CN104378229A - 一种机会网络的链路预测方法 - Google Patents

Abstract

本发明公开了一种机会网络的链路预测方法，首先对所有可能的节点对进行分类，分成周期性相遇的节点对集合、频繁非周期性相遇的节点对集合以及非频繁相遇的节点对集合；然后在每个不同的节点对集合上使用不同的方法进行链路预测，使用周期模式挖掘的方法预测周期性相遇的节点对集合，使用J48决策树方法预测频繁非周期性相遇的节点对集合，使用复杂网络中的Adamic-Adar算法预测非频繁相遇的节点对集合。通过上述方式，本发明解决了单一的链路预测方法适用范围受限的问题，能够提高机会网络链路预测的精度和召回率，从而提高机会网络的消息投递效率和容量。

Description

一种机会网络的链路预测方法

技术领域

本发明涉及网络技术领域，特别是涉及一种机会网络的链路预测方法。 

背景技术

1、所属技术领域发展历程 

机会网络是一种由移动自组织网络发展而来的新型网络架构，它能够在分割的网络条件下利用节点移动带来的相遇机会实现报文的逐跳转发，并最终投递到目的节点。相遇概念是指节点之间发生的一次联系：当节点进入彼此的通信范围之内（比如Wi-Fi或者蓝牙协议的点到点通信距离内）时，则建立链接，发生通信，当两者离开彼此通信范围时，则链路断开，停止通信。由于节点的移动性，机会网络中的相遇是机会性的，而非确定性的，不存在可靠的端到端通信路径。

如图1-图3所示，机会网络采用“存储-携带-转发”的工作模式进行多跳的消息投递，若当前节点没有遇到通往目标节点的下一跳节点时，就缓存消息，并随节点的移动寻找合适的转发机会。如图1中t₁时刻，不存在源节点S到目的节点D的直接路径，节点S将消息转发给节点3，由其存储携带，到了图2中的t₂时刻，消息又转发给了节点4，直到图3中的t₃时刻，节点4和目的节点D运动到了同一连通区域，就将消息成功转发。 

利用机会网络架构，可以不依赖基础设施或者仅需要少量的基础设施在偏远高速公路、城市交通、移动社交等场景下实现消息投递、内容分发、资源共享等功能。但它们的性能和用户体验很大程度上依赖于机会网络所能提供的网络传输服务。现有的机会网络仍存在一些问题：(1) 消息投递的成功率不高，超过生命期或者缓存溢出都会导致消息在投递过程中被丢弃，投递成功率一般在50%；(2) 消息投递延迟较高，由于网络动态性导致存储携带的盲目性较大，可能需要数小时或者数天才能成功投递消息；(3) 多个副本在网络中存储并转发，这必然会占用大量的存储并且导致高能量消耗；(4) 由于网络缺乏实时性，网络服务是否可达，服务等待时间也无法预知，显著降低了用户体验。 

解决以上问题的关键在于把握单个节点、邻接节点以及整个网络拓扑的动态变化规律，通过预测的方法来缓解网络动态性带来的难题。 

2、现有技术情况 

机会网络中现有的预测方法可以分为基于上下文的、基于移动模型的和基于社会关系的预测。多数早期的机会网络路由方法都使用诸如历史相遇次数或者持续时间等指标作为转发效用，转发效用更高的节点优先被选作转发节点。这些方法过于简单而无法发现更有价值的相遇规律。基于移动模型的预测方法建模描述人类移动的时空属性，并据此预测消息转发的效用。大多数使用社会关系预测方法都需要从在线的社交网络应用中导入或者通过手工配置的方法得到社会关系属性，也有一些预测方法可以自动检测社会关系属性，然后利用这些社会关系属性作为消息转发的效用。现有的这些基于转发效用的链路预测方法都只能处理一部分的节点对之间的链路预测问题，对于相遇模式差异很大的整个机会网络来说，单一的链路预测方法难以实现整体的性能最优。

以东南大学校园内的Wi-Fi跟踪数据集为例，当两个节点同时关联到一个Wi-Fi接入点的时候，认为两个节点有一次相遇。统计结果显示，在所有可能的节点对之间，有相遇记录的节点对比例随着时间增加，最终经过一周的测量，有35%的节点对相遇过，而在相遇过的节点中，有22%的节点对呈现周期性规律，78%的节点对相遇记录没有周期性。显然对于周期性的节点对、非周期性的节点对以及未曾相遇过的节点对的未来相遇情况的预测是不同的问题，现有的单一的预测方法不能处理所有的预测问题，现有方法也没有探讨如何划分不同类型的节点对集合，以及在每个节点对集合上如何选择最优的预测方法。 

发明内容

本发明主要解决的技术问题是：针对现有技术的不足，提供一种机会网络的链路预测方法，能够提高机会网络链路预测的精度和召回率，从而提高机会网络的消息投递效率和容量。 

为解决上述技术问题，本发明采用的一个技术方案是：提供一种机会网络的链路预测方法，包括以下步骤： 

（100）时间片划分：将节点集合上发生的相遇记录按照长度划分成一系列等长的时间片，每个时间片上根据相遇记录得到一个矩阵；

（200）预处理：中心服务器通过移动通信网络连接获取机会网络中所有节点之间的相遇记录，然后使用周期模式挖掘方法在相遇记录集合中筛选出周期性相遇的节点对集合，最后对剩下的节点对集合基于相遇频率阈值进行分类，分成频繁非周期性相遇的节点对集合与非频繁相遇的节点对集合；

（300）在线预测：分别使用周期模式挖掘的方法预测周期性相遇的节点对集合，使用决策树方法预测频繁非周期性相遇的节点对集合，使用复杂网络的方法预测非频繁相遇的节点对集合。

在本发明一个较佳实施例中，所述步骤（300）中的决策树方法为J48决策树方法。 

在本发明一个较佳实施例中，所述步骤（300）中的复杂网络的方法为Adamic-Adar算法。 

在本发明一个较佳实施例中，所述步骤（300）中的周期模式挖掘的方法包括： 

（a）设P_ij表示节点对(i , j) ，Sp(P_ij)表示节点对P_ij在时间片序列上周期相遇的时间片集合，即： 

 且                           (1)

其中，p表示周期长度；

（b）设n 表示Sp(P_ij)中周期重复的次数，即： 

                                    (2)

（c）然后t_end+p就是下一个周期点，S(P_ij)上周期重复次数称为预测t_end+p的周期支持度，一个节点对上可能有多个不同周期长度的周期模式，如果存在一个周期模式S(P_ij)使得t_end+p对应到带预测时间片t_x+1, 就预测会相遇，否则预测不相遇。

本发明的有益效果是：通过对所有可能的节点对进行分类，并在每个不同的节点对集合上使用不同的方法进行链路预测，可以处理机会网络中周期性、频繁非周期性、非频繁相遇等多种相遇模式的节点对，解决了单一的链路预测方法适用范围受限的问题；不仅提高了机会网络链路预测的精度（即在给定时间段上预测相遇的节点对中实际也相遇的比例），也提高了链路预测的召回率（即在给定时间段上全网内实际相遇的节点对中被预测到的比例）；较高的链路预测精度对应更高的机会网络消息投递效率（因为只有预测对的节点对上的消息投递才是有效的）；较高的召回率对应机会网络消息投递容量（因为只有被预测到的节点对才被赋予消息投递任务）。因此，本发明可以提高机会网络的消息投递效率和容量。 

附图说明

图1是现有技术中机会网络t₁时刻的消息存储图； 

图2是现有技术中机会网络t₂时刻的消息携带图；

图3是现有技术中机会网络t₃时刻的消息转发图；

图4是本发明一种机会网络的链路预测方法一较佳实施例的框架图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。 

请参阅图4，本发明实施例包括： 

一种机会网络的链路预测方法，包括以下步骤：

（100）时间片划分

首先用N表示节点集合，节点集合上发生的相遇记录按照长度T划分成一系列等长的时间片。每个时间片上根据相遇记录得到一个N × N的矩阵Et：如果在时间段[t, t +T]上节点i和j有超过一次的相遇，则矩阵元素Et_ij=1。链路预测就是根据时间片矩阵系列(Et₀, Et₁… Et_i)预测Et_i+1；

（200）预处理

中心服务器通过移动通信网络连接获取机会网络中所有节点之间的相遇记录，然后使用周期模式挖掘方法在相遇记录集合中筛选出周期性相遇的节点对集合，最后对剩下的节点对集合基于相遇频率阈值进行分类，分成频繁非周期性相遇的节点对集合与非频繁相遇的节点对集合；

（300）在线预测

分别使用周期模式挖掘的方法预测周期性相遇的节点对集合，使用现有的J48决策树方法预测频繁非周期性相遇的节点对集合，使用复杂网络中现有的Adamic-Adar算法预测非频繁相遇的节点对集合。

其中，周期模式挖掘的方法包括： 

（a）设P_ij表示节点对(i , j) ，Sp(P_ij)表示节点对P_ij在时间片序列上周期相遇的时间片集合，即： 

 且                      (1)

其中，p表示周期长度；

（b）设n 表示Sp(P_ij)中周期重复的次数，即： 

                                  (2)

（c）然后t_end+p就是下一个周期点，S(P_ij)上周期重复次数称为预测t_end+p的周期支持度，一个节点对上可能有多个不同周期长度的周期模式；如果存在一个周期模式S(P_ij)使得t_end+p对应到带预测时间片t_x+1, 就预测会相遇，否则预测不相遇。

本发明揭示了一种机会网络的链路预测方法，通过对所有可能的节点对进行分类，并在每个不同的节点对集合上使用不同的方法进行链路预测，可以处理机会网络中周期性、频繁非周期性、非频繁相遇等多种相遇模式的节点对，解决了单一的链路预测方法适用范围受限的问题；不仅提高了机会网络链路预测的精度，也提高了链路预测的召回率；较高的链路预测精度对应更高的机会网络消息投递效率，较高的召回率对应机会网络消息投递容量。因此，本发明可以提高机会网络的消息投递效率和容量。 

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。 

Claims (4)

1.一种机会网络的链路预测方法，其特征在于，包括以下步骤：

（100）时间片划分：将节点集合上发生的相遇记录按照长度划分成一系列等长的时间片，每个时间片上根据相遇记录得到一个矩阵；

（200）预处理：中心服务器通过移动通信网络连接获取机会网络中所有节点之间的相遇记录，然后使用周期模式挖掘方法在相遇记录集合中筛选出周期性相遇的节点对集合，最后对剩下的节点对集合基于相遇频率阈值进行分类，分成频繁非周期性相遇的节点对集合与非频繁相遇的节点对集合；

（300）在线预测：分别使用周期模式挖掘的方法预测周期性相遇的节点对集合，使用决策树方法预测频繁非周期性相遇的节点对集合，使用复杂网络的方法预测非频繁相遇的节点对集合。

2.根据权利要求1所述的一种机会网络的链路预测方法，其特征在于，所述步骤（300）中的决策树方法为J48决策树方法。

3.根据权利要求1所述的一种机会网络的链路预测方法，其特征在于，所述步骤（300）中的复杂网络的方法为Adamic-Adar算法。

4.根据权利要求1所述的一种机会网络的链路预测方法，其特征在于，所述步骤（300）中的周期模式挖掘的方法包括：

（a）设P_ij表示节点对(i , j) ，Sp(P_ij)表示节点对P_ij在时间片序列上周期相遇的时间片集合，即： 

 且                    (1)

其中，p表示周期长度；

（b）设n 表示Sp(P_ij)中周期重复的次数，即： 

                             (2)

（c）然后t_end+p就是下一个周期点，S(P_ij)上周期重复次数称为预测t_end+p的周期支持度，一个节点对上可能有多个不同周期长度的周期模式，如果存在一个周期模式S(P_ij)使得t_end+p对应到带预测时间片t_x+1, 就预测会相遇，否则预测不相遇。