1.一种基于贝叶斯混合模型的网络故障数据合成方法，其特征在于，所述方法如下步骤：步骤1：设采集到的网络数据集为 其中xn的由六个属性组成，分别为丢包率、终端下载速率、传输时延、抖动、视频传输质量、终端用户体验评分；该数据集对应的标签集合为 yn＝0或1，即X对应于两类标签，其中yn＝0为网络正常类标签，yn＝1类为网络故障类标签，由于网络正常类的数据个数远远多于网络故障类的数据个数，定义yn＝1对应的xn所组成的集合为少数类 其中 为少数类样本，Nalm为少数类样本数目，而yi＝0对应的xi所组成的集合为多数类 其中 为多数类样本，Nmaj为多数类样本数目；

步骤2：选用贝叶斯混合模型来表示Xalm的分布，其概率分布函数表达式包括：其中，K为混合成分数，πj(V)、μj、Λj和νj分别表示第j个混合成分的权值、均值、协方差矩阵和自由度参数； 为t分布的概率密度函数，表示为：其中N(·)和Gam(·)分别代表Gaussian分布函数和Gamma分布函数，unj为与xn和第j个混合成分相关的隐变量，权值πj(V)满足 其表达式为：上式中变量Vj服从Beta分布，即p(Vj)＝Beta(Vj|1,α)，α为该Beta分布的超参数，此外，μj,Λj服从联合Gaussian-Wishart分布，即高斯分布与Wishart分布的乘积，N(·)W(·)：p(μj,Λj)＝N(μj|mj,λjΛj)W(Λj|Wj,ρj)其中 为该联合Gaussian-Wishart分布的超参数，mj为六维列矢量，λj和ρj是标量，Wj为一个(6×6)的矩阵；引入一个隐变量 其中zn指示当前的数据xn是由t混合模型中的哪个成分产生的，当xn是由第j个混合成分产生时，znj＝1，基于以上所述，整个模型的超参数为：步骤3：利用Xalm对混合模型进行参数估计，具体如下：

3-1)产生Nalm个服从[1,K]区间上均匀分布的随机整数，统计该区间上各整数出现的概率；即，如果产生了Nj个整数j，那么δj＝Nj/Nalm；对于每个 对应的隐变量zn的初始分布为zn为K维矢量，其在各个维度znj(j＝1,...,K)上的取值为{0,1}；

3-2)设定超参数 α的初始值；对于所有的j,j＝1,...,K，mj＝0，λj＝1，ρj取3～20之间的任意数，Wj＝10·I，I为单位矩阵，νj取1～100之间的任意数，α取1～

10之间的任意数；此外，迭代次数计数变量k＝1；

3-3)更新隐变量 的分布，即， 其超参数的更新公式为：

其中

在首次迭代时计算 时，

3-4)更新随机变量 的分布，即，

相应的超参数 的更新公式如下：

其中，

3-5)更新随机变量 的分布，即， 相应的超参数的更新公式为：

3-6)更新隐变量 的分布

其中

在上式中，各项期望<·>的计算公式如下：其中Γ(·)为标准的gamma函数，Γ(·)′为标准gamma函数的导数；此外，和 的计算方法已分别在步骤3-3)和步骤3-4)给出；

3-7)更新自由度参数 即，解如下含有νj的方程：选用常用的数值计算方法，如牛顿法，获得此方程的解νj；

3-8)计算当前迭代后的似然值LIKitr，itr为当前的迭代次数：

3-9)计算当前迭代后与上一次迭代后的似然值的差值△LIK＝LIKitr-LIKitr-1；如果△LIK≤δ，那么参数估计过程结束，否则转到步骤(3-3)，itr的值增加1，继续进行下一次的迭代；阈值δ的取值范围为10-5～10-4；

步骤4：利用估计出的贝叶斯混合模型，生成新的网络数据集(Xalm)'，设需要生成的数据量为N’，包括：

4-1)随机产生一个0到1之间服从均匀分布的随机数ε；

4-2)随机产生服从 分布的

4-3)计算

4-4)随机产生服从 分布的

4-5)利用估计出的 如果ε∈[0,π1]，则产生一个服从t分布t(μ1,Λ1,ν1)的样本；

如果 则产生一个服从t分布t(μk,Λk,νk)的样本；如果 则产生一个服从t分布t(μK,ΛK,νK)的样本；

4-6)重复上述步骤(4-1)～(4-5)N’次，得到(Xalm)'，最终网络故障数据集为合成之后的总数据集为