Methods and structure for estimating computational resource complexity for
a Bayesian belief network ("BBN") model for problem diagnosis and
resolution. Bayesian belief networks may be bounded with respect to
application to resolution of particular problem. Such bounded BBNs are
found to consume memory resources in accordance with a mathematical model
of polynomial complexity or less. Applying this model to estimate the
computational memory resources required for computation of the BBN model
permits effective management of distributing BBN computations over a
plurality of servers. Such distribution of BBN computations enables
improved responsiveness to servicing multiple clients requesting BBN
applications to multiple problem resolutions. The present invention
provides the requisite estimates of BBN computational resource consumption
complexity to enable such improved management in a client/server problem
diagnostic environment
Methoden und Struktur für das Schätzen der Berechnungshilfsmittelkompliziertheit für ein bayesisches Glaubensnetz ("BBN") modellieren für Problemdiagnose und -auflösung. Bayesische Glaubensnetze können in Bezug auf Anwendung auf Auflösung des bestimmten Problems gesprungen werden. Solches gesprungenes BBNs werden gefunden, um Gedächtnisbetriebsmittel in Übereinstimmung mit einem mathematischen Modell der polynomischen Kompliziertheit oder kleiner zu verbrauchen. Das Anwenden dieses Modells, um die Berechnungsgedächtnisbetriebsmittel zu schätzen, die für Berechnung des BBN Modells erfordert werden, ermöglicht wirkungsvolles Management des Verteilens von von BBN Berechnung über einer Mehrzahl der Bediener. Solche Verteilung der BBN Berechnung ermöglicht verbessertem Reaktionsvermögen zur Wartung der mehreren Klienten, die um BBN Anwendungen zu den mehrfachen Problemauflösungen bitten. Die anwesende Erfindung liefert die erforderlichen Schätzungen BBN der Berechnungshilfsmittelverbrauch Kompliziertheit, um solchem verbessertem Management in einem Anwenderproblemdiagnostikklima zu ermöglichen
