CN103152253A - 一种基于复杂通信网络信道数据挖掘路径预测算法 - Google Patents

Abstract

由于复杂网络内部存在着一定的幂律现象，其网络节点之间着存在相关特性，根据这一特性，引入一个复杂网络模型，把复杂网络看作由马尔可夫链的路由节点迭代序列形成的网络，并根据路径预测算法，可以很好地进行目标跟踪及定位、数据挖掘等，通过路由准则的算子从源节点到目的节点与Banach空间的不动节点相对应，复杂网络的规模越大，节点间的群体作用越显著，就越能显现此种复杂网络数据挖掘算法的优越性。

Description

一种基于复杂通信网络信道数据挖掘路径预测算法

技术领域

本发明涉及一种复杂通信网络信道数据路径预测算法，属于通信技术领域

背景技术

现代通信网络将各种物理网络联接起来，形成一个复杂的网络拓扑结构，此网络中存在着一定的幂律现象，如处理器的幂律分布、业务量的自(互)相似性、数据包的延时特性等，在复杂的通信网络的表象下是否隐藏着简洁的秩序与结构，进而去挖掘某些数据的动态规律及特征，以对通信网络的各种复杂现象的机理进行解释。文献[1]通过分析网络节点数据的相关函数，可以挖掘出数据的相关特性中存在着相变现象。并在临界点处，某些数据的功率谱存在着一致的幂律特性；文献[2-3]利用数据节点排队的均方涨落函数，研究了复杂通信网络中节点在时间上的长程相关特性；随着网络负载的增加，可以挖掘出网络节点数据的排队长度由自由流状态的不相关或短程相关特性逐渐演变为临界和拥塞状态下的的长程相关特性，其关联范围将逐渐增大，可以挖掘出数据的长程相关特性。

基于以上复杂网络节点数据的相关性研究。本发明将复杂通信网络看作是路径预测算法产生的节点数据迭代序列形成的BANACH空间，通过路由准则算子从源数据挖掘出目的数据，将为进一步研究通信复杂网络的规律性、动态性奠定一定的基础。

发明内容

发明将复杂通信网络看作是路径预测算法产生的节点数据迭代序列形成的BANACH空间，通过路由准则算子从源数据挖掘出目的数据，将为通信网络路由、定位、跟踪、数据挖掘等算法奠定一定的理论基础。复杂通信网络具有分布式、多层次、动静混合等形式，采用此ML路径预测算法，可以挖掘WEB的数据信息，得出马尔可夫路径预测模型。可以进一步得出复杂通信网络的复杂动态行为，可以更好的选择路由，挖掘数据。从而对复杂通信网络的信道节点实施更精确的跟踪、定位。将有利于进一步对大规模通信网络中网络拥塞、异常基点的搜索与跟踪等研究领域。

本发明解决其技术问题所采用的技术方案是：

为了方便研究复杂通信网络信道路径预测的相关问题，本发明引入数据节点自相关特性。

复杂通信网络节点行为具有长程相关幂律特性，其长程相关性是用节点数据的排队长度来折射时间上的长程相关特性。定义给定数据节点的均方涨落函数为[4]

ΔH(τ)＝H(t₀+τ)-H(t₀)  (t₀＝1，2，…，)      (1)

通信网络中的数据节点在时间段[1，k]上的数据累积量为

$H\left(k\right)=\underset{t=1}{\overset{k}{\mathrm{\Σ}}}q\left(t\right)---\left(2\right)$

其中，q(t)表示t时刻数据排队长度。定义自相关函数C(τ)为

C(τ)＝q(τ+t₀)q(t₀)-q²(t₀)       (3)

则有数据节点的均方涨落函数的均方根F(τ)为

$F\left(\mathrm{\τ}\right)=\sqrt{\underset{i=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}\underset{j=1}{\overset{\mathrm{\τ}}{\mathrm{\Σ}}}C(j-i)}---\left(4\right)$

在复杂通信网络中数据进入信道节点后，根据一定的路由规则，信道节点之间相关行为通过彼此间相互传递数据而产生。其信道节点间的相关特性如图1所示，对于单个信道节点的数据排队长度，在时间上由不相关特性逐渐演变到长程相关特性，其长程相关特性是信道节点间的整体涌现行为与特性。而数据累积量H随通信网络规模的增大而下降，信道节点数增多，数据从源节点要经过更多的节点才能到达目的节点，而单个信道节点的数据对通信网络整体行为的影响将降低，数据平均排队长度的整体特性更依赖于通信网络中的其他节点，使通信网络中所有信道节点的群体行为与作用更为明显。

马尔可夫模型(MarkovModels)可来描述为[5]：如果一个系统有N个状态S₁，S₂，…，S_N，随着时间的推移，该系统从某一状态转移到另一状态，系统在时间t的状态记为q_t。系统在时间t处于状态s_j(1≤j≤N)的概率取决于其在时间1，2，…，t-1的状态。该概率为：

p(q_t＝s_j|q_t-1＝s_i，q_t-2＝s_k，…)          (5)

若系统在时间t的状态只与其在时间t-1的状态相关，则该系统构成一个离散的一阶马尔柯夫链，又称为齐次马氏链。

p(q_t＝s_j|q_t-1＝s_i，q_t-2＝s_k，…)＝p(q_t＝s_j|q_k-1＝s_i)       (6)

若(6)式是独立于时间t的随机过程，即状态于时间无关，则称为马尔可夫过程。

采用Maximum Likelihood(ML)路径预测算法，建立HMM模型[7]，用模型五元组λ＝(N，M，π，A，B)来描述，其中，N为状态数目；M表示每个状态可能的观察值数目；A为与时间无关的状态转移概率矩阵；B为给定状态症观察值概率分布；π为初始状态空间的概率分布。

当给定模型λ＝(N，M，π，A，B)时，观察序列O＝O₁，O₂，…，O_r由以下步骤产生：

(1)根据初始状态概率分布π＝π_i选择一初始状态q₁＝s_i；

(2)设t＝1；

(3)根据状态s_j的输出概率分布b_j(k)，输出O_i＝v_k；

(4)根据状态转移概率分布a_ij转移到新状态q_t+1＝s_j；

(5)设t＝t+1，如果t＜T，重复3，4，否则结束。

本发明的有益效果是：本发明提出的算法研究了纤复杂通信技术网络信道预测问题，将复杂通信网络看作是路径预测算法产生的节点数据迭代序列形成的BANACH空间，通过路由准则算子从源数据挖掘出目的数据，将为进一步研究通信复杂网络的规律性、动态性奠定一定的基础。本发明提出的方法简洁易懂、实现方便、实用性强，为复杂通信系统领域的深入研究提供了有力支持，将推动本学科及通信技术的发展。

附图说明

图1是本发明信道节点间的相关特性；

图2是本发明模型及其观察序列(O＝O₁，O₂，…，O_r)；

图3是本发明符号空间与量化图；

图4是本发明迭代训练样本；

具体实施方式

实施例

当通信网络信道移动节点(Mobile Node)和接入路由器(Access Router)建立连接，当信道移动节点在路由器的信号区域内移动时，利用上述算法可以挖掘出一些与移动路径相关的信息，如目标定位，信号强度等。当信道节点沿某一路径移动时，所获取预测模型及观察序列为O＝O₁，O₂，…，O_r分别如图2所示

在确定观察值和符号输出概率之前，首先要把观察序列量化到符号空间当中，其观察符号空间及量化过程如图3所示。

在对模型进行训练的过程中，令MN从E点出发沿路径移动，将MN测一的距离构成观察序列，采用上述ML算法，其训练样本如图4所示。

从图4可以看出，经过三次迭代以后模型参数收敛。

总之，本发明提出的方法根据复杂通信网络内部存在着一定的幂律现象，其网络信道节点之间着存在相关特性，根据这一特性，引入一个复杂通信网络模型，把复杂通信网络看作由马尔可夫链的路由信道节点迭代序列形成的通信网络，并根据ML路径预测算法，可以很好地进行目标定位、目标跟踪、数据挖掘等。

Claims (4)

1.本发明是一种复杂通信网络信道数据路径预测算法，属于通信技术领域，其特征在于：将复杂通信网络看作是路径预测算法产生的节点数据迭代序列形成的BANACH空间，通过路由准则算子从源数据挖掘出目的数据，将为进一步研究通信复杂网络的规律性、动态性奠定一定的基础。

2.本发明所提出的算法，在复杂通信网络中数据进入信道节点后，根据一定的路由规则，信道节点之间相关行为通过彼此间相互传递数据而产生。对于单个信道节点的数据排队长度，在时间上由不相关特性逐渐演变到长程相关特性，其长程相关特性是信道节点间的整体涌现行为与特性。而数据累积量H随通信网络规模的增大而下降，信道节点数增多，数据从源节点要经过更多的节点才能到达目的节点，而单个信道节点的数据对通信网络整体行为的影响将降低，数据平均排队长度的整体特性更依赖于通信网络中的其他节点，使通信网络中所有信道节点的群体行为与作用更为明显。

3.采用Maximum Likelihood(ML)路径预测算法，建立HMM模型[7]，用模型五元组λ＝(N，M，π，A，B)来描述，其中，N为状态数目；M表示每个状态可能的观察值数目；A为与时间无关的状态转移概率矩阵；B为给定状态症观察值概率分布；π为初始状态空间的概率分布。

4.根据权利要求3所述的算法，其特征在于，当给定模型λ＝(N，M，π，A，B)时，观察序列O＝O₁，O₂，…，O_r由以下步骤产生：

(1)根据初始状态概率分布π＝π_i选择一初始状态q₁＝s_i。

(2)设t＝1。

(3)根据状态s_j的输出概率分布b_j(k)，输出O_i＝v_k。

(4)根据状态转移概率分布a_ij转移到新状态q_t+1＝s_j。

(5)设t＝t+1，如果t＜T，重复3，4，否则结束。

Images