进行敏感性分析,而复杂系统模型参数众多且参数之间相互影响耦合,已有的敏感性分析方法无法找到具有参数耦合特点模型的关键参数。所以,本文提出一种基于网络演化模型的多类参数敏感性分析方法,对网络业务可靠性的各类影响参数的敏感性进行分析,找出影响最大、最敏感的主要参数类别。进一步提出了基于动态业务介数的方法,对不同位置的设备的参数的敏感性进行解耦,找到关键的具体设备参数。通过对比分析可以发现主效应图只能对不同类别的独立参数进行排序,找到的关键参数也只是在参数的局部取值成立,而本文所提方法可以在网络中所有设备的参数都相互耦合的情况下对相互耦合(仿真过程中的取值相同)的同一类参数进行敏感性排序,最终找到整网中所有构件的所有参数中在全局范围内的关键参数,而且所需要的仿真样本量也远小于已有的敏感性分析方法。