CN106161204B - 一种基于群体智能的移动社交网络中的数据传输方法 - Google Patents

Abstract

本发明是一种基于群体智能的移动社交网络中的数据传输方法，该方法包括以下步骤：A：针对移动社交网络中的数据分发问题，对其进行模型化分析，归纳出移动社交网络的一般模型；B：在归纳出移动社交网络一般模型的基础上，利用蚁群优化算法在处理优化问题上的高效性采用基于蚁群优化的移动社交网络算法ACOMSNet；C：针对ACOMSNet算法容易陷入局部最优的缺陷，将粒子群算法与ACOMSNet融合，得到改进后的ACOMSNet算法；D：针对网络中的自私节点基于节点声誉值采用适用于移动社交网络的激励机制算法。本发明方法利用群体智能理论中的蚁群优化、粒子群优化思想来优化路由，使得移动社交网络中能有较高的数据传输成功率以及较低的时延。

Description

一种基于群体智能的移动社交网络中的数据传输方法

技术领域

本发明涉及移动社交网络数据传输领域，具体涉及一种基于群体智能的移动社交网络中的数据传输方法。

背景技术

随着互联网产业的飞速发展、智能移动终端的大量普及、4G移动互联时代的到来，促进了社交网络服务与移动终端的自然结合，移动社交网络应运而生。数据研究表明，在全世界，虽然目前人口的增长已经相对缓慢，但是互联网产业的发展速度却在不断加快。目前全世界拥有手机的人口超过半数，其中三分之一拥有社交网络账号。而在中国，据WeAreSocial在《2015年全球移动&社交报告精华解读》中指出：当前中国人口约有13.67亿，网民约有6.42亿，渗透率高达47%，高于全球平均水平（42%），其中手机网民数量为5.27亿，占网民总数的81.6%，90.1%的用户使用移动终端来访问社交网站。这表明，社交网络已经不再是一种工具，而逐渐成为了人们的一种生活方式。

目前社交网络在社会中扮演的角色越来越重要，越来越多的公司和企业开始利用互联网思维和社交网络来构建企业内部的交流网络，其地位正在逐渐赶上电子邮件和电话。根据行业机构易观国际的分析报告指出，2015年第1季度，中国移动互联网用户规模达到7.4亿人，环比增长1.6%，同比增长10.27%，增势平稳。移动互联网用户基于庞大用户基数正在不断增长，移动社交网络的发展势头正劲。

当前，针对移动社交网络的应用越来越多，也越来越成熟，但在其发展过程仍然需要解决很多问题。首先来说，移动社交网络中的节点通常是一些移动终端设备，它们的服务能力受到带宽、内存、电量、运算能力等限制；其次是移动社交网络中的节点往往伴随着人的社会特性，这给设计数据分发机制带来了极大的复杂性；最后，考虑到移动社交网络中的节点通常会带有人的自私性，因此如何采取办法降低自私节点给网络性能带来的损害是一个难题。总体来说，目前针对移动社交网络的主要研究有社区检测、内容分发、上下文情景感知的数据传输、移动模型、隐私等几个方面。

发明内容

本发明的目的在于克服现有技术存在的问题，提供一种基于群体智能的移动社交网络中的数据传输方法。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于群体智能的移动社交网络中的数据传输方法，该方法包括以下步骤：

A：针对移动社交网络中的数据分发问题，对其进行模型化分析，归纳出移动社交网络的一般模型；

B：在归纳出移动社交网络一般模型的基础上，利用蚁群优化算法在处理优化问题上的高效性采用基于蚁群优化的移动社交网络算法ACOMSNet；

C：针对ACOMSNet算法容易陷入局部最优的缺陷，将粒子群算法与ACOMSNet融合，得到改进后的ACOMSNet算法；

D：针对网络中的自私节点基于节点声誉值采用适用于移动社交网络的激励机制算法。

进一步的，所述步骤A中，定义归纳移动社交网络的一般模型的步骤为：

A1：用图表示一个拥有n个节点的MSN，表示网络中所有节点的集合，表示节点间边e的集合，m为边数，整个MSN网络结构表示为节点组成的列表；

A2：定义在某段时间内与MSN结点i之间存在数据转发关系的结点称为结点i的“社交邻居节点”，定义在某一时刻与MSN结点i直接连接的结点称为结点i 的“物理邻居结点”，简称“邻居结点”。

进一步的，所述步骤B中，基于蚁群优化的移动社交网络算法ACOMSNet的步骤为：

B1：网络中存在n个节点，整个路由算法要维护一个n×n的矩阵列表，列表中的每个点<i,j>，存储节点i和节点j之间的信息，包括i，j之间的社会亲密度S _i,j ，物理亲密度P _i,j ，并定义社会亲密度的单次增长幅度R _s ，物理亲密度的单次增长幅度为R _p ，定义<i,j>之间的信息列表表示成<i,j, S _i,j , P _i,j >；

B2：当节点i向节点j发送信息时，S _i,j 按公式更新；

B3：在数据传输的过程中，当一条传输链路为：i->j->k->m->n…，无论最后数据是否传输到n，路径中任意两个节点的物理亲密度将按公式更新，其中表示i和j之间的路由跳数；

B4：根据社会亲密度得出节点的社会效用U _S ，物理亲密度得出节点的物理效用U _P ，节点i选择j作为下一跳的转发效用值为：，其中参数用于平衡社会亲密度与物理亲密度的重要性，结点i选择转发效用值最高的结点j作为下一跳；

B5：节点转发策略如下步骤：

B51：若周围就有目标节点，直接传输并按公式、公式更新数据；

B52：在没有信息或者遇到有两个节点都合适时，根据公式计算节点的中心度，利用节点的中心度定夺转发给哪个节点，并按规则更新信息列表的数据，若相邻节点的中心度都没有自身高，那么暂时不传输，将数据包留存在本节点内；

B53：每次转发时，皆查询节点的信息列表，根据信息列表决定数据包传输对象，比如传送给对象B，那么寻找信息列表的二元组中后者有对象B的项，比如列表中有<I,B>，<J,B>，<K,B>三项含有对象B，那么根据公式算出这三项的效用值，按值的高低依序在本节点周围查找I、J、K，若有则传送给相应节点，并更新相应信息列表，若没有找到对象B的相关信息，跳到步骤B52，若相邻节点中找不到节点I、J、K，同样跳到步骤B52；

B6：蒸发信息策略为：假设信息素不会随着时间流逝蒸发，每当有信息经过节点时，此节点皆蒸发自己的信息列表的信息素浓度，用于避免消息过期了依然被使用，以及避免对连接稀少的适应而不至于信息素蒸发过快导致知识无效。

进一步的，所述步骤C中，将粒子群算法与ACOMSNet融合得到改进后的ACOMSNet算法步骤为：

C1：定义融合策略如下：

C11：，K为迭代次数或搜索次数，设最大迭代次数为，初始化，产生大量的路径，从中选择比较优的，使这些路径留下信息素；

C12：根据当前位置或目标函数计算适应值，设当前位置个体极值位置pcbest，根据各个粒子的个体极值位置找出全局极值位置gcbest；

C13：对每个粒子进行如下操作，第j个粒子路径与gcbest交叉得到，与pcbest交叉得到，以一定概率变异到，根据当前位置计算对应的目标函数值，若新的目标函数变好，接受新值，否则拒绝，第j个粒子路径仍然为，重新找出各只蚂蚁的个体极值位置pcbest和全局极值位置gcbest；

C14：计算各粒子对应的目标函数值，记录当前的最好解；

C15：；

C16：若且没有退化行为，即找到的都是相同解，则转步骤C13；

C17：输出目前最好解；

C2：目标函数定义如下：

定义一个目标函数来判定每个粒子所在位置的适应值，并满足服务质量QoS多约束条件，假设从源节点S到目的节点D的一条可行路径为P，以下为QoS多约束条件下目标函数的定义：（1）带宽，

（2）延迟，

（3）丢包率，

其中，，、分别表示链路上的带宽和延迟，表示节点i的丢包率，则目标函数如下：

其中，B为网络中设定的最大带宽，D为设定的最大延迟，P为设定的最大丢包率，、、代表三种性能约束条件的权重值，且满足。

进一步的，所述步骤D中，自私节点的激励机制包括以下步骤：

D1：自私节点定义网络中的一个节点拥有一个内在属性，即愿意合作程度CD，表示一个节点愿意同其他节点合作的程度，它是一个概率常量，简称之为节点愿意合作概率，另外，还定义一个外在属性，即声誉值RD，表示除本节点外其他节点对该结点的声誉评估，它以节点的行为变化而改变，用表示节点i的愿意合作概率，时，表示节点完全不合作，时，表示节点100%愿意合作，用表示在t时刻节点j对i的声誉评价，则在t时刻节点i的声誉值可以表示为一个维向量：；

D2：节点交互策略，其步骤如下：

在t时刻当节点i和j相遇时，i和j交换它们的声誉值向量，节点i转发数据包时有两个依据：和，具体的数据包接收和转发策略如下：

D21：t时刻，节点i和节点j相遇，节点i希望节点j接收数据包；

D22：节点i选择当前遇到的所有节点中声誉最好的传给它；

D23：假设当前最高，节点j以概率来决定是否接收数据包；

D3：节点的声誉值更新策略，其步骤如下：

声誉值的更新分为两种：直接更新策略和间接更新策略：

D31：直接更新策略，即当两个节点i和j相遇并完成交互时，在t时刻，节点i与节点j相遇，此时定义时刻节点j对i的声誉评价为：

在上式中，当节点i与节点j相遇，并且j在i的帮助下完成数据包的转发，则，否则，表示声誉值的自然衰减；

D32：间接更新策略，即指当第三方节点的声誉值的改变对当前节点的影响，定义：

在上式中，k表示第三方节点。

进一步的，所述步骤A1中，采用二元组加数据的方式组成存储信息的结构中的一个点，MSN网络结构的节点列表中还存储包括节点的社会亲密度、物理亲密度。

进一步的，所述步骤D2中，节点交互策略采用多播的形式传播声誉值向量，用于保证周围节点都能收到信息。

本发明的有益效果是:

本发明方法综合考虑了移动社交网络的网络特性，又考虑了网络中节点的社会特性，利用群体智能理论中的蚁群优化、粒子群优化思想来优化路由，使得移动社交网络中能有较高的数据传输成功率以及较低的时延。

附图说明

图1为本发明基于网络编码的分布式存储系统的修复过程中最优供应节点和数据传输方案的流程图；

图2为本发明社交网络示意图；

图3为本发明数据包传输成功率随节点缓存的变化示意图；

图4为本发明数据平均传输延迟随节点缓存的变化示意图；

图5为本发明改进后算法的数据包传输成功率随节点缓存的变化示意图；

图6为本发明改进后算法的数据包平均传输延迟随节点缓存的变化示意图；

图7为本发明激励机制下合作节点比例示意图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。

参照图1所示，一种基于群体智能的移动社交网络中的数据传输方法，该方法包括以下步骤：

A：针对移动社交网络中的数据分发问题，对其进行模型化分析，归纳出移动社交网络的一般模型；

B：在归纳出移动社交网络一般模型的基础上，利用蚁群优化算法在处理优化问题上的高效性采用基于蚁群优化的移动社交网络算法ACOMSNet；

C：针对ACOMSNet算法容易陷入局部最优的缺陷，将粒子群算法与ACOMSNet融合，得到改进后的ACOMSNet算法；

D：针对网络中的自私节点基于节点声誉值采用适用于移动社交网络的激励机制算法。

所述步骤A中，定义归纳移动社交网络的一般模型的步骤为：

A1：用图表示一个拥有n个节点的MSN，表示网络中所有节点的集合，表示节点间边e的集合，m为边数，在本实施例中使用二元组加数据的方式组成存储信息的结构中的一个点，整个MSN网络结构就可以表示成这样的点组成的列表，比如<A,B>，表示这是A节点到B节点之间的信息；

A2：定义在某段时间内与MSN结点i之间存在数据转发关系的结点称为结点i的“社交邻居节点”，定义在某一时刻与MSN结点i直接连接的结点称为结点i 的“物理邻居结点”，简称“邻居结点”。

所述步骤B中，基于蚁群优化的移动社交网络算法ACOMSNet的步骤为：

B1：网络中存在n个节点，整个路由算法要维护一个n×n的矩阵列表，列表中的每个点<i,j>，存储节点i和节点j之间的信息，包括i，j之间的社会亲密度S _i,j ，物理亲密度P _i,j ，并定义社会亲密度的单次增长幅度R _s ，物理亲密度的单次增长幅度为R _p ，定义<i,j>之间的信息列表表示成<i,j, S _i,j , P _i,j >；

B2：当节点i向节点j发送信息时，S _i,j 按公式更新；

B3：在数据传输的过程中，当一条传输链路为：i->j->k->m->n…，无论最后数据是否传输到n，路径中任意两个节点的物理亲密度将按公式更新，其中表示i和j之间的路由跳数；

B4：根据社会亲密度得出节点的社会效用U _S ，物理亲密度得出节点的物理效用U _P ，节点i选择j作为下一跳的转发效用值为：，其中参数用于平衡社会亲密度与物理亲密度的重要性，结点i选择转发效用值最高的结点j作为下一跳；

B5：节点转发策略如下步骤：

B51：若周围就有目标节点，直接传输并按公式、公式更新数据；

B52：在没有信息或者遇到有两个节点都合适时，根据公式计算节点的中心度，利用节点的中心度定夺转发给哪个节点，并按规则更新信息列表的数据，若相邻节点的中心度都没有自身高，那么暂时不传输，将数据包留存在本节点内；

B53：每次转发时，皆查询节点的信息列表，根据信息列表决定数据包传输对象，比如传送给对象B，那么寻找信息列表的二元组中后者有对象B的项，比如列表中有<I,B>，<J,B>，<K,B>三项含有对象B，那么根据公式算出这三项的效用值，按值的高低依序在本节点周围查找I、J、K，若有则传送给相应节点，并更新相应信息列表，若没有找到对象B的相关信息，跳到步骤B52，若相邻节点中找不到节点I、J、K，同样跳到步骤B52；

B6：蒸发信息策略为：因为是时延容忍网络，考虑到网络特性，蒸发信息按较短时间进行可能会导致信息素蒸发过快，本实施例中假设信息素不会随着时间流逝蒸发，而每当有信息经过节点时，此节点都蒸发自己的信息列表的信息素浓度，这即避免了消息过期了依然被使用，也避免了对连接稀少的适应而不至于信息素蒸发过快导致知识毫无用处，本发明充分考虑到社会节点的中心性以及社会节点间的亲密度，即使是在节点稀疏的动态网络中，该算法对实际物理网络的支持也相当不错，此外，通过将蚂蚁与传输数据进行绑定，节省了资源，效果也会更好。

所述步骤C中，将粒子群算法与ACOMSNet融合得到改进后的ACOMSNet算法步骤为：

C1：定义融合策略如下：

C11：，K为迭代次数或搜索次数，设最大迭代次数为，初始化，产生大量的路径，从中选择比较优的，使这些路径留下信息素；

C12：根据当前位置或目标函数计算适应值，设当前位置个体极值位置pcbest，根据各个粒子的个体极值位置找出全局极值位置gcbest；

C13：对每个粒子进行如下操作，第j个粒子路径与gcbest交叉得到，与pcbest交叉得到，以一定概率变异到，根据当前位置计算对应的目标函数值，若新的目标函数变好，接受新值，否则拒绝，第j个粒子路径仍然为，重新找出各只蚂蚁的个体极值位置pcbest和全局极值位置gcbest；

C14：计算各粒子对应的目标函数值，记录当前的最好解；

C15：；

C16：若且没有退化行为，即找到的都是相同解，则转步骤C13；

C17：输出目前最好解；

C2：目标函数定义如下：

在粒子群算法中，有一个目标函数来判定每个粒子所在位置的适应值，针对移动社交网络路由这类网络问题，需要满足QoS多约束条件，QoS（quality of service），即服务质量，在RFC2386中描述为：QoS是网络在传输数据流要求满足的一系列服务请求，具体可以量化为带宽、延迟、延迟抖动、丢失率、吞吐量等性能指标，此处的服务具体是指数据包（流）经过若干网络节点所接受的传输服务，强调端到端（end-to-end）或网络边界到边界的整体性，QoS反映了网络元素在保证信息传输和满足服务要求方面的能力；

结合移动社交网络的特点，在本实施例中需要考虑到的性能指标为：带宽（bandwidth）、延迟（delay）、丢包率（package loss），假设从源节点S到目的节点D的一条可行路径为P，以下为QoS多约束条件下目标函数的定义：（1）带宽，

（2）延迟，

（3）丢包率，

其中，，、分别表示链路上的带宽和延迟，表示节点i的丢包率，则目标函数如下：

其中，B为网络中设定的最大带宽，D为设定的最大延迟，P为设定的最大丢包率，、、代表三种性能约束条件的权重值，且满足。

所述步骤D中，自私节点的激励机制包括以下步骤：

D1：自私节点定义网络中的一个节点拥有一个内在属性，即愿意合作程度（Cooperation Degree，CD），表示一个节点愿意同其他节点合作的程度，它是一个概率常量，简称之为节点愿意合作概率，另外，还定义一个外在属性，即声誉值（ReputationDegree，RD），表示除本节点外其他节点对该结点的声誉评估，它以节点的行为变化而改变，在本实施例中，如果节点i帮助了j转发数据，那么j对i的声誉评价就变高了，反之亦然，因为每个节点都是独立的，所以节点对之间的声誉评价值也是各不相同的，用表示节点i的愿意合作概率，时，表示节点完全不合作，时，表示节点100%愿意合作，用表示在t时刻节点j对i的声誉评价，则在t时刻节点i的声誉值可以表示为一个维向量：；

D2：节点交互策略，其步骤如下：

在t时刻当节点i和j相遇时，i和j交换它们的声誉值向量，节点i转发数据包时有两个依据：和，具体的数据包接收和转发策略如下：

D21：t时刻，节点i和节点j相遇，节点i希望节点j接收数据包；

D22：节点i选择当前遇到的所有节点中声誉最好的传给它；

D23：假设当前最高，节点j以概率来决定是否接收数据包；

D3：节点的声誉值更新策略，其步骤如下：

声誉值的更新分为两种：直接更新策略和间接更新策略：

D31：直接更新策略，即当两个节点i和j相遇并完成交互时，在t时刻，节点i与节点j相遇，此时定义时刻节点j对i的声誉评价为：

在上式中，当节点i与节点j相遇，并且j在i的帮助下完成数据包的转发，则，否则，表示声誉值的自然衰减，在本实施例中，定义=0.5；

D32：间接更新策略，即指当第三方节点的声誉值的改变对当前节点的影响，定义：

在上式中，k表示第三方节点，在本实施例中，在节点间交互完成之后就更新声誉值，而不是在数据包到达目的节点之后。

所述步骤A1中，采用二元组加数据的方式组成存储信息的结构中的一个点，MSN网络结构的节点列表中还存储包括节点的社会亲密度、物理亲密度。

所述步骤D2中，节点交互策略采用多播的形式传播声誉值向量，用于保证周围节点都能收到信息。

此外，需要说明的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于群体智能的移动社交网络中的数据传输方法，其特征在于，该方法包括以下步骤：

A：针对移动社交网络中的数据分发问题，对其进行模型化分析，归纳出移动社交网络的一般模型，并且定义归纳移动社交网络的一般模型的步骤为：

A1：用图表示一个拥有n个节点的MSN，表示网络中所有节点的集合，表示节点间边e的集合，m为边数，整个MSN网络结构表示为节点组成的列表；

A2：定义在某段时间内与MSN结点i之间存在数据转发关系的结点称为结点i的“社交邻居节点”，定义在某一时刻与MSN结点i直接连接的结点称为结点i 的“物理邻居结点”，简称“邻居结点”；

B：在归纳出移动社交网络一般模型的基础上，利用蚁群优化算法在处理优化问题上的高效性采用基于蚁群优化的移动社交网络算法ACOMSNet，ACOMSNet的步骤为：

B1：网络中存在n个节点，整个路由算法要维护一个n×n的矩阵列表，列表中的每个点<i,j>，存储节点i和节点j之间的信息，包括i，j之间的社会亲密度S _i,j ，物理亲密度P _i,j ，并定义社会亲密度的单次增长幅度R _s ，物理亲密度的单次增长幅度为R _p ，定义<i,j>之间的信息列表表示成<i,j, S _i,j , P _i,j >；

B2：当节点i向节点j发送信息时，S _i,j 按公式更新；

B3：在数据传输的过程中，当一条传输链路为：i->j->k->m->n…，无论最后数据是否传输到n，路径中任意两个节点的物理亲密度将按公式更新，其中表示i和j之间的路由跳数；

B4：根据社会亲密度得出节点的社会效用U _S ，物理亲密度得出节点的物理效用U _P ，节点i选择j作为下一跳的转发效用值为：，其中参数用于平衡社会亲密度与物理亲密度的重要性，结点i选择转发效用值最高的结点j作为下一跳；

B5：节点转发策略如下步骤：

B51：若周围就有目标节点，直接传输并按公式、公式更新数据；

B52：在没有信息或者遇到有两个节点都合适时，根据公式计算节点的中心度，式中表示节点对s和t最短路径经过节点i的路径数，表示节点s和节点t之间存在所有最短路径的路径数，利用节点的中心度定夺转发给哪个节点，并按规则更新信息列表的数据，若相邻节点的中心度都没有自身高，那么暂时不传输，将数据包留存在本节点内；

B53：每次转发时，皆查询节点的信息列表，根据信息列表决定数据包传输对象，比如传送给对象B，那么寻找信息列表的二元组中后者有对象B的项，比如列表中有<I,B>，<J,B>，<K,B>三项含有对象B，那么根据公式算出这三项的效用值，按值的高低依序在本节点周围查找I、J、K，若有则传送给相应节点，并更新相应信息列表，若没有找到对象B的相关信息，跳到步骤B52，若相邻节点中找不到节点I、J、K，同样跳到步骤B52；

B6：蒸发信息策略为：假设信息素不会随着时间流逝蒸发，每当有信息经过节点时，此节点皆蒸发自己的信息列表的信息素浓度，用于避免消息过期了依然被使用，以及避免对连接稀少的适应而不至于信息素蒸发过快导致知识无效；

C：针对ACOMSNet算法容易陷入局部最优的缺陷，将粒子群算法与ACOMSNet融合，得到改进后的ACOMSNet算法，改进后的ACOMSNet包括以下步骤：

C1：定义融合策略如下：

C11：，K为迭代次数或搜索次数，设最大迭代次数为，初始化，产生大量的路径，从中选择比较优的，使这些路径留下信息素；

C12：根据当前位置或目标函数计算适应值，设当前位置个体极值位置pcbest，根据各个粒子的个体极值位置找出全局极值位置gcbest；

C13：对每个粒子进行如下操作，第j个粒子路径与gcbest交叉得到，与pcbest交叉得到，以一定概率变异到，根据当前位置计算对应的目标函数值，若新的目标函数变好，接受新值，否则拒绝，第j个粒子路径仍然为，重新找出各只蚂蚁的个体极值位置pcbest和全局极值位置gcbest；

C14：计算各粒子对应的目标函数值，记录当前的最好解；

C15：；

C16：若且没有退化行为，即找到的都是相同解，则转步骤C13；

C17：输出目前最好解；

C2：目标函数定义如下：

定义一个目标函数来判定每个粒子所在位置的适应值，并满足服务质量QoS多约束条件，假设从源节点S到目的节点D的一条可行路径为P，以下为QoS多约束条件下目标函数的定义：（1）带宽，

（2）延迟，

（3）丢包率，

其中，，、分别表示链路上的带宽和延迟，表示节点i的丢包率，则目标函数如下：

其中，B为网络中设定的最大带宽，D为设定的最大延迟，P为设定的最大丢包率，、、代表三种性能约束条件的权重值，且满足；

D：针对网络中的自私节点基于节点声誉值采用适用于移动社交网络的激励机制算法，该移动社交网络的激励机制算法包括以下步骤：

D1：自私节点定义网络中的一个节点拥有一个内在属性，即愿意合作程度CD，表示一个节点愿意同其他节点合作的程度，它是一个概率常量，简称之为节点愿意合作概率，另外，还定义一个外在属性，即声誉值RD，表示除本节点外其他节点对该结点的声誉评估，它以节点的行为变化而改变，用表示节点i的愿意合作概率，时，表示节点完全不合作，时，表示节点100%愿意合作，用表示在t时刻节点j对i的声誉评价，则在t时刻节点i的声誉值可以表示为一个维向量：；

D2：节点交互策略，其步骤如下：

在t时刻当节点i和j相遇时，i和j交换它们的声誉值向量，节点i转发数据包时有两个依据：和，具体的数据包接收和转发策略如下：

D21：t时刻，节点i和节点j相遇，节点i希望节点j接收数据包；

D22：节点i选择当前遇到的所有节点中声誉最好的传给它；

D23：假设当前最高，节点j以概率来决定是否接收数据包；

D3：节点的声誉值更新策略，其步骤如下：

声誉值的更新分为两种：直接更新策略和间接更新策略：

D31：直接更新策略，即当两个节点i和j相遇并完成交互时，在t时刻，节点i与节点j相遇，此时定义时刻节点j对i的声誉评价为：

在上式中，当节点i与节点j相遇，并且j在i的帮助下完成数据包的转发，则，否则，表示声誉值的自然衰减；

D32：间接更新策略，即指当第三方节点的声誉值的改变对当前节点的影响，定义：

在上式中，k表示第三方节点。

2.根据权利要求1所述的基于群体智能的移动社交网络中的数据传输方法，其特征在于，所述步骤A1中，采用二元组加数据的方式组成存储信息的结构中的一个点，MSN网络结构的节点列表中还存储包括节点的社会亲密度、物理亲密度。

3.根据权利要求1所述的基于群体智能的移动社交网络中的数据传输方法，其特征在于，所述步骤D2中，节点交互策略采用多播的形式传播声誉值向量，用于保证周围节点都能收到信息。