CN102685255A - 一种分布式机会网络社区划分方法 - Google Patents

Abstract

一种分布式机会网络社区划分方法，包括有社区内的移动节点，移动节点包括有社区标签信息，所述节点还包括有中心度信息，中心度由节点的漫游概率决定，具体划分步骤为：1）初始化，设置各节点的中心度为0，社区标签为节点自身ID；2）各节点记录第一个运动周期内的漫游概率，并实时更新第一个运动周期内相遇的其它节点的节点ID和相遇次数；3）各节点根据记录的漫游概率更新各自中心度信息；4）监测是否有节点相遇；5）当节点相遇，判断相遇节点是否是相邻节点6）中心度小的节点将中心度大的节点的标签信息设置为自身标签信息；7）转入步骤3）。通过节点的运动周期特性和相遇历史信息，提高机会网络社区划分的准确性。

Description

一种分布式机会网络社区划分方法

技术领域

本发明涉及无线网络领域，特别是一种机会网络中社区模型下的网络划分方法。

背景技术

大量手持智能移动设备的普及推动了无线自组织网（mobile ad hoc network MANET）的应用。无线自组织网中，数据传输之前需要建立端到端的路径，采用存储-转发的通信模式。在复杂的无线网络中，由于节点移动、信号衰减等原因，端到端路径常常会中断。机会网络利用节点移动的辅助特性转发数据，采用存储-携带-转发的方式互通、移动计算，充分利用节点间的相遇机会中继数据，直到数据送达目的节点。现实生活中，通信设备的持有者很少做随机运动，其运动过程带有一定的规律性。Spyropoulos T,Psounis K等人在“Performance analysis of mobility-assisted routing”【Proc.of ACM MOBIHOC[C]. Florence, Italy:ACM,2006:49-60】描述了人类移动过程具有社会网络学中的“小世界，大世界”现象。Pan Hui,Jon Crowcroft等人在"BUBBLE Rap: Social-Based Forwarding in Delay Tolerant Networks," 【IEEE Transactions on Mobile Computing, 21 Dec. 2010.】描述了节点之间的社会关系并提出了相应的路由协议。在社区运动模型下，机会网络中的节点以较大的概率在本社区随机运动，以较小的概率在社区外漫游；同时，节点在网络中的活跃程度以及重要程度并不相同，网络中的各个社区内部存在中心节点。节点在中继数据过程中，应该有针对性的选择合适的下一跳中继节点。因此，需要根据节点之间的社会关系对整个网络进行有效地划分和检测，从而优化网络性能。

传统无线自组织网络中，节点发射功率较大，其通信范围通常为100m-200m，节点的相遇机会较多，通信范围内节点数目也较多，在这种情况下节点比较密集，因此，可以相对简单地选出相应的中心节点服务于其他节点。但是在机会网络中，网络节点采用短距离、低功耗模块进行通信，其范围为10m左右，在节点比较稀疏的情况下，同时存在通信连接的节点数量较少，大多数情况下是依靠节点相遇的机会来转发数据，因此，在机会网络中相遇机会是有限的宝贵资源。机会网络中的节点采用分布式方式工作，不存在可供使用的基础通信设施。可见，在社区模型下分布式地检测中心节点和相关的社区信息，有利于提高数据转发的性能。

目前，针对传统的无线自组织网络，社区检测的算法很多，但是针对机会网络的社区检测算法有限。E. M. Daly和M. Haahr在“Social network analysis for routing in disconnected delay-tolerant manets,”【ACM MobiHoc, 2007】研究了社会网络，利用相遇矩阵来检测相遇概率较大的源节点和目的节点，并把社区间连接性强的节点作为中继节点以携带社区间的数据。Usha Nandini Raghavan等人在“near time algorithm to detect community structures in large-scale networks”【Physical Review E 76, 036106 (2007)】中提出了标签泛洪思想来划分社区。P. Hui, J. Crowcroft等人在“Bubble rap: Social-based forwarding in delay tolerant networks” 【IEEE Transactions on Mobile Computing, 21 Dec. 2010.】中提出一种简单的方法来检测社区结构，根据为其他节点继消息的次数情况衡量节点的中心程度。此外，G. Palla,I. Der′ enyi等人在“Uncovering the overlapping community structure of complex networks in nature and society”【Nature, vol. 435, no. 7043, pp. 814–818, 2005】中提出K-CLIQUE算法，但是该算法需要人为地限制社会图中边的权重，扩展性较低。M. E. J. Newman在“Analysis of Weighted Networks,”【Physical Review E, vol. 70, p. 056131, 2004】中提出WNA算法，但是在社区运动模型下，有些节点可能属于多个社区（Overlapping Communities），WNA算法无法对该种情况下的网络结构进行检测。

上述文献中所提出的各个社区检测算法，都没有结合节点在社区运动模型下运动特性来划分社区，且没有从节点社区切换的概率角度来区分普通节点和中心活跃节点，也没有从节点的相遇历史信息中检测同一社区内的节点。可见，这些机制在社会网络中存在一定程度的局限性。

为了更加准确地根据社会属性检测网络结构，本专利把实际中节点运动过程抽象为社区运动模型，根据社区运动模型中节点社区切换的频繁程度，把整个网络划分为若干个社区，进而检测出了社区内的社区中心节点及其邻居节点。所提出的检测算法具有非常高的准确性，使用该方法能够有效提高机会网络数据转发性能。

发明内容

本发明的目的就是提供一种分布式机会网络社区划分方法，它可以通过节点的运动周期特性和相遇历史信息得到各个社区里的中心节点和经常相遇的邻居节点，提高机会网络社区划分的准确性。

本发明的目的是通过这样的技术方案实现的，它包括有社区内的移动节点，移动节点包括有社区标签信息，所述节点还包括有中心度信息，中心度由节点的漫游概率决定，具体划分步骤如下：

1）初始化分布式机会网络社区内的所有节点，设置各节点的中心度为0，社区标签为节点自身ID；

2）各节点进入第一个运动周期，各节点记录第一个运动周期内的漫游概率，并实时更新第一个运动周期内相遇的其它节点的节点ID和相遇次数；

3）各节点进入新运动周期时，各节点根据记录的漫游概率更新各自中心度信息；

4）在一个周期内，各节点继续记录该周期内的漫游概率，监测是否有节点相遇，有则转入步骤5），反之则转入步骤7）；

5）当节点相遇，相遇的两个节点实时更新相遇节点的ID和相遇次数信息，判断相遇节点是否是相邻节点，若是相邻节点则转入步骤6），若不是相邻节点则转入步骤4）；

6）比较相遇两个节点的中心度，中心度小的节点将中心度大的节点的标签信息设置为自身标签信息，并转入步骤4）；

7）该周期结束，转入步骤3）。

进一步，所述中心度计算公式为                                                

，式中

是用来衡量节点中心度的参数；

是节点i在所有的运动周期中处于本地状态的平均次数；

是节点i在所有的运动周期中处于漫游状态的平均次数。

进一步，衡量节点是否为中心节点的依据是，其中，i和j是两个相遇节点，给定的某个运动周期内节点在本地和漫游状态的概率分别是和

，

是节点i在所有的运动周期中处于本地状态的平均个数；

是节点i在所有的运动周期中处于漫游状态的平均个数。

进一步，步骤5）中判断是否为相邻节点的步骤为：

5-1）节点u与节点u_i相遇，节点u读取节点u_i的ID信息和历史相遇次数信息；

5-2）若

，则说明节点u_i为节点u的相邻节点，反之则不是相邻节点；

式中

为节点节点u遇到节点u_i的次数，

为节点u遇到所有节点的平均次数。

由于采用了上述技术方案，本发明具有如下的优点：

本发明首先根据社区运动模型下节点的运动特点，以节点社区切换的概率来量化节点处于漫游状态的运动周期，以该参数的数值来估计节点的中心度。在节点运动过程中，两个相遇的节点首先判断相遇的节点是否为相邻节点，对于相邻节点则通过比较中心度数值，改变或保留各节点的自身标签信息，对节点进行社区划分。

节点以的相遇历史信息为依据，节点采用相遇频繁程度来判断是否是其社区邻居成员，即相邻节点，其中相遇频繁程度参数采用节点间的相遇次数数值进行估计，高于平均相遇次数的节点则视为邻居节点。当所遇节点是同一社区的节点的时候，节点尽最大可能地学习网络中心节点的标签。若节点没有机会遇到中心节点，则根据相遇历史信息执行标签学习过程。最终相同社区的节点标签都是中心节点的社区标签。

根据检测到的中心节点和节点的邻居节点列表，以分布式的方式得到整个网络的社区结构。该社区结构包括各个社区成员以及根据社区内各个成员的社会属性检测得到的社区中心节点。

通过节点的运动周期特性和相遇历史信息得到各个社区里的中心节点和经常相遇的邻居节点，进而可以提高机会网络提高社区检测的准确性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为节点的本地和漫游两种运动状态的转换示意图；

图2为节点始终维护的节点与相遇次数映射集合；

图3为标签感知过程示意图；

图4为本发明流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

一种分布式机会网络社区划分方法，包括有社区内的移动节点，移动节点包括有社区标签信息，所述节点还包括有中心度信息，中心度由节点的漫游概率决定，具体划分步骤如下：

1）初始化分布式机会网络社区内的所有节点，设置各节点的中心度为0，社区标签为节点自身ID；

2）各节点进入第一个运动周期，各节点记录第一个运动周期内的漫游概率，并实时更新第一个运动周期内相遇的其它节点的节点ID和相遇次数；

3）各节点进入新运动周期时，各节点根据记录的漫游概率更新各自中心度信息；

4）在一个周期内，各节点继续记录该周期内的漫游概率，监测是否有节点相遇，有则转入步骤5），反之则转入步骤7）；

5）当节点相遇，相遇的两个节点实时更新相遇节点的ID和相遇次数信息，判断相遇节点是否是相邻节点，若是相邻节点则转入步骤6），若不是相邻节点则转入步骤4）；

6）比较相遇两个节点的中心度，中心度小的节点将中心度大的节点的标签信息设置为自身标签信息，并转入步骤4）；

7）该周期结束，转入步骤3）。

本发明首先根据社区运动模型下节点的运动特点，以节点社区切换的概率来量化节点处于漫游状态的运动周期，以该参数的数值来估计节点的中心度。在节点运动过程中，两个相遇的节点首先判断相遇的节点是否为相邻节点，对于相邻节点则通过比较中心度数值，改变或保留各节点的自身标签信息，对节点进行社区划分。

节点以的相遇历史信息为依据，节点采用相遇频繁程度来判断是否是其社区邻居成员，即相邻节点，其中相遇频繁程度参数采用节点间的相遇次数数值进行估计，高于平均相遇次数的节点则视为邻居节点。当所遇节点是同一社区的节点的时候，节点尽最大可能地学习网络中心节点的标签。若节点没有机会遇到中心节点，则根据相遇历史信息执行标签学习过程。最终相同社区的节点标签都是中心节点的社区标签。

根据检测到的中心节点和节点的邻居节点列表，以分布式的方式得到整个网络的社区结构。该社区结构包括各个社区成员以及根据社区内各个成员的社会属性检测得到的社区中心节点。

通过节点的运动周期特性和相遇历史信息得到各个社区里的中心节点和经常相遇的邻居节点，进而可以提高机会网络提高社区检测的准确性。

所述中心度计算公式为

，式中

是用来衡量节点中心度的参数；

是节点i在所有的运动周期中处于本地状态的平均次数；

是节点i在所有的运动周期中处于漫游状态的平均次数。

根据社会网络中节点的运动规律，节点在运动周期内存在两种运动状态：本地和漫游。本地状态是指节点当前运动周期的目的地为归属社区；漫游状态是指节点当前运动周期的目的地为其他社区。假定P_l表示当前节点为本地状态，下一个运动周期内节点依然为本地状态的概率；P_r表示当前为漫游状态，下一个运动周期内节点依然为漫游状态的概率状态。令在给定的某个运动周期内节点在本地或者漫游状态的概率分别是

和

，如图1所示，由马尔科夫定理可以得到稳态下运动周期内节点处于本地和漫游状态的概率分别如式(1)和(2)所示：

中心度是由节点任一运动周期内处于漫游状态的比例来衡量。在给定时间段内，可以用其在任一运动周期内处于漫游状态的概率来衡量节点漫游在归属社区之外的状态。假设存在中心节点i和普通节点j，给定的某个运动周期内节点在本地或者漫游状态的概率分别是

和

，对应的处于漫游状态的运动周期数量平均值为

、

，满足

                                                               

根据社区运动模型的特性，处于漫游状态的运动周期平均数

可用于衡量节点的中心度，处于漫游状态的运动周期数量越多，节点也就越活跃，更适合作为社区中心节点。

衡量节点是否为中心节点的依据是

，其中，i和j是两个相遇节点，给定的某个运动周期内节点在本地和漫游状态的概率分别是

和

，

是节点i在所有的运动周期中处于本地状态的平均个数；

是节点i在所有的运动周期中处于漫游状态的平均个数。

步骤5）中判断是否为相邻节点的步骤为：

5-1）节点u与节点u_i相遇，节点u读取节点u_i的ID信息和历史相遇次数信息；

5-2）若

，则说明节点u_i为节点u的相邻节点，反之则不是相邻节点；

式中为节点节点u遇到节点u_i的次数，为节点u遇到所有节点的平均次数。

假设网络中存在节点u，与其相遇的节点分别是u₁，u₂…u_i，v₁，v₂…v_j。其中u₁，u₂…u_i代表与u处于同一社区的节点；v₁，v₂…v_j代表与u处于不同社区的节点；u与各个节点相应的相遇次数为c_u1，c_u2…c_ui，c_v1，c_v2…c_vj，节点始终维持一个映射集合如图2所示，该集合记录了相遇节点以及其对应的相遇次数。可以得到节点u与其他所有相遇节点的平均相遇次数C_ave。

对于u的相遇节点u_i来说，若u与u_i相遇的次数c_ui满足条件

则u认为u_i是邻居节点，否则视为不同社区的节点。

例如图3所示，网络初始化的时候每个标签都配备了独有的社区标签，接着这些社区标签在全网里传播。在标签传播过程中，密集组的节点很快对统一的标签达成一致，如图3所示。文中的连线表示节点间有相遇的历史记录，如节点u₁和u₂之间的连线表示u₁的邻居列表中有节点u₂的相遇记录以及对应的相遇次数，这些有相遇历史记录的节点组成社会网络连接图，而且图中较粗的连接线表示节点间的联系较为频繁。当u₂与u₁相遇后，u₂更新邻居列表，如果列表中u₁节点及其对应的相遇次数c_{u2_u1}≥u_{2_ave}，则u₂节点的社区标签更新为u₁。以此类推，最终节点密集组在标签上达成一致后，所有相同标签的节点组成一个社区。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1. 一种分布式机会网络社区划分方法，包括有社区内的移动节点，移动节点包括有社区标签信息，其特征在于：所述节点还包括有中心度信息，中心度由节点的漫游概率决定，具体划分步骤如下：

1）初始化分布式机会网络社区内的所有节点，设置各节点的中心度为0，社区标签为节点自身ID；

2）各节点进入第一个运动周期，各节点记录第一个运动周期内的漫游概率，并实时更新第一个运动周期内相遇的其它节点的节点ID和相遇次数；

3）各节点进入新运动周期时，各节点根据记录的漫游概率更新各自中心度信息；

4）在一个周期内，各节点继续记录该周期内的漫游概率，监测是否有节点相遇，有则转入步骤5），反之则转入步骤7）；

5）当节点相遇，相遇的两个节点实时更新相遇节点的ID和相遇次数信息，判断相遇节点是否是相邻节点，若是相邻节点则转入步骤6），若不是相邻节点则转入步骤4）；

6）比较相遇两个节点的中心度，中心度小的节点将中心度大的节点的标签信息设置为自身标签信息，并转入步骤4）；

7）该周期结束，转入步骤3）。

2. 如权利要求1所述的一种分布式机会网络社区划分方法，其特征在于：所述中心度计算公式为                                               ，式中

是用来衡量节点中心度的参数；

是节点i在所有的运动周期中处于本地状态的平均次数；

是节点i在所有的运动周期中处于漫游状态的平均次数。

3. 如权利要求2所述的一种分布式机会网络社区划分方法，其特征在于：衡量节点是否为中心节点的依据是

，其中，i和j是两个相遇节点，给定的某个运动周期内节点在本地和漫游状态的概率分别是

和

，

是节点i在所有的运动周期中处于本地状态的平均个数；

是节点i在所有的运动周期中处于漫游状态的平均个数。

4. 如权利要求1所述的一种分布式机会网络社区划分方法，其特征在于，步骤5）中判断是否为相邻节点的步骤为：

5-1）节点u与节点u_i相遇，节点u读取节点u_i的ID信息和历史相遇次数信息；

5-2）若

，则说明节点u_i为节点u的相邻节点，反之则不是相邻节点；

式中为节点节点u遇到节点u_i的次数，为节点u遇到所有节点的平均次数。

Images