CN103200041B - 基于历史数据的容迟容断网络节点相遇概率预测方法 - Google Patents

Abstract

一种基于历史数据的容迟容断网络节点相遇概率预测方法。本发明以提高节点容迟容断网络可用性为目标，以节点相遇历史数据为基础，解决容迟容断网络节点相遇概率预测问题。依据各节点记录的历史数据，统计并计算其中的平均相遇时长、相遇频率等和网络及节点移动环境相关的参数，将这些参数代入通过贝叶斯网络进行计算，计算节点移动参数间的依赖关系，寻找影响节点移动特性的主要因素。给出基于历史数据和影响节点移动特性的主要因素，将对节点相遇概率的预测问题转化为对特定条件的相遇过程的统计问题，从而实现对节点相遇概率进行计算。本发明引入了平滑函数和间隔时长、接触频数的加权方法，使计算结果适用于路由、分簇、分发等领域。

Description

基于历史数据的容迟容断网络节点相遇概率预测方法

技术领域

本发明涉及容迟容断网络的相遇概率预测领域，特别是涉及一种基于历史数据的节点相遇概率预测方法。

背景技术

容迟容断网络是在特定网络环境下，经常出现网络断开现象导致报文在传输过程中不能确保端到端的路径的一类网络的统称。网络的断开和连接会对网络的路由、传输成功率及可用性等方面造成较大影响。由于容迟容断网络的断开和连接对网络可用性有较大影响，因此高效、可靠的节点相遇概率预测方法对网络可靠性差、链路不稳定、资源受限的容迟容断网络而言尤其重要。

近年来，为了解决容迟容断网络环境下的节点相遇概率预测问题，研究人员从多个方面展开研究，所取得的成果主要有：

(1)以移动模型为基础的节点相遇概率预测方法：

当采用该方法时，节点记录和其它节点间的相遇信息，根据不同移动模型的特点，进行具有针对性的节点相遇概率预测。在随机移动模型中，节点相遇频率服从幂律分布，通过节点相遇频率进行预测；在基于社区的移动模型中，每个节点均隶属于某个社区，相同社区内的节点具有较高的相遇概率，通过节点所属社区及向目标节点所在社区转移的概率进行相遇概率预测。

(2)以节点移动轨迹为基础的节点相遇概率预测方法：

当采用该方法时，节点需要获得自身和目标节点的位置、速度及移动方向。根据节点的位置和移动轨迹，结合节点移动特点，使用几何的方法计算两个节点未来进入彼此通信半径的概率，从而进行节点相遇概率预测。该方法多用于车载网络等可以随时定位，移动方向明确的网络形态中。

(3)以地理信息为基础的节点相遇概率预测方法：

当采用该方法时，节点需要获得自身和目标节点所处的地理位置信息，并结合双方当前的移动方向和移动速度，结合两个节点的目的地址，计算两者未来进入彼此通信半径的概率。该方法对节点移动轨迹要求较少，但要求节点提供移动的目标地址。

根据所需信息不同，可将(1)归纳为不需要节点位置信息的方法，而(2)和(3)则属于需要节点位置信息的方法。以上三种方法所需要的信息，在实际应用场景中都存在限制。方法(1)中，对于不同的网络环境，通常具有不同的移动模型，而目前在大多数场景中的移动模型较为粗略，移动所采用的也多为生成的实验数据。方法(2)中，在容迟容断网络分布式的环境下，通常无法获得目的节点的位置和移动轨迹，而方法(3)中，在目前绝大多数容迟容断网络场景中，均无法获得节点的目的地址。以上因素都制约了容迟容断网络中相遇概率预测方法在实际应用中的难度。

在各种容迟容断网络环境中，节点相遇的历史数据可以较为容易的通过分布式的方式获取。通过挖掘节点相遇历史数据，利用隐含的节点相遇知识，可以在不需要额外信息的情况下对节点的相遇概率进行预测，从而提高网络中路由协议、分簇方法、分发方法的有效性和可靠性，进一步提高容迟容断网络的可用性。因此，充分利用节点相遇历史数据进行节点相遇概率预测，对提高容迟容断网络可用性具有非常重要的意义。

发明内容

本发明以提高节点容迟容断网络可用性为目标，以节点相遇历史数据为基础，解决容迟容断网络节点相遇概率预测问题。具体包括：

1.依据各节点记录的历史数据，统计并计算其中的平均相遇时长、相遇频率等和网络及节点移动环境相关的参数，将这些参数代入通过贝叶斯网络进行计算，计算节点移动参数间的依赖关系，寻找影响节点移动特性的主要因素。

2.给出基于历史数据和影响节点移动特性的主要因素，将对节点相遇概率的预测问题转化为对特定条件的相遇过程的统计问题，从而实现对节点相遇概率进行计算。为了使计算结果适用于路由、分簇、分发等领域，本发明引入了平滑函数和间隔时长、接触频数的加权方法。

与现有技术相比，本发明的创新之处在于：以节点相遇历史数据为基础，适用于不同的容迟容断网络形态，并具有自适应能力。具体体现在：

1.以节点相遇历史数据为基础，在各种容迟容断网络的环境中各节点都可以分布式记录其它节点的相连和断开信息，所需要的信息和其它方法相比容易获得。

2.在相遇历史数据的使用过程中，不依赖节点的先验知识，在不同的网络环境中不需要调整网络环境相关参数，使本发明具有自适应能力。

附图说明

图1基于历史数据的节点相遇概率预测体系结构

图2贝叶斯网络拓扑结构示意图

图3时间符号含义示意图

图4相遇概率预测方法流程

具体实施方式

参阅图1，依据各节点记录的历史数据，统计并计算其中的平均相遇时长、相遇频率等和网络及节点移动环境相关的参数，将这些参数代入通过贝叶斯网络进行计算，计算节点移动参数间的依赖关系，寻找影响节点移动特性的主要因素。给出基于历史数据和影响节点移动特性的主要因素，将对节点相遇概率的预测问题转化为对特定条件的相遇过程的统计问题，从而实现对节点相遇概率进行计算。本发明引入了平滑函数和间隔时长、接触频数的加权方法，使计算结果适用于路由、分簇、分发等领域。相遇概率预测方法的流程参阅图4，实际实施中主要包含三个阶段进行实施。

1.贝叶斯网络的构建

节点相遇知识是指容迟容断网络中任意两节点间存在的两节点在过去一段时间内的相遇情况的特征，包括节点接触频率、平均接触时长、平均接触时间间隔等。这些参数中有些参数代表受节点影响的主要因素，有些则受其它因素影响。为了得到影响节点相遇的主要因素，通过构建贝叶斯网络对节点间相遇情况的特征进行学习。贝叶斯网络的构建主要包括数据收集、数据离散化分析以及创建贝叶斯网络。

在数据收集阶段是指各节点在和其它节点相遇或失去连接时进行记录。对于收集的原始记录，可以通过简单的计算获得其中的主要参数，包括节点接触频率、平均接触时长、平均接触时间间隔等。

对于收集的历史数据和从中获得的参数，需要经过离散化分析。对历史数据进行离散化分析是指对测量、记录和计算后的关于节点相遇信息的离散化处理操作。贝叶斯网络中要求所有的变量必须是离散的，因此要对结合具体特征进行离散化处理。离散化分析过程主要是结合具体应用需求和变量取值范围，将变量划分为不同的等级。以接触频率为例，首先需要确定可能有几种取值，结合具体的接触频率结果值，以固定的差额划分出不同的离散值大小。

贝叶斯网络是一种表示变量之间依赖关系的有向无循环图模型。网络结构中的节点表示参数变量，节点之间的有向弧表示节点之间的依赖关系。有向弧连接的两个节点表示它们之间的父子关系，即弧线箭头的节点依赖于前面的节点。利用统计得到的历史数据构建贝叶斯网络模型分为两个过程：结构学习和参数学习。结构学习用来确定基本的贝叶斯网络结构，通过该网络结构可以得到变量之间的依赖关系，而参数学习则是基于得到的网络结构进行计算得到其中的条件概率值。构建贝叶斯网络模型的主要过程如下：

1)节点相遇知识特征参数作为贝叶斯网络中的节点；

2)贝叶斯网络中的有向箭头表示性能参数之间的依赖关系；

3)对历史数据进行结构学习，利用结构学习算法得到贝叶斯网络结构图；

结构学习过程中采用基于搜索评分的方法，就是对每种结构进行评分最后选择得分最高的网络结构。采用经典的K2算法，它要求先确定网络中节点变量的次序然后基于结构搜索并且打分，它的结构打分函数为

$P(B_s,D)=C\underset{i=1}{\overset{n}{\Π}}max\{\[\underset{j=1}{\overset{q_j}{\Π}}\frac{(r_i-1)!}{(N_{ij}+r_i-1)!}\underset{k=1}{\overset{n}{\Π}}{N}_{ijk}!\]\}$

式中B_s表示网络结构，D表示实例数据，C为常数，节点变量的数目为n，r_i表示节点x_i可能取值的数目；N_ij表示节点x_i对应父节点x_j的总数目；N_ijk则表示节点x_i在对应父节点x_j取值为k的总数目；q_j表示节点x_j可能的父节点数目。由于在K2算法中，节点的顺序是确定的，因此一个节点的父节点只存在于排在这个节点前面的节点集合中，这样就确定了不同节点的父节点集合可独立地进行计算，同时降低了构建贝叶斯网络的复杂性。结构打分函数用来对所有可能的网络结构进行打分，最后分数最高的网络结构为得到的最优解。在K2算法中结构搜索过程采用局部搜索的爬山算法选择父节点。通过不断为每个节点增加父节点来增加局部结构的评分。直到为每一个节点找到分值最高的父节点集后搜索停止。但是始终要求在最大化每个节点父节点集的同时满足初始假定的节点顺序。

通过结构学习过程，可以构建出一个基于容迟容断网络相遇历史知识的贝叶斯网络，如图2所示。从图中可以看出接触频率是各节点相遇参数的主要影响因素，因此本发明通过节点的相遇频率进行相遇概率预测。

2.相遇概率的计算

对相对概率的预测，是指在两个节点处在没有接触的情况下，根据节点的历史数据信息及所处网络环境对两节点在未来一段时间内相遇的概率进行预测。

相遇概率预测中需要涉及到多个时间相关的概念，如附图3所示。图中表示了两个节点在连续两次相遇之间的时间。图下方的虚线代表时间轴，从左至右代表时间的推移。图中的方框部分代表该时间段两节点相遇，虚线部分代表该时间段两节点分离。图中标出了现在时刻所处的位置。其中T_f为预测的时间长度，即在未来T_f时间内是否会有新的接触；T_l为两节点从上次接触到现在的时间间隔；I_C为两节点从上次接触到下次实际接触时间的时间间隔。

预测两个节点是否会在未来的某段时间T_f内相遇，就是预测目前两节点在最近接触后T_l时间时，再等待T_f时间内两节点是否会有新的接触。即当前所处接触间隔的长度I_C是否比T_f+T_l要短。T_f和T_l都是已知量，故整个问题转化为对间隔长度I_C的估计。

对于具有社会属性的节点，两个节点间的相遇服从一定规律性：曾经相遇较多的节点再次相遇的概率较大，节点相互接触的间隔也具有一定的规律性。因此可认为两节点间相遇概率预测服从同一个概率分布。可以通过对两节点历史接触频率的统计预测节点的相遇的概率。

由于目前已经等待了T_l的时间，故I_C＞T_l。所以：

P代表概率，T_l表示距上次节点相遇的时间，T_f表示需要预测的时长，I_c为两节点从上次接触到下次实际接触时间的时间间隔。基于贝叶斯网络的节点相遇概率知识学习，可知节点接触频率为相遇的主要因素，应当尽量将上面的公式向节点接触频率的主要因素转化。综合以上公式可得：

P＝f(T_l＜I＜T_f+T_l)/f(T_l＜I)

上式中P为节点相遇概率，f为事件发生的频率，I表示时间间隔长度，T_l表示距上次节点相遇的时间，T_f表示需要预测的时长。在这个场景中，频率可通过统计历史数据获得。可利用历史数据中的相遇频率对两节点未来的相遇概率进行初步预测。

3.后期处理

为了使预测的相遇概率适用于路由、分簇、分发等领域，通过频率的比值初步获得相遇概率后，需要通过进行进一步处理使符合实际应用领域。

引入正态分布作为平滑函数，每一个间隔长度都会对时间前后的某段时间区间内产生影响，将这个经过平滑后的概率分布记为F(x)。在这个函数的基础上，对节点的相遇概率进行进一步的分析，可知：

其中，P_future是两节点在未来某段时间发生接触的概率；P_able是两节点会发生接触的概率；P_future|able是两节点在未来某段时间发生接触或两节点会发生接触的概率。其中，P_future|able对于这个概率，可以通过构造一个具有该性质函数，来粗略表示其相对大小。对于现在所处的时间间隔T₀，在未来T_f时间内发生接触的概率可记为：

$P_o\left(t_0\right)={\∫}_{t_0}^{t_f}F\left(x\right)/{\∫}_0^{\mathrm{\∞}}F\left(x\right)$

其中P_o为初步计算的相遇概率，F(x)为经正态分布平滑的分布函数。这个函数可以使得在历史中多次出现的时间间隔附近再次发生接触的可能性较大。

除了要体现在历史中多次出现的时间间隔附近再次发生接触的可能性较大外，还需要体现时间间隔越短相遇概率越大。在时间加权标记为真时(默认为真)，通过时间加权的方法修正所得到的相遇概率。这里采用了下面的公式对函数的这种趋势进行拟合：

$W_t\left(t_0\right)={\∫}_0^{t_0}F\left(x\right)/{\∫}_0^{\mathrm{\∞}}F\left(x\right)$

其中W_t为间隔时长加权函数，F(x)为经正态分布平滑的分布函数，t₀为函数参数，表示预测时的节点分离的时长。此函数单调递减且较为平滑，而且根据历史接触情况的不同具有较好的自适应性。

对于以上两个构造的函数，由于均可能存在为0的异常值，为了防止异常值对函数总体的影响，将二者综合考虑，可以构造以下公式：

P_future|able＝(W_t+C₁)·(P_o+C₂)

其中C₁和C₂为两个较小的正数，使得当任何一个函数出现异常值0的时候可以得到一个非0的结果。

经过平滑处理，可以获得了两节点相遇概率随节点在时间序列上的分布。但是不同的节点对之间的熟识程度不同，接触频率也不同，仅通过相遇概率在时间序列上的分布仅能对自身的相遇概率进行纵向对比。为了使不同节点对之间可以横向对比，二者的相遇概率需要放在同一平台。

只要求出两节点会再次发生接触的概率，就可以代入公式求出两节点未来发生接触的概率。在频数加权标记为真时(默认为真)，通过频数加权的方法修正所得到的相遇概率。这里可用的条件主要是两节点接触的次数，考虑的节点相遇次数服从指数分布，可以用指数分布对两节点再次发生接触的概率进行预测。

$W_f\left(x\right)=\left\{\begin{array}{c}1-e^{-\mathrm{\&lambda;}x}x,\&GreaterEqual;\\ 0,x<0\end{array}\right.$

其中W_f为接触频率加权函数，其中x为两节点接触频率，λ为平均相遇频率均值参数，预设为50。

综上所述，相遇概率的预测公式为：

P＝W_f(x,λ)·(W_t+C₁)·(P_o+C₂)

其中P为最终计算得到的相遇概率的预测值，W_f为接触频率加权函数，W_t为间隔时长加权函数，P_o为初步计算的相遇概率，其中C₁和C₂为取较小正值的常数。

Claims (1)

1.一种基于历史数据的容迟容断网络节点相遇概率预测方法，包含构建贝叶斯网络、相遇概率的计算及后期处理步骤,其特征在于：

各节点分别记录和其它节点相遇和失去连接的时间，这些记录被作为历史数据存储起来用于相遇概率的预测；在收集充足的历史数据的基础上，构建贝叶斯网络；

其中，构建贝叶斯网络包含如下步骤：

1)根据历史数据计算节点相遇描述参数，并对这些参数进行离散化处理，通过离散化将网络性能参数划分成不同的等级；

2)节点相遇描述参数作为贝叶斯网络中的节点，贝叶斯网络中的有向箭头表示性能参数之间的依赖关系；

3)利用历史数据进行结构学习，结构学习采用基于搜索打分的K2算法，它的结构打分函数为：

$P(B_s,D)=C\underset{i=1}{\overset{n}{\&Pi;}}max\{\&lsqb;\underset{j=1}{\overset{q_j}{\&Pi;}}\frac{(r_i-1)!}{(N_{ij}+r_i-1)!}\underset{k=1}{\overset{n}{\&Pi;}}{N}_{ijk}!\&rsqb;\}$

式中B_s表示网络结构，D表示实例数据，C为常数，节点变量的数目为n，r_i表示节点x_i可能取值的数目；N_ij表示节点x_i对应父节点x_j的总数目；N_ijk则表示节点x_i在对应父节点x_j取值为k的总数目；q_j表示节点x_j可能的父节点数目；通过结构学习过程，构建出一个基于容迟容断网络相遇历史知识的贝叶斯网络；

根据构建的贝叶斯网络，通过下面公式对相遇概率进行计算：

P＝f(T_l＜I＜T_f+T_l)/f(T_l＜I)

上式中P为节点相遇概率，f为事件发生的频率，I表示时间间隔长度，T_l表示距上次节点相遇的时间，T_f表示需要预测的时长；

后期处理包括预测函数平滑处理、间隔时长加权及接触频率加权，其中采用正态分布函数作为概率分布的平滑函数，采用如下公式作为平滑后相遇概率计算公式：

$P_o\left(t_0\right)={\&Integral;}_{t_0}^{t_f}F\left(x\right)/{\&Integral;}_0^{\mathrm{\&infin;}}F\left(x\right)$

其中P_o为初步计算的相遇概率，F(x)为经正态分布平滑的分布函数,t₀为函数参数，表示预测时的节点分离的时长,t_f为预测的时间长度；

采用如下公式作为间隔时长加权函数：

$W_t\left(t_0\right)={\&Integral;}_0^{t_0}F\left(x\right)/{\&Integral;}_0^{\mathrm{\&infin;}}F\left(x\right)$

其中W_t为间隔时长加权函数，F(x)为经正态分布平滑的分布函数，t₀为函数参数，表示预测时的节点分离的时长；

采用如下公式作为两节点间接触频率加权函数：

$W_f\left(x\right)=\left\{\begin{array}{cc}1-e^{-\mathrm{\&lambda;}x},& x\&GreaterEqual;0\\ 0,& x<0\end{array}\right.$

其中W_f为接触频率加权函数，其中x为两节点接触频率，λ为平均相遇频率均值参数，预设为50；

采用如下公式作为最终相遇概率预测公式：

P＝W_f(x,λ)·(W_t+C₁)·(P_o+C₂)

其中W_f为接触频率加权函数，W_t为间隔时长加权函数，P_o为初步计算的相遇概率，C₁和C₂为常数参数。