CN104703195A - 一种移动自组网路由节点行为预测方法 - Google Patents
一种移动自组网路由节点行为预测方法 Download PDFInfo
- Publication number
- CN104703195A CN104703195A CN201510082464.6A CN201510082464A CN104703195A CN 104703195 A CN104703195 A CN 104703195A CN 201510082464 A CN201510082464 A CN 201510082464A CN 104703195 A CN104703195 A CN 104703195A
- Authority
- CN
- China
- Prior art keywords
- node
- routing
- relation
- nodes
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明给出一种移动自组网路由节点行为预测方法,该方法首先选择合适的移动自组路由属性,设置模糊邻近关系,然后根据此原则对记录进行分类,最后使用贝叶斯分类器进行预测,评估路由节点的行为。本发明的目的是提供一种移动自组网路由节点行为预测方法,解决移动自组网路由节点行为预测问题,建立一种基于贝叶斯的预测方法,通过现有的数据分析,对移动自组网路由节点行为进行预测,提高移动自组网的运行效率。
Description
技术领域
本发明涉及移动自组网路由节点行为预测问题,利用贝叶斯预测模型来预测移动自组网节点之间隐藏的联系,属于计算机技术、信息网络、数据挖掘交叉技术应用领域。
背景技术
移动自组网的路由协议被用于建立节点之间的通信,并以较少的开销和计算控制路由消息的交换。路由节点及其属性对于确定的移动自组网的整体性能至关重要。在移动自组网中,每个节点维护路由,协助路由的过程,但在网络的拓扑结构和模糊性的路由信息存在不确定性,信息可能会影响移动自组网的性能。在移动自组网中,每个节点的路由信息表示有关路由节点的信息,它常常在其列由路由属性而行由节点标记的一个表中显示。移动自组网节点不能被唯一地识别,原因是这些节点的行为或缺乏足够的信息。因此,我们需要更多的路由细节信息,以查找更好的有关路由节点。
贝叶斯预测模型是运用贝叶斯统计进行的一种预测。贝叶斯统计不同于一般的统计方法,其不仅利用模型信息和数据信息,而且充分利用先验信息。朴素贝叶斯分类器(NBC)发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。同时,NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单。理论上,NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此,这是因为NBC模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的,这给NBC模型的正确分类带来了一定影响。解决这个问题的方法一般是建立一个属性模型,对于不相互独立的属性,把他们单独处理。本发明使用贝叶斯预测模型,通过使用贝叶斯分类器来预测移动自组网路由节点行为,以推进移动自组网的应用。
发明内容
技术问题:本发明的目的是提供一种移动自组网路由节点行为预测方法,解决移动自组网路由节点行为预测问题,建立一种基于贝叶斯的预测方法,通过现有的数据分析,对移动
自组网路由节点行为进行预测,提高移动自组网的运行效率。
技术方案:本发明所述的移动自组网路由节点行为预测方法包含如下过程:首先选择合适的移动自组路由属性,设置模糊邻近关系,然后根据此原则对记录进行分类,最后使用贝叶斯器进行预测,评估路由节点的行为。
本发明所述移动自组网路由节点行为预测方法包括以下步骤:
步骤1)建立路由信息关系,具体步骤如下:
步骤11)记录移动自组网中节点的属性和功能,建立路由信息关系。所述的路由信息关系由行数据表示节点,列数据表示节点的属性所构成的路由数据的表格表示。路由信息关系由非空有限路由节点集合,非空有限路由属性集合,路由属性值和路由信息功能四部分构成。
步骤12)根据用户指定的相似比计算公式,用节点属性值计算节点之间是否是模糊邻近关系。所述的模糊邻近关系是指用两个节点属性值之间的相似比来表示路由信息关系中节点不能被属性值明确区分的关系。所述相似比计算公式是由用户根据移动自组网不同的应用确定。
步骤13)根据节点的模糊邻近关系来确定有相同顺序的属性值,并且用节点的属性值对所建立路由信息关系进行排序。
步骤2)对路由信息关系进行分类,具体步骤如下:
步骤21)计算移动自组网每个节点的模糊邻近关系。
步骤211)如果集合中第一个节点和第二个节点之间的关系为模糊邻近关系,则将第一个元素放置在集合C1中。
步骤212)如果集合中第一个节点和第二个节点之间的关系与第二个节点和第三个节点之间的关系为模糊邻近关系,则将第一个、第二个节点放置在集合C2中。
步骤213)如果集合中第一个节点和第二个节点之间的关系与第二个节点和第三个节点之间的关系和第三个节点和第四个节点之间的关系为模糊邻近关系,则将第一个、第二个、第三个元素放置在集合C3中。
步骤214)其他元素依据步骤211)-步骤213)依次进行。
步骤22)设置集合Ra1,所述的Ra1={C1,C2,C3...Cn},其中n为集合个数。
步骤3)用户为移动自组网路由属性提供优先级规则,根据所设置的移动自组网路由属性的优先级规则对Ra1中的元素进行优先级排序。所述的优先级规则就是为每个属性设置不同的加权指数,优先级越高,加权指数越高。
步骤4)根据用户提供的已有路由节点信息发送成功和失败信息,统计已有路由节点之间是否有链路故障,依次取得两个路由节点,确定路由节点之间的链路关系,当这两个路由节点之间有链路故障,标记这两个路由节点之间的链路关系是不连通;当这两个路由节点之间没有链路故障,标记这两个路由节点之间的链路关系是连通。所述的链路故障分为物理链路故障和逻辑链路故障,就是指在源节点转发数据包时,目的节点超过源节点的通信范围,而造成的节点之间接收不到消息。
步骤5)将Ra1选取训练数据,利用贝叶斯分类器,统计在Ra1中各个元素集合Ci下不同节点之间链路关系的条件概率值,i为序号,所述贝叶斯分类器是指通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类。所述的训练数据是指用于构建模型的数据。具体步骤如下:
步骤6)根据不同节点之间链路关系的条件概率值确定节点之间的行为是否是相似关系,当两个节点之间互相的条件概率值相同,则认为两个节点行为是相似的,当两个节点之间互相链路关系的的条件概率值不相同节点,则认为两个节点行为是不同的。
步骤7)用户根据节点之间行为的相似性,利用行为已知的路由节点预测所有具有相似行为的路由节点的行为。
有益效果:本发明提出一种移动自组网路由节点行为预测方法,具体有益效果如下:
1)本发明通过分析已有数据,能够预测移动自组网路由节点行为未来可能发生的情况。
2)本发明提供提供一个贝叶斯预测模型,能够将实际数据转化为数学化的模型形式。
3)本发明能够构建移动自组网的有效路由模式。
附图说明
图1是移动自组网路由节点行为预测方法流程。
具体实施方式
下面对本发明使用贝叶斯来预测移动自组网路由节点行为的方法的某些实施例作更详细的描述。
根据附图1,具体实施方式为:
步骤1)建立有序的路由信息关系
步骤11)建立路由信息关系。所述的路由信息关系是指行数据表示节点,列数据表示节点的属性所构成的路由数据的表格。路由信息关系由非空有限路由节点集合U,非空有限路由属性集合A,路由属性值Va和路由信息功能FA四部分构成,表示为RIS=(U;A;Va;FA)。
步骤12)用节点属性值(a1,a2,a3,a4,a5)计算节点之间的邻近关系。所述的邻近关系是指用两个节点属性值之间的相似比来表示路由信息关系中节点不能被属性值的明确区分的关系。a1,a2,a3,a4,a5,分别为路由请求,路由答复,分组丢弃,控制分组和速度节点(米/秒)
步骤121)设U是节点的集合,U上的模糊关系的模糊子集为(U,XU)。
步骤122)设U上的模糊关系R被认为是一个模糊的邻近关系,μR(n1,n1)=1,μR(n1,n2)=μR(n2,n1),n2∈U。
步骤123)设R是U上的一个模糊关系,给出一个关系值α∈[0,1],如果(n1,n2)∈Rα,就认为两个节点n1和n2是α-相似于R。
步骤124)设R是U上的一个模糊关系,给出一个关系值α∈[0,1],如果n1和n2是α-相似于R或者n1传递性的α-相似于n2,就说n1和n2是α-相同于R。
步骤125)通过公式来计算邻近关系
步骤13)根据节点的邻近关系来确定有相同顺序的属性值,并且用节点的属性值对所建立路由信息关系进行排序。
步骤2)对路由信息关系进行分类
步骤21)计算移动自组网10个节点(n1,n2...n10)的邻近关系。
步骤211)如果集合中第一个节点和第二个节点之间的关系为邻近关系,则将第一个元素放置在集合C1中。
步骤212)如果集合中第一个节点和第二个节点之间的关系与第二个节点和第三个节点之间的关系为邻近关系,则将第一个,第二个节点放置在集合C2中。
步骤213)如果集合中第一个节点和第二个节点之间的关系与第二个节点和第三个节点之间的关系和第三个节点和第四个节点之间的关系为邻近关系,则将第一个,第二个,第三个元素放置在集合C3中。
步骤214)其他元素依据前三步依次进行。
步骤22)设置集合Ra1,所述的Ra1={C1,C2,C3...Cn},其中n为集合个数。
步骤3)对路由属性(a1,a2,a3,a4,a5)提供优先级规则。所述的优先级规则就是为每个属性设置不同的加权指数,优先级越高,加权指数越高。引进下列优先级设置。
a1:low<medium<high<very high
a2:yes<no
a3:low<medium<high<very high
a4:less<more<high
a5:5<10<15
其中,<表示后者的优先级低于前者
步骤31)用户为移动自组网路由属性提供优先级规则,根据所设置的移动自组网路由属性的优先级规则对Ra1中的元素进行优先级排序。
步骤4)根据用户提供的已有路由节点信息发送成功和失败信息,统计已有路由节点之间是否有链路故障,依次取得两个路由节点,确定路由节点之间的链路关系,当这两个路由节点之间有链路故障,标记这两个路由节点之间的链路关系是不连通;当这两个路由节点之间没有链路故障,标记这两个路由节点之间的链路关系是连通。
步骤5)将Ra1选取训练数据,利用贝叶斯分类器,统计在Ra1中各个元素集合Ci(i为序号)下不同路由节点之间链路关系的条件概率值。所述贝叶斯分类器是指通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类。所述的训练数据是指用于构建模型的数据。
步骤51)通过以上对路由信息关系的分类,得到了一个有类别的集合,这个集合叫做训练样本集,即Ra1={C1,C2,C3...Cn}。
步骤52)统计得到在各类别下路由节点链路关系属性的条件概率估计。令属性集为x=(a1,a2,a3,a4,a5)。计算P(a1|C1),P(a2|C1),...,P(a5|C1),P(a1|C2),...,P(a5|C2),...,P(a5|C10)
步骤53)用朴素贝叶斯分类因为各个路由节点链路关系属性是条件独立,所以 计算出训练样本在节点链路关系属性值的条件概率,就可以得出路由节点行为间的不确定关系。
步骤6)根据不同节点之间链路关系的条件概率值确定节点之间的行为是否是相似关系,当两个节点之间互相的条件概率值相同,则认为两个节点行为是相似的,当两个节点之间互相链路关系的的条件概率值不相同节点,则认为两个节点行为是不同的。
步骤7)用户根据节点之间行为的相似性,利用行为已知的路由节点预测所有具有相似行为的路由节点的行为。
Claims (1)
1.一种移动自组网路由节点行为预测方法,其特征在于该方法包括以下步骤:
步骤1)建立路由信息关系,具体步骤如下:
步骤11)记录移动自组网中节点的属性和功能,建立路由信息关系;所述的路由信息关系由行数据表示节点,列数据表示节点的属性所构成的路由数据的表格表示;路由信息关系由非空有限路由节点集合,非空有限路由属性集合,路由属性值和路由信息功能四部分构成;
步骤12)根据用户指定的相似比计算公式,用节点属性值计算节点之间是否是模糊邻近关系,所述的模糊邻近关系是指用两个节点属性值之间的相似比来表示路由信息关系中节点不能被属性值明确区分的关系,所述相似比计算公式是由用户根据移动自组网不同的应用确定;
步骤13)根据节点的模糊邻近关系来确定有相同顺序的属性值,并且用节点的属性值对所建立路由信息关系进行排序;
步骤2)对路由信息关系进行分类,具体步骤如下:
步骤21)计算移动自组网每个节点的模糊邻近关系;
步骤211)如果集合中第一个节点和第二个节点之间的关系为模糊邻近关系,则将第一个元素放置在集合C1中;
步骤212)如果集合中第一个节点和第二个节点之间的关系与第二个节点和第三个节点之间的关系为模糊邻近关系,则将第一个、第二个节点放置在集合C2中;
步骤213)如果集合中第一个节点和第二个节点之间的关系与第二个节点和第三个节点之间的关系和第三个节点和第四个节点之间的关系都为模糊邻近关系,则将第一个、第二个、第三个元素放置在集合C3中;
步骤214)其他元素依据步骤211)-步骤213)依次进行;
步骤22)设置集合Ra1,所述的Ra1={C1,C2,C3...Cn},其中n为集合个数;
步骤3)用户为移动自组网路由属性提供优先级规则,根据所设置的移动自组网路由属性的优先级规则对Ra1中的元素进行优先级排序,所述的优先级规则就是为每个属性设置不同的加权指数,优先级越高,加权指数越高;
步骤4)根据用户提供的已有路由节点信息发送成功和失败信息,统计已有路由节点之间是否有链路故障,依次取得两个路由节点,确定路由节点之间的链路关系,当这两个路由节点之间有链路故障,标记这两个路由节点之间的链路关系是不连通;当这两个路由节点之间没有链路故障,标记这两个路由节点之间的链路关系是连通;所述的链路故障分为物理链路故障和逻辑链路故障,就是指在源节点转发数据包时,目的节点超过源节点的通信范围,而造成的节点之间接收不到消息;
步骤5)将Ra1选取训练数据,利用贝叶斯分类器,统计在Ra1中各个元素集合Ci下不同节点之间链路关系的条件概率值,i为序号;所述贝叶斯分类器是指通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类;所述的训练数据是指用于构建模型的数据,具体步骤如下:
步骤6)根据不同节点之间链路关系的条件概率值确定节点之间的行为是否是相似关系,当两个节点之间互相的条件概率值相同,则认为两个节点行为是相似的,当两个节点之间互相链路关系的的条件概率值不相同节点,则认为两个节点行为是不同的;
步骤7)用户根据节点之间行为的相似性,利用行为已知的路由节点预测所有具有相似行为的路由节点的行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510082464.6A CN104703195B (zh) | 2015-02-16 | 2015-02-16 | 一种移动自组网路由节点行为预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510082464.6A CN104703195B (zh) | 2015-02-16 | 2015-02-16 | 一种移动自组网路由节点行为预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104703195A true CN104703195A (zh) | 2015-06-10 |
CN104703195B CN104703195B (zh) | 2018-05-25 |
Family
ID=53349876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510082464.6A Active CN104703195B (zh) | 2015-02-16 | 2015-02-16 | 一种移动自组网路由节点行为预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104703195B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105704031A (zh) * | 2015-12-30 | 2016-06-22 | 东软集团股份有限公司 | 一种数据传输路径确定方法及装置 |
CN107710827A (zh) * | 2015-06-30 | 2018-02-16 | 三菱电机株式会社 | 推定装置及无线系统 |
WO2019134197A1 (zh) * | 2018-01-08 | 2019-07-11 | 苏州大学 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
CN111324509A (zh) * | 2020-02-18 | 2020-06-23 | 广东小天才科技有限公司 | 一种对应用沉迷的识别方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101035041A (zh) * | 2007-02-02 | 2007-09-12 | 南京邮电大学 | 基于贝叶斯方法的无线传感器网络的节点失效预警方法 |
CN103888967A (zh) * | 2014-03-07 | 2014-06-25 | 宁波大学 | 一种基于贝叶斯网络的ad-hoc网络节点可信度评估方法 |
-
2015
- 2015-02-16 CN CN201510082464.6A patent/CN104703195B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101035041A (zh) * | 2007-02-02 | 2007-09-12 | 南京邮电大学 | 基于贝叶斯方法的无线传感器网络的节点失效预警方法 |
CN103888967A (zh) * | 2014-03-07 | 2014-06-25 | 宁波大学 | 一种基于贝叶斯网络的ad-hoc网络节点可信度评估方法 |
Non-Patent Citations (2)
Title |
---|
MASSIMILIANO DE LEONI: "A Bayesian Approach for Disconnection Management", 《ENABLING TECHNOLOGIES:INFRASTRUCTURE FOR COLLABORATIVE ENTERPRISE》 * |
海本斋: "基于贝叶斯网络的上下文推荐算法", 《计算机科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107710827A (zh) * | 2015-06-30 | 2018-02-16 | 三菱电机株式会社 | 推定装置及无线系统 |
CN105704031A (zh) * | 2015-12-30 | 2016-06-22 | 东软集团股份有限公司 | 一种数据传输路径确定方法及装置 |
CN105704031B (zh) * | 2015-12-30 | 2019-05-17 | 东软集团股份有限公司 | 一种数据传输路径确定方法及装置 |
WO2019134197A1 (zh) * | 2018-01-08 | 2019-07-11 | 苏州大学 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
US11201815B2 (en) | 2018-01-08 | 2021-12-14 | Soochow University | Method and system for selecting least-loaded route based on naive Bayes classifier |
CN111324509A (zh) * | 2020-02-18 | 2020-06-23 | 广东小天才科技有限公司 | 一种对应用沉迷的识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104703195B (zh) | 2018-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bosman et al. | Spatial anomaly detection in sensor networks using neighborhood information | |
Han et al. | Joint air quality and weather prediction based on multi-adversarial spatiotemporal networks | |
Khan et al. | A study of machine learning in wireless sensor network | |
Dong et al. | Occupant behavior modeling methods for resilient building design, operation and policy at urban scale: A review | |
CN101711390B (zh) | 用于宽区域监视的有限数量传感器的合理布置的方法和系统 | |
Hodgson et al. | The speed of range shifts in fragmented landscapes | |
CN104703195A (zh) | 一种移动自组网路由节点行为预测方法 | |
Wu et al. | EdgeLSTM: Towards deep and sequential edge computing for IoT applications | |
Al Zamil et al. | False-alarm detection in the fog-based internet of connected vehicles | |
Khezerlou et al. | Forecasting gathering events through trajectory destination prediction: A dynamic hybrid model | |
Song et al. | Graph kernel based clustering algorithm in MANETs | |
Chen et al. | Understanding bike trip patterns leveraging bike sharing system open data | |
Dhamge et al. | Genetic algorithm driven ANN model for runoff estimation | |
Wu et al. | Topological effects and performance optimization in transportation continuous network design | |
CN104809205B (zh) | 一种在线河网时空异常事件检测方法 | |
Li et al. | Extracting semantic event information from distributed sensing devices using fuzzy sets | |
Zhu et al. | SynMob: creating high-fidelity synthetic GPS trajectory dataset for urban mobility analysis | |
Ke et al. | Spatio-temporal contrastive self-supervised learning for poi-level crowd flow inference | |
Patel et al. | Weather prediction using machine learning | |
Martins et al. | A prediction-based multisensor heuristic for the internet of things | |
Ge et al. | Deep spatial-temporal fusion network for fine-grained air pollutant concentration prediction | |
Perumal et al. | Energy efficiency optimization in clustered wireless sensor networks via machine learning algorithms | |
Mughal et al. | An intelligent Hybrid‐Q Learning clustering approach and resource management within heterogeneous cluster networks based on reinforcement learning | |
Mittal et al. | Online cleaning of wireless sensor data resulting in improved context extraction | |
Wu et al. | An integrated intelligent decision support system based on sensor and computer networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |