故障定位作为故障管理系统中的一个核心模块,对于保障网络的正常运作和业务的可持续性有着重要的意义。伴随着IP网络规模的不断扩大,各类业务应用的大量部署,以及用户对服务质量要求的不断提高,如何在网络和业务出现故障的时候进行快速的定位并解决故障从而保障业务的正常运作成为现IP网络故障管理领域的核心问题。现今用户对服务的要求越来越高,高质量的服务依赖于对故障快速、准确的反应,故障定位必然会扮演着更加重要的角色。同时伴随着网络规模的扩大、业务的部署,IP网络中的故障定位问题呈现出复杂化、不确定性的特点,对于如何进行及时、准确的故障定位提出了很大的挑战。因此,如何在一个复杂、大规模、含有噪声、故障根源具有不确定性的环境中进行有效的故障定位成为当前故障定位算法研究的重点。贝叶斯网是目前不确定知识表达和推理领域最有效的理论模型之一,它不仅能都对网络低层确定性的故障和症状之间的确定性的推理关系进行建模,而且对于协议栈上层出现的故障和症状间不确定的推理关系也提供了很好的建模方法,从而可以确保准确的反应出一个具体IP网络中各类实体间的关系信息。再者,贝叶斯网络采用图的形式的网络结构去表达变量的联合概率分布及其条件独立性,能大量地节约概率推理计算时间,对复杂、大型IP网络中定位推理是非常有用的。所以基于贝叶斯网络的故障定位方法很适合于应用在现今部署了大量业务的IP网络中进行故障定位。本文从一个具体的应用场景出发,分析IP网络中故障定位出现的一些新需求,并通过对原有的基于贝叶斯网的推理算法的研究,在其基础上进行改进,提出了一个改进的基于贝叶斯网络的故障定位的算法。该算法引入最大同时发生的故障数的限制,采用一种新的限制性的近似推理机制,在保障故障定位准确度的前提下能够更加快速的定位故障的根源;由于能够同时利用表征网络或业务应用处于正常状态和不正常状态的症状信息,并引入了解释门限进行噪声过滤,有着较好的抗噪声能力。最后,在仿真实验中,与其他故障定位算法进行各项性能指标的对比,本算法保持着与这些算法相近的诊断精确度的前提下,其在时间复杂度方面表现出来很大的优势,且具有良好的抗噪声能力,十分适合于应用在大型、复杂IP网络中。