CN106254486A

CN106254486A - 一种基于位置推荐的光无线混合虚拟网络嵌入方法及系统

Info

Publication number: CN106254486A
Application number: CN201610659432.2A
Authority: CN
Inventors: 巩小雪; 张琦涵; 于存谦; 郭磊; 侯维刚
Original assignee: Northeastern University China
Current assignee: Northeastern University China
Priority date: 2016-08-12
Filing date: 2016-08-12
Publication date: 2016-12-21

Abstract

一种基于位置推荐的光无线混合虚拟网络嵌入方法及系统。该方法包括：建立基于位置的社交网络拓扑；根据用户组在社交网络中的活跃程度和全部用户节点到此兴趣点的链路权重以及用户节点间的关系链路权重，对兴趣点包含的各位置节点进行评分；计算不同兴趣点之间的位置轨迹推荐路径；将拥有相同或相似位置推荐轨迹的用户组所在的虚拟网络嵌入到光无线混合虚拟网络底层物理设施的相同部分。该系统包括拓扑建立模块、评分模块、推荐路径计算模块、虚拟网络嵌入模块。本发明基于位置推荐量化独立兴趣点评分值和寻找适合推荐的位置轨迹，使具有相同或相似推荐轨迹的用户组所在的虚拟网络嵌入到光无线混合物理设施的相同部分，实现底层硬件资源有效利用。

Description

一种基于位置推荐的光无线混合虚拟网络嵌入方法及系统

技术领域

本发明涉及通信技术领域，尤其涉及一种基于位置推荐的光无线混合虚拟网络嵌入方法及系统。

背景技术

随着智能手机的普及，线上社交网络和线下物理世界结合起来的异构网络的可行性和适用性越来越广。由此出现的基于位置的社交网络，在现存的社交网络中加入位置信息，通过这些位置信息可以反映用户的偏好甚至不同用户间的相关性，这使得一些广告的投放者可以根据这些相关性推送产品，例如，广告定向。现有的基于位置的社交网络的研究集中在好友推荐和地点推荐两个方面，但相关算法未考虑广告定向的问题。现有的广告定向算法只面向网页和文本，没有针对基于位置的社交网络推荐的独立位置或位置轨迹进行的广告定向算法，使得广告投放者的收益不高；同时，在将虚拟网络嵌入底层时，并不考虑其对应的用户组之间的相关性(相同或相似的位置推荐结果)，对底层硬件资源的利用率低。

发明内容

针对现有技术存在的问题，本发明提供一种基于位置推荐的光无线混合虚拟网络嵌入方法及系统。

本发明的技术方案如下：

一种基于位置推荐的光无线混合虚拟网络嵌入方法，包括：

步骤1：建立基于位置的社交网络拓扑，包括节点集合和关系链路集合；

所述节点集合包括用户节点和位置节点；

所述关系链路集合包括用户节点间关系链路和用户节点与兴趣点间关系链路；所述兴趣点是具有同样标签的位置节点集合；

步骤2：根据用户组即全部用户节点所代表的用户的集合在社交网络中的活跃程度和全部用户节点到此兴趣点的链路权重以及用户节点间的关系链路权重，对兴趣点包含的各位置节点进行评分；

步骤3：计算基于位置的社交网络中不同兴趣点之间的位置轨迹推荐路径；

步骤4：将拥有相同位置推荐轨迹或相似位置推荐轨迹的用户组所在的虚拟网络嵌入到光无线混合虚拟网络底层物理设施的相同部分。

步骤2包括：

步骤2.1：根据用户组在社交网络中的活跃程度和所有用户节点与当前兴趣点间关系链路权重，计算当前兴趣点中各位置节点的评分值；

步骤2.2：根据对用户节点所代表的用户所访问过的当前兴趣点各位置节点的平均评分值与该用户好友在社交网络中的活跃程度平均值，更新该用户节点所代表用户在社交网络中的活跃程度值；

步骤2.3：判断当前兴趣点中各位置节点的评分值大小关系是否稳定：是，则执行步骤2.4，否则，利用步骤2.2更新该用户在社交网络中的活跃程度值，执行步骤2.1，重新计算当前兴趣点中各位置节点的评分值；

步骤2.4：判断是否已计算出所有兴趣点中各位置节点的评分值：是，则执行步骤3，否则对下一兴趣点执行步骤2.1。

步骤3，包括：

步骤3.1：针对每一兴趣点，将兴趣点内各位置节点的评分值按从大到小的顺序进行排序；

步骤3.2：根据排序结果，分别从各兴趣点中依次取出一个位置节点与其他兴趣点中各位置节点形成一条遍历所有兴趣点的轨迹；

步骤3.3：计算各轨迹的空间长度和时间长度，若轨迹的空间长度和时间长度在已知的阈值内，则得到一条位置轨迹推荐路径；

步骤3.4：判断是否已经得到设定数量的位置推荐轨迹：是，执行步骤4；否则返回步骤3.2。

步骤4，包括：

步骤4.1：将所有的用户组分成若干个小组；

步骤4.2：在一个小组中，各用户组所在的虚拟网络首先映射到底层具有高节点度和可行计算资源的数据中心；然后从连接该数据中心的终端中选择候选路径，并选择用户数量最少的用户组优先嵌入候选路径，之后更新该数据中心的计算资源、数据中心与终端的连接带宽；

步骤4.3：判断数据中心的节点度和计算资源是否满足虚拟网络请求，若是，则返回步骤4.2继续嵌入虚拟网络，否则该数据中心嵌入的虚拟网络达到饱和，当达到饱和后的数据中心嵌入虚拟网络的数量大于预设阈值时，将该数据中心嵌入的所有虚拟网络数量加到可嵌入光无线混合虚拟网络底层物理设施的相同部分的虚拟网络总数中。

步骤3.3包括：

步骤3.3.1：计算各轨迹的空间长度：设定空间长度为当前兴趣点中一个位置节点与另一兴趣点中一个位置节点之间的球面距离，轨迹的空间长度为沿途兴趣点间各球面距离的总和；

步骤3.3.2：计算各轨迹的时间长度：设定时间长度为当前兴趣点中一个位置节点与另一兴趣点中一个位置节点时间戳相差时间，轨迹的时间长度为沿途兴趣点间各时间戳相差时间的总和；

步骤3.3.3：若轨迹的空间长度和时间长度在已知的阈值内，则得到一条位置轨迹推荐路径。

本发明还提供一种基于位置推荐的光无线混合虚拟网络嵌入系统，包括：

拓扑建立模块：建立基于位置的社交网络拓扑，包括节点集合和关系链路集合；所述节点集合包括用户节点和位置节点；所述关系链路集合包括用户节点间关系链路和用户节点与兴趣点间关系链路；所述兴趣点是具有同样标签的位置节点集合；

评分模块：根据用户组即全部用户节点所代表的用户的集合在社交网络中的活跃程度和全部用户节点到此兴趣点的链路权重以及用户节点间的关系链路权重，对兴趣点包含的各位置节点进行评分；

推荐路径计算模块：计算基于位置的社交网络中不同兴趣点之间的位置轨迹推荐路径；

虚拟网络嵌入模块：将拥有相同位置推荐轨迹或相似位置推荐轨迹的用户组所在的虚拟网络嵌入到光无线混合虚拟网络底层物理设施的相同部分。

所述评分模块包括：

评分值计算模块：根据用户组在社交网络中的活跃程度和所有用户节点与当前兴趣点间关系链路权重，计算当前兴趣点中各位置节点的评分值；

第一更新模块：根据对用户节点所代表的用户所访问过的当前兴趣点各位置节点的平均评分值与该用户好友在社交网络中的活跃程度平均值，更新该用户节点所代表用户在社交网络中的活跃程度值；

第一判断模块：判断当前兴趣点中各位置节点的评分值大小关系是否稳定：是，则调用第二判断模块，否则，利用更新模块更新该用户在社交网络中的活跃程度值，调用评分值计算模块，重新计算当前兴趣点中各位置节点的评分值；

第二判断模块：判断是否已计算出所有兴趣点中各位置节点的评分值：是，则转去推荐路径计算模块，否则对下一兴趣点执行评分值计算模块。

所述推荐路径计算模块，包括：

排序模块：针对每一兴趣点，将兴趣点内各位置节点的评分值按从大到小的顺序进行排序；

轨迹形成模块：根据排序结果，分别从各兴趣点中依次取出一个位置节点与其他兴趣点中各位置节点形成一条遍历所有兴趣点的轨迹；

计算模块：计算各轨迹的空间长度和时间长度，若轨迹的空间长度和时间长度在已知的阈值内，则得到一条位置轨迹推荐路径；

第三判断模块：判断是否已经得到设定数量的位置推荐轨迹：是，转去虚拟网络嵌入模块；否则返回轨迹形成模块。

所述虚拟网络嵌入模块，包括：

分组模块：将所有的用户组分成若干个小组；

第二更新模块：在一个小组中，各用户组所在的虚拟网络首先映射到底层具有高节点度和可行计算资源的数据中心；然后从连接该数据中心的终端中选择候选路径，并选择用户数量最少的用户组优先嵌入候选路径，之后更新该数据中心的计算资源、数据中心与终端的连接带宽；

第四判断模块：判断数据中心的节点度和计算资源是否满足虚拟网络请求，若是，则返回第二更新模块继续嵌入虚拟网络，否则该数据中心嵌入的虚拟网络达到饱和，当达到饱和后的数据中心嵌入虚拟网络的数量大于预设阈值时，将该数据中心嵌入的所有虚拟网络数量加到可嵌入光无线混合虚拟网络底层物理设施的相同部分的虚拟网络总数中。

所述计算模块，包括：

空间长度计算模块：计算各轨迹的空间长度：设定空间长度为当前兴趣点中一个位置节点与另一兴趣点中一个位置节点之间的球面距离，轨迹的空间长度为沿途兴趣点间各球面距离的总和；

时间长度计算模块：计算各轨迹的时间长度：设定时间长度为当前兴趣点中一个位置节点与另一兴趣点中一个位置节点时间戳相差时间，轨迹的时间长度为沿途兴趣点间各时间戳相差时间的总和；

路径生成模块：若轨迹的空间长度和时间长度在已知的阈值内，则得到一条位置轨迹推荐路径。

由上述技术方案可知，本发明提出一种基于位置推荐的光无线混合虚拟网络嵌入方法及系统，所述的位置推荐提出了量化独立兴趣点评分值和寻找适合推荐的位置轨迹的方法，其优势在于将易于获得的数据(如用户签到情况、用户好友关系等)以一种科学的手段量化了具体位置节点可能被推荐的程度即流行度(该位置节点受欢迎的程度，或者说该位置节点更可能被推荐的程度，本发明以该位置节点的评分值确定该位置节点的流行度，评分值越大，该位置节点就越受欢迎，也就越可能被推荐)和由具体位置点连成的位置轨迹的流行度；所述的光无线混合虚拟网络嵌入提出了使具有相同或相似推荐轨迹的用户组所在的虚拟网络嵌入到光无线混合物理设施相同部分的具体方法，由此，可以将预先推送到上述相同部分的广告推送给更多的用户组，便可以提高广告定向的收益，更实现了底层有限硬件资源的有效利用。

附图说明

图1为本发明具体实施方式的基于位置推荐的光无线混合虚拟网络嵌入方法流程图；

图2为本发明具体实施方式的基于位置的社交网络拓扑示意图；

图3为本发明具体实施方式的步骤2流程图；

图4为本发明具体实施方式的步骤3流程图；

图5为本发明具体实施方式的步骤4流程图；

图6为本发明具体实施方式的光无线混合虚拟网络底层基础设施拓扑示意图；

图7为本发明具体实施方式中本发明方法与现有技术引起的广告定向盈利情况对比，(a)为本发明方法与未考虑基于位置推荐的用户组相关性虚拟网络嵌入方法随着初始计算资源的变化引起的广告定向盈利情况对比图，(b)为本发明方法与未考虑基于位置推荐的用户组相关性虚拟网络嵌入算法随着预设阈值的变化引起的广告定向盈利情况对比图；(c)为本发明方法与未考虑基于位置推荐的用户组相关性虚拟网络嵌入方法随着嵌入虚拟网络数量的变化引起的广告定向盈利情况对比图；

图8为本发明具体实施方式的基于位置推荐的光无线混合虚拟网络嵌入系统框图；

图9为本发明具体实施方式的评分模块框图；

图10为本发明具体实施方式的推荐路径计算模块框图；

图11为本发明具体实施方式的虚拟网络嵌入模块框图；

图12为本发明具体实施方式的计算模块框图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种基于位置推荐的光无线混合虚拟网络嵌入方法，如图1所示，包括：

步骤1：建立基于位置的社交网络拓扑，包括节点集合(V，节点个数|V|)和关系链路集合(E，链路条数|E|)；

所述节点集合包括用户节点(k个)和位置节点；

所述关系链路集合包括用户节点间关系链路和用户节点与兴趣点间关系链路；所述兴趣点是具有同样标签(如酒店，商店，餐厅等，这个标签称为兴趣名)的位置节点集合；用户节点与兴趣点间关系链路是用户节点到兴趣点内各位置节点的关系链路。设定每个用户节点包含用户的名称和该用户在社交网络中的活跃程度(Hub值)信息，每个位置节点包含该位置节点的兴趣名、该位置节点在兴趣点中的内部编号、地理坐标和用户节点签到时间戳的信息；

本实施方式中的基于位置的社交网络拓扑如图2所示，节点集合V中共有5个用户节点(A、B、C、D、E，k＝5)和分散在两个兴趣点(POI₁和POI₂)内的5个位置节点(POI₁的1和2、POI₂的1、2和3)；关系链路集合E包括13条用户节点间关系链路(5条，无向)和用户节点与兴趣点间关系链路(8条，有向)。设定每个用户节点包含用户节点的名称(A～E)和Hub值信息，每个位置节点包含该位置节点的兴趣名(POI₁或POI₂)、该位置节点在兴趣点中的内部编号(1、2或3)、地理坐标和用户节点签到时间戳的信息。

步骤2：根据用户组即全部用户节点所代表的用户的集合的Hub值、用户组中各用户节点到此兴趣点的链路权重以及用户节点间的关系链路权重，对同一个兴趣点内各位置节点进行评分，兴趣点i表示为POI_i；

如图3所示，步骤2包括：

步骤2.1：根据用户组的Hub值和所有用户节点与当前兴趣点POI_i间关系链路权重，计算当前兴趣点中位置节点的评分值；

{aPOI}_{i} s = W_{u - {POI}_{i}} \times h_{u s e r s}

其中，aPOI_is表示兴趣点POI_i各位置节点的评分值，设此兴趣点POI_i共包含l_i个位置节点，则aPOI_is是一个l_i维的列向量；h_users表示用户组的Hub值，是一个k维的列向量；表示用户节点到此兴趣点POI_i的链路权重，是一个l_i×k维的矩阵，定义为：

其中，m表示用户节点编号，且m≤k，U_m表示用户节点m；N(U_m)表示用户节点m在此兴趣点POI_i内访问过的位置节点总数；

图2中的兴趣点POI₁(i＝1)的l_i＝l₁＝2，则aPOI₁s应是一个二维的列向量；h_users是一个五维的列向量；是一个2×5维的矩阵，m＝A、B、C、D、E；N(U_m)表示用户节点m在此兴趣点POI₁内访问过的位置总数，则

步骤2.2：根据对用户节点所代表的用户所访问过的当前兴趣点各位置节点的平均评分值与该用户好友的平均Hub值，更新该用户节点所代表用户的Hub值；

h_{u s e r s} = (1 - β) \cdot (W_{u} \times h_{u s e r s} + W_{{POI}_{i} - u} \times {aPOI}_{i} s) + β \cdot h_{u s e r s}^{0}

其中，0＜β＜1，为调和参数，表示用户组的初始Hub值，h_users表示更新后的用户组的Hub值；表示此兴趣点到用户组的链路权重，是一个k×l_i维的矩阵，定义为：

其中，NPOI_i.num表示访问过兴趣点POIi中编号为num的位置节点的用户节点个数，且num∈N^*，1≤num≤l_i。

图2中，兴趣点POI₁到用户组的链路权重是一个5×2维的矩阵，1≤num≤2；则

W_{{POI}_{1} - u} = [\begin{matrix} 0 & \frac{1}{2} \\ 0 & 0 \\ 1 & 0 \\ 0 & \frac{1}{2} \\ 0 & 0 \end{matrix}];

W_u为由用户间直接亲密度生成的k×k维矩阵，引用W_u中第r行第c列元素W_u(m，n)，定义为

W_{u} (m, n) = \frac{1}{\deg (U_{m}) \cdot g (U_{m}, U_{n})}

其中，deg(U_m)表示用户节点m的好友数；U_n表示编号为n的用户节点，同样的，n≤k；g(U_m，U_n)表示任意两个用户节点U_m和U_n之间的社交距离，定义为

g (U_{m}, U_{n}) = \frac{1}{w_{1} \cdot v_{m}^{1} [n] + w_{2} \cdot v_{m}^{2} [n]}

其中，w₁和w₂均为调和参数，且w₁，w₂之0，w₁+w₂＝1；表示用户节点U_m和U_n间关系链路权值，可表征两个为好友关系的用户节点间的亲密度，而对同一个用户节点U_m，将这些关系链路权值的集合表示成向量称为用户节点U_m的好友关系向量；

为用户节点U_m的好友关系向量，仍然用矩阵进行计算，则由好友关系向量转换成的好友关系矩阵F为：

F = [\begin{matrix} v_{A}^{1} \\ v_{B}^{1} \\ v_{C}^{1} \\ v_{D}^{1} \\ v_{E}^{1} \end{matrix}] = [\begin{matrix} 0 & 0.7 & 0.9 & 0.6 & 0.2 \\ 0.7 & 0 & 0 & 0 & 0.3 \\ 0.9 & 0 & 0 & 0 & 0 \\ 0.6 & 0 & 0 & 0 & 0 \\ 0.2 & 0.3 & 0 & 0 & 0 \end{matrix}]

表示用户节点U_m的传递关系向量，表征用户节点U_m与和其非好友关系的用户节点间的潜在亲密度，其计算通过用户节点U_m与其全部好友的关系链路权值集合中的分量分别乘以此分量所对应的用户节点间关系链路权值并将乘积后的全部向量求和，公式表示为：

v_{m}^{2} = Σ_{p = 1}^{k} v_{m}^{1} [p] \cdot v_{p}^{1}

其中，p表示求和变量，从1到k不断加1变化，则由传递关系向量构成的传递关系矩阵T为：

\begin{matrix} T = [\begin{matrix} v_{A}^{2} \\ v_{B}^{2} \\ v_{C}^{2} \\ v_{D}^{2} \\ v_{E}^{2} \end{matrix}] = [\begin{matrix} Σ_{p = A}^{E} v_{A}^{1} [p] \cdot v_{p}^{1} \\ Σ_{p = A}^{E} v_{B}^{1} [p] \cdot v_{p}^{1} \\ Σ_{p = A}^{E} v_{C}^{1} [p] \cdot v_{p}^{1} \\ Σ_{p = A}^{E} v_{D}^{1} [p] \cdot v_{p}^{1} \\ Σ_{p = A}^{E} v_{E}^{1} [p] \cdot v_{p}^{1} \end{matrix}] = [\begin{matrix} v_{A}^{1} [A] & v_{A}^{1} [B] & v_{A}^{1} [C] & v_{A}^{1} [D] & v_{A}^{1} [E] \\ v_{B}^{1} [A] & v_{B}^{1} [B] & v_{B}^{1} [C] & v_{B}^{1} [D] & v_{B}^{1} [E] \\ v_{C}^{1} [A] & v_{C}^{1} [B] & v_{C}^{1} [C] & v_{C}^{1} [D] & v_{C}^{1} [E] \\ v_{D}^{1} [A] & v_{D}^{1} [B] & v_{D}^{1} [C] & v_{D}^{1} [D] & v_{D}^{1} [E] \\ v_{E}^{1} [A] & v_{E}^{1} [B] & v_{E}^{1} [C] & v_{E}^{1} [D] & v_{E}^{1} [E] \end{matrix}] \times [\begin{matrix} v_{A}^{1} \\ v_{B}^{1} \\ v_{C}^{1} \\ v_{D}^{1} \\ v_{E}^{1} \end{matrix}] = F \times F \\ = [\begin{matrix} 1.7 & 0.06 & 0 & 0 & 0.21 \\ 0.06 & 0.58 & 0.63 & 0.42 & 0.14 \\ 0 & 0.63 & 0.81 & 0.54 & 0.18 \\ 0 & 0.42 & 0.54 & 0.36 & 0.12 \\ 0.21 & 0.14 & 0.18 & 0.12 & 0.13 \end{matrix}] \end{matrix}

得到F和T后，引用它们的第r行第c列元素F(m，n)和T(m，n)即分别为和的值。由此可计算g(U_m，U_n)，从而计算W_u(m，n)。

而对图2中的兴趣点POI₂，按照步骤2.1和步骤2.2，得到和为：

W_{u - {POI}_{2}} = [\begin{matrix} 0 & 0 & 1 & \frac{1}{2} & 0 \\ 0 & 1 & 0 & \frac{1}{2} & 0 \\ 0 & 0 & 0 & 0 & 1 \end{matrix}], W_{{POI}_{2} - u} = [\begin{matrix} 0 & 0 & 0 \\ 0 & \frac{1}{3} & 0 \\ 0 & \frac{1}{3} & 0 \\ 1 & \frac{1}{3} & 0 \\ 0 & 0 & 1 \end{matrix}]

步骤2.3：判断当前兴趣点中各位置节点的评分值大小关系是否稳定：是，则执行步骤2.4，否则，利用步骤2.2更新该用户的Hub值，执行步骤2.1，重新计算当前兴趣点中各位置节点的评分值；

如图4所示，步骤3，包括：

步骤3.1：针对每一兴趣点，将兴趣点内各位置节点的评分值按从大到小的顺序进行排序；假设排序结果是兴趣点POI₁：2、1；兴趣点POI₂：2、3、1；

步骤3.2：根据排序结果，分别从各兴趣点中依次取出一个位置节点与其他兴趣点中各位置节点形成一条遍历所有兴趣点的轨迹；按照步骤3.1假设的排序结果，共形成六条轨迹，分别是：2-2、2-3、2-1、1-2、1-3和1-1；

步骤3.3：根据形成的轨迹提取步骤1所述的位置节点中的地理坐标和签到时间戳，计算各轨迹的空间长度和时间长度，若轨迹的空间长度和时间长度在已知的阈值内，则得到一条位置轨迹推荐路径，否则，返回步骤3.2针对下一兴趣点依次取出一个位置节点与其他兴趣点中各位置节点形成一条遍历所有兴趣点的轨迹；

设定空间长度为任意兴趣点POI_i中的某位置节点POI_i.num到兴趣点POI_j中的某位置节点POI_j.num′之间的球面距离Dist(POI_i.num，POI_j.num′)：

\begin{matrix} D i s t ({POI}_{i} . n u m, {POI}_{j} . {num}^{'}) = \\ R \cdot \arccos (\begin{matrix} c o s ({POI}_{i} . n u m . x) \cdot c o s ({POI}_{j} . {num}^{'} . x) \cdot c o s ({POI}_{i} . n u m . y - {POI}_{j} . {num}^{'} . y) \\ + s i n ({POI}_{i} . n u m . x) \cdot s i n ({POI}_{j} . {num}^{'} . x) \end{matrix}) \end{matrix}

其中，Dist(POI_i.num，POI_j.num′)表示兴趣点P0I_i中编号为num的位置节点到兴趣点POI_j中编号为num′的位置节点之间的空间长度，R表示地球的平均半径，POI_i.num.x表示位置节点POI_i.num的纬度，POI_i.num.y表示位置节点POI_i.num的经度，POI_j.num′.x和POI_j.num′.y的含义与兴趣点i相同；

若此处兴趣点的编号原则，设定兴趣点POI₁为起点，依次类推，下一个经过兴趣点POI₂，POI₃，POI₄……直到最后一个兴趣点POI_z，则整条轨迹的空间长度为上述各相邻兴趣点内选取位置节点之间距离的总和：

T o t a l_D i s t = Σ_{p = 1}^{z - 1} D i s t ({POI}_{p} . n u m, {POI}_{p + 1} . n u m)

其中，Total_Dist表示为整条轨迹的空间长度，p从1到z-1不断加1变化；

如图2的具体实施方式中，z＝2。

设定时间长度为位置节点POI_i.num和POI_j.num′的时间戳的相距时间Int(POI_i.num，POI_j.num′)：

Int(POI_i.num，POI_j.num′)＝|POI_j.num′.t-POI_i.num.t|

其中，POI_i.num.t表示签到兴趣点POI_i中编号为num的位置节点的时间戳，POI_j.num′.t表示签到兴趣点POI_j中编号为num′的位置节点的时间戳，对应整条轨迹的空间长度的计算方式，此处按照计算空间长度时对兴趣点编号的设定，则整条轨迹的时间长度为上述各相邻兴趣点内选取位置节点之间时间戳相距时间的总和：

T o t a l_I n t = Σ_{p = 1}^{z - 1} I n t ({POI}_{p} . n u m, {POI}_{p + 1} . n u m)

其中Total_Int表示为整条轨迹的时间长度；

设定空间阈值和时间阈值分别为θ_s和θ_t，若步骤3.3中整条轨迹的空间长度和时间长度分别在θ_s和θ_t之内，即选出一条可推荐的位置轨迹。

若本实施方式设定数量为2，则判断是否已经得到最佳的位置推荐轨迹(即满足空间阈值和时间阈值且保证轨迹经过的各位置节点的评分值在其所属的兴趣点内是最高的位置轨迹)和次佳的位置推荐轨迹；若是，执行步骤4；若否，则返回步骤3。

步骤4，如图5所示，包括：

步骤4.1：将所有的用户组分成若干个小组；

预设阈值是因为广告投放者不能以较大的开销仅为嵌入同一个数据中心的较少用户组进行广告推送，这样的投入不可能盈利。该阈值的最大值为光无线混合虚拟网络底层基础设施所能嵌入的最多虚拟网络数量与用户组分组数的比。

自然的，达到饱和后的数据中心嵌入虚拟网络的数量的和也不能超过底层物理基础设施所能嵌入的最多虚拟网络数量。

本实施方式将全部用户组分为4组；且为统计方便，设每个用户组带来的收益为1；

给定一个网络拓扑如图6所示，此底层物理基础设施拓扑共有24个节点和49条边，编号为8、14、17和18的四个节点为数据中心。

首先令每个数据中心的初始计算资源有规律地从50以步长10增长到100即[50，60，70，80，90，100]，求出本发明与现有方法下收益的变化(图7(a))则该底层拓扑所能容纳的虚拟网络最大值通过全部数据中心的计算资源与用户组耗费的计算资源的比来获取，结果是[200，240，280，320，360，400]，而收益的极限值就是每个用户组带来的收益与最多可容纳的虚拟网络的乘积，故也为[200，240，280，320，360，400]；但在这种情况下，预设阈值是要变化的，设其为最大可能值的五分之一，结果为[10，12，14，16，18，20]。

综上，本发明方法和现有方法(未考虑基于位置推荐的用户组相关性虚拟网络嵌入方法)的收益随每个计算中心初始计算资源的变化如图7(a)所示，图中也同时将上面分析的极限值画出。

然后给定初始计算资源为50，设系统可嵌入最大数量的虚拟网络，单独令预设阈值从5以步长5增长到25，得到本发明方法和现有方法的收益随预设阈值的变化如图7(b)所示；

最后给定初始计算资源为50，预设阈值为10，令系统可嵌入的虚拟网络数量从120以步长20增长到200，得到本发明方法和现有方法的收益随允许嵌入的虚拟网络数量的变化如图7(c)所示。

从这三张图中可以看到，不管哪种情况，都是本发明方法的收益更高；且由图7(a)可知，本发明方法得到的收益还更接近收益的极限值，这也是本发明方法的优势所在。

虽然以上描述了本发明的具体实施方式，但是本领域内熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式作出多种变更或修改，而不背离本发明的原理和实质。本发明的范围由权利要求书限定。

本发明还提供一种实现该方法的基于位置推荐的光无线混合虚拟网络嵌入系统，如图8所示，包括：

如图9所示，所述评分模块包括：

如图10所示，所述推荐路径计算模块，包括：

如图11所示，所述虚拟网络嵌入模块，包括：

分组模块：将所有的用户组分成若干个小组；

如图12所示，所述计算模块，包括：

Claims

1.基于位置推荐的光无线混合虚拟网络嵌入方法，其特征在于，包括：

所述节点集合包括用户节点和位置节点；

2.根据权利要求1所述的方法，其特征在于，步骤2包括：

3.根据权利要求1所述的方法，其特征在于，步骤3，包括：

4.根据权利要求1所述的方法，其特征在于，步骤4，包括：

步骤4.1：将所有的用户组分成若干个小组；

5.根据权利要求3所述的方法，其特征在于，步骤3.3包括：

6.一种基于位置推荐的光无线混合虚拟网络嵌入系统，其特征在于，包括：

7.根据权利要求6所述的系统，其特征在于，所述评分模块包括：

8.根据权利要求6所述的系统，其特征在于，所述推荐路径计算模块，包括：

9.根据权利要求6所述的系统，其特征在于，所述虚拟网络嵌入模块，包括：

分组模块：将所有的用户组分成若干个小组；

10.根据权利要求8所述的系统，其特征在于，所述计算模块，包括：