CN106550387B - 一种无线传感器网络路由层服务质量评价方法 - Google Patents
一种无线传感器网络路由层服务质量评价方法 Download PDFInfo
- Publication number
- CN106550387B CN106550387B CN201610938160.XA CN201610938160A CN106550387B CN 106550387 B CN106550387 B CN 106550387B CN 201610938160 A CN201610938160 A CN 201610938160A CN 106550387 B CN106550387 B CN 106550387B
- Authority
- CN
- China
- Prior art keywords
- cloud model
- concept
- gauss
- qualitativing
- qualitativing concept
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000005065 mining Methods 0.000 claims abstract description 13
- 238000013441 quality evaluation Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 12
- 238000013442 quality metrics Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种无线传感器网络路由层服务质量评价方法，基于云模型和关联规则挖掘，包括对服务质量数据建立高斯云模型，通过高斯云模型划分服务质量指标表示的定性概念等级；通过树频集关联规则挖掘算法对概念等级进行组合挖掘，得到服务质量规则评语集，实现对网络路由层的服务质量评价。本发明通过对数据建立高斯云模型，将定量数据转化为定性概念表示，同时保留了网络参数的不确定性；树频集关联规则挖掘算法可给出在不同评价目标下的规则评语，同时提高了挖掘效率。
Description
技术领域
本发明涉及无线传感器网络服务质量领域，特别涉及一种基于高斯云模型和关联规则挖掘的无线传感器网络路由层服务质量评价方法。
背景技术
无线传感器网络(Wireless Sensor Network，WSN)由大量分布于空间内的微型传感器节点设备组成，通过无线链路配置传感器节点间协同工作，完成对监测区域的数据传输。WSN部署场景复杂，且与应用高度相关，传统评价方法多基于统计数据给出定量的精确评价表述，不能有效反映WSN的不确定性。目前对于WSN路由层服务质量(Quality ofService，QoS)评价方面的研究集中在对网络参数的分析与修改等方面，主要通过模拟仿真和实物测试两种方法对于协议性能进行分析、比较和评价，典型的评价内容包括：低功耗性、通信可靠性、网络拓扑健壮性及快速收敛性。由于WSN路由协议间的差异性，各项研究针对不同协议自身特点涵盖了包括吞吐量、网络时延、能耗水平、生命周期在内的多种QoS参数。
云模型反映了某个定性概念与其定量表示之间的双向认知转换过程。对于自然语言表示的某一定性概念，给出其精确数学表达往往十分困难甚至不可能，同时定性概念的每一次具体实现通常具有随机性，这使得其精确模型建立时的过拟合风险增加。而目前越来越多的领域涉及到定性概念的模糊性与随机性，经典概率论和传统模糊数学的处理方法已经不能满足要求。云模型从自然语言的基本语言值出发，给出了定性概念的量化方法，同时兼顾其的模糊性与随机性，使其在数据挖掘、自动控制、模式识别等领域更具优势；云模型以定性概念为基本单位,从数据中挖掘知识构成定性规则库，当特定的定性概念组合出现时则激活对应规则，完成定性云推理过程。云模型参数依赖于统计样本的分布情况，而高斯分布在各种概率分布的研究与应用中居于首要地位，基于高斯分布的高斯云模型是目前研究最多，也是最重要的一种云模型。
与传统网络路由协议不同，WSN路由协议的特殊性主要体现在以下几个方面：首先，WSN节点不具备如IP地址等传统网络协议地址，故不能应用基于IP地址的路由协议；其次，WSN路由协议设计需要考虑节点能量、通信带宽、设备内存及计算能力等资源限制问题；最后,WSN路由协议有其自身的有效性、容错能力、安全性等性能评价问题，QoS通常受到不止一个指标的影响，并且各指标具有一定内在联系，难以给出适当的综合评价。由于WSN路由协议高度面向应用场景，其不同协议间差异较大，同时WSN网络不确定性强，单纯的定量评价无法体现WSN的模糊性及不确定性。因此，客观而有效的路由协议性能评价机制对提高网络通信的可靠性、进一步完善协议算法具有重要意义。
发明内容
本发明的目的在于克服现有技术的不足，提出一种无线传感器网络路由层服务质量评价方法，由高斯云模型完成对服务质量数据的定性概念划分，并通过树频集关联规则挖掘算法对定性概念划分进行组合挖掘，得到服务质量规则评语集，解决了无线传感器网络路由层中定性评价及综合评价问题。
本发明解决其技术问题所采用的技术方案是：
一种无线传感器网络路由层服务质量评价方法，包括：
对服务质量数据进行高斯云变换获得高斯云模型，通过高斯云模型完成对服务质量数据的定性概念划分；
针对不同服务质量指标得到的多组定性概念划分，采用树频集关联规则挖掘算法进行关联规则挖掘，得到用于进行服务质量评价的关联规则集。
所述定性概念划分由生成的高斯云模型表示，对于指定服务质量指标，其高斯云模型个数表示当前定性概念划分个数。
所述对服务质量数据进行高斯云变换获得高斯云模型，通过高斯云模型完成对服务质量数据的定性概念划分，包括如下步骤：
步骤a，通过高斯变换参数估计将服务质量数据拟合为包含若干个高斯分布的混合高斯模型；
步骤b，获取混合高斯模型中每个高斯分布对应的高斯云模型的概念含混度；对所有高斯云模型的概念含混度进行筛选，低于预设概念含混度阈值的高斯云模型作为当前定性概念划分；
步骤c，重复步骤a和b，完成对所有服务质量指标的定性概念划分。
所述高斯云模型由数字特征期望，熵及超熵表示；所述数字特征期望表示定性概念在论域空间的中心值，所述熵表示定性概念的离散程度，所述超熵表示熵的离散程度。
所述高斯云模型的参数用如下方式表示：
Ex＝μ
其中，Ex表示数字特征期望，En表示熵，He表示超熵，μ表示高斯分布期望，σ表示高斯分布标准差，α表示高斯分布的缩放比。
所述概念含混度用于表示定性概念的外延离散程度，通过CD＝3He/En表示。
所述关联规则用于表示待评价服务质量指标在运行过程中可能出现的评价情况，包含由若干种服务质量指标组成的事务数据库及预定义的规则前件与规则后件；当规则前件所表示的定性概念全部满足时，该关联规则被激活，所对应的评价生效；所述事务数据库由不同服务质量指标随机组合而成，组合的具体形式根据路由层运行过程中出现的各定性概念生成；所述规则前件由多个服务质量指标的定性概念组成；所述规则后件由当前待评价的服务质量指标的定性概念组成。
所述树频集关联规则挖掘算法以所述事务数据库与最小支持度为初始输入；所述最小支持度表示为数据库事务记录中定性概念的出现频率；所述关联规则集包括若干由用户定义的规则前件与规则后件组成的关联规则。
本发明提供的技术方案带来的有益效果是：
(1)采用了以高斯云模型为基础的定性概念划分方法，在降低评价复杂性的同时保留了无线传感器网络的模糊性与不确定性，对于数据中的离群点具有一定的处理能力，同时高斯云模型作为应用最广泛的云模型，可以有效拟合大多数服务质量指标；
(2)采用关联规则挖掘手段，将得到的定性概念以关联规则前件与后件的方式进行组合，针对不同的评价目标可随时更改规则组合，从而发掘不同评价指标间的内在联系，有利于给出综合评价。
(3)采用FP-树频集算法，提高了关联规则挖掘的效率，在大规模数据或细粒度评价中，节省了计算资源与存储空间。
以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种无线传感器网络路由层服务质量评价方法不局限于实施例。
附图说明
图1是本发明实施例中评价方法的数据流图；
图2是本发明实施例中ECL高斯变换过程；
图3是本发明实施例中ECL定性概念划分结果；
图4是本发明实施例中ATD评价结果图。
具体实施方式
本发明公开的一种无线传感器网络路由层服务质量评价方法，其核心在于通过将数据进行高斯云变换，得到不同指标的高斯云模型的定性概念划分；同时通过关联规则挖掘找到不同指标间的内在联系，最终给出定性的综合评价结果。本发明方法具体包括如下步骤：
步骤1，通过高斯变换参数估计将服务质量(QoS)数据拟合为包含若干个高斯分布的混合高斯模型；
步骤2，将混合高斯模型中每个高斯分布转换为高斯云模型，得到的高斯云模型即作为当前定性概念划分；
步骤3，重复步骤1与2，对所有服务质量指标生成定性概念；
步骤4，根据高斯云模型将路由层各指标数据定量表示映射为定性概念，从而生成以定性为基本单位的事务数据库；
步骤5，对步骤4中所得事务数据库进行关联规则挖掘，得到符合条件的QoS指标关联规则集，当对应规则前件被激活，对应的规则后件即为当前指标的定性评价。
所述步骤1可进一步表示为：
a)设置样本集波峰个数为高斯分布个数M；
b)对第k(k＝1,...,M)个高斯分布，根据极大似然估计，计算高斯分布参数；
c)重复步骤b，通过期望值最大化算法进行迭代，优化高斯分布参数；
d)达到最大迭代次数或误差小于期望值，停止迭代，输出所有高斯分布。
所述步骤2可进一步表示为：
a)对每个高斯分布计算其缩放比α，缩放比α满足如下条件：
μk-1+3α1σk-1＝μk-3α1σk
μk+3α2σk＝μk+1-3α2σk+1
α＝min(α1,α2)
其中μ表示高斯分布期望，σ表示高斯分布标准差；
b)根据缩放比及高斯分布期望及标准差计算高斯云模型参数，高斯云模型参数计算公式如下：
Exk＝μk
其中，Ex表示数字特征期望，En表示熵，He表示超熵，μ表示高斯分布期望，σ表示高斯分布标准差，α表示高斯分布的缩放比；
c)计算高斯云模型概念含混度CD＝3He/En，若CD大于给定阈值β，则M＝M-1，同时剔除当前高斯云模型；
d)重复步骤a)～c)，剔除所有含混度不小于β的高斯云模型，最终输出M个高斯云模型。
所述步骤4可进一步表示如下：
a)设定进行QoS评价的关联规则前件指标序列及关联后件指标；
b)对于所有指标，根据其同一时刻的定量数据表示与对应指标高斯云模型关系，将其映射为定性概念；
c)由所有定性概念组合事务数据库，剔除重复组合；
所述步骤5可进一步表示为：
a)扫描事务数据库，统计事务中每个项目的出现次数，将次数低于最小支持度minsupport的项目删除，事务集合中剩余事务项目按照出现次数由高到低排列，得到新的事务集合
F{fi|i＝1,2,...,K}
b)将步骤a得到的事务集合F导入条件模式基(Conditional Pattern Base，CPB)，创建后缀模式PostModel作为频繁模式初始列表，初始时PostModel为空；
c)扫描CPB构建频繁模式树FP-Tree，将每条事务记录插入FP-Tree；
d)选取FP-Tree中未被选取过的一个项目，对该项目寻找FP-Tree根节点到该项目节点的所有路径，将该项目加入PostModel并从每条路径中删除，输出PostModel作为一条频繁模式及其支持度；
e)步骤d中每条路径作为一条新事务记录并加入新的条件模式基CPBNew，若CPBNew不为空则转到步骤3，否则重新转到步骤4。
如下结合具体实施例及附图对本发明的方法作进一步说明。
为获取实施过程中所需路由层数据，构建基于多种路由协议的无线传感器网络测试平台。其中传感器节点采用TI公司的CC2530与CC2531，嵌入式操作系统采用面向无线传感器网络的TinyOS系统。网络节点通过串口或USB接口与PC机传输数据，PC机可通过测试平台管理软件发送协议控制与数据采集指令。
如图1，本发明的基于一种无线传感器网络路由层服务质量评价方法实施例数据处理流程如下：
步骤S100，采集无线传感器网络测试平台路由层QoS运行数据；
步骤S200，对QoS数据进行高斯云变换，划分各QoS指标表示的定性概念；
步骤S300，对指标表示的定性概念进行关联规则挖掘；
步骤S400，输入以规则前件为组合的待评价QoS数据，激活相应关联规则，得到QoS评价结果。
所述步骤S200进一步包括：
步骤S201，求出QoS数据频度分布图及频度分布图波峰个数，作为初始定性概念个数M；
步骤S202，采用高斯变换拟合QoS数据频度分布图，得到M个高斯分布组成的混合高斯模型；
步骤S203，对每个高斯分布计算缩放比α，求出对应高斯云模型C(Exk,Enk,Hek)；
步骤S204，对每个高斯云模型计算概念含混度CD，剔除含混度不小于给定阈值β的高斯云模型，并使M＝M-1；
步骤S205，跳转至步骤S203，重新生成高斯云模型并继续执行，直至所有高斯云模型含混度均小于β，输出所有高斯云模型。
针对当前被处理指标，其高斯云模型个数即为该指标定性概念个数。在本实施例中，共针对三种路由协议共四种QoS指标进行处理：协议运行能耗水平数据ECL(EnergyConsumption Level)、网络传输效率NTE(Network Transmission Effects)、网络拥塞度DoC(Degree of Congestion)及网络平均传输时延ATD(Average Transmission Delay)。经过高斯云变换，ECL被划分为三类定性概念{低,中,高}，NTE被划分为三类定性概念{低,中,高}，DoC被划分为两类定性概念{低,高}，ATD被划分为四类定性概念{极低,低,中,高}。图2及图3(图3中从左至右的三条曲线依次表示低、中、高)表示了ECL进行定性概念划分的过程及结果。
所述步骤S300进一步包括：
步骤S301，用户根据评价需求选取的规则前件定性概念指标组合，本实施例中以ECL，NTE与DoC作为规则前件定性概念组合；
步骤S302，根据评价需求选取规则后件定性概念指标，本实施例中选取ATD作为规则后件定性概念指标；
步骤S303，将采集到的各指标数据，依照对应指标的高斯云模型进行映射，得到定量数据的定性概念表示；
步骤S304，依时间顺序提取所有指标定性概念排列组合，并作为事务记录存储至事务数据库；
步骤S305，对事务数据库应用树频集关联规则挖掘算法，得到符合条件的若干关联规则评语(该评语以ECL，NTE与DoC作为规则前件，以ATD作为规则后件)。
在本实施例中，对于各指标进行关联规则挖掘后得到7条强关联规则评语，如下表所示(为方便进行关联规则挖掘，以对文字叙述的定性概念进行标号代替)：
所述步骤S400进一步包括：
步骤S401，对于待评价QoS数据，根据已生成的高斯云模型获取其对应的定性概念组合；
步骤S402，查找评语集中对应规则前件的关联规则评语，输出其规则后件作为待评价指标的定性概念描述。
图4为以ATD为评价指标的最终评价结果，对比洪泛协议(Flooding)，低功耗自适应集簇分层型协议(Low Energy Adaptive Clustering Hierarchy，LEACH)，定向扩散协议(Directed Diffusion，DD)三种无线传感器网络路由协议进行横向评价比较。输入的定量表示的ATD数据与ATD高斯云模型定性描述保持一致，表示基于高斯云模型的路由层QoS评价结果与实际数据相吻合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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)
1.一种无线传感器网络路由层服务质量评价方法，其特征在于，包括：
对服务质量数据进行高斯云变换获得高斯云模型，通过高斯云模型完成对服务质量数据的定性概念划分；
针对不同服务质量指标得到的多组定性概念划分，采用树频集关联规则挖掘算法进行关联规则挖掘，得到用于进行服务质量评价的关联规则集；
所述定性概念划分由生成的高斯云模型表示，对于指定服务质量指标，其高斯云模型个数表示当前定性概念划分个数；
所述对服务质量数据进行高斯云变换获得高斯云模型，通过高斯云模型完成对服务质量数据的定性概念划分，包括如下步骤：
步骤a，通过高斯变换参数估计将服务质量数据拟合为包含若干个高斯分布的混合高斯模型；
步骤b，获取混合高斯模型中每个高斯分布对应的高斯云模型的概念含混度；对所有高斯云模型的概念含混度进行筛选，低于预设概念含混度阈值的高斯云模型作为当前定性概念划分；
步骤c，重复步骤a和b，完成对所有服务质量指标的定性概念划分；
所述高斯云模型由数字特征期望，熵及超熵表示；所述数字特征期望表示定性概念在论域空间的中心值，所述熵表示定性概念的离散程度，所述超熵表示熵的离散程度；
所述针对不同服务质量指标得到的多组定性概念划分，采用树频集关联规则挖掘算法进行关联规则挖掘，得到用于进行服务质量评价的关联规则集，包括如下步骤：
步骤d，根据高斯云模型将路由层各指标数据定量表示映射为定性概念，从而生成以定性为基本单位的事务数据库；
步骤e，对步骤d中所得事务数据库进行关联规则挖掘，得到符合条件的QoS指标关联规则集，当对应规则前件被激活，对应的规则后件即为当前指标的定性评价；
所述步骤a可进一步表示为：
a1，设置样本集波峰个数为高斯分布个数M；
a2，对第k个高斯分布，根据极大似然估计，计算高斯分布参数；其中，k＝1,...,M；
a3，重复步骤a2，通过期望值最大化算法进行迭代，优化高斯分布参数；
a4，达到最大迭代次数或误差小于期望值，停止迭代，输出所有高斯分布；
所述步骤b可进一步表示为：
b1，对每个高斯分布计算其缩放比α，缩放比α满足如下条件：
μk-1+3α1σk-1＝μk-3α1σk
μk+3α2σk＝μk+1-3α2σk+1
α＝min(α1,α2)
其中μ表示高斯分布期望，σ表示高斯分布标准差；
b2，根据缩放比及高斯分布期望及标准差计算高斯云模型参数，高斯云模型参数计算公式如下：
Exk＝μk
<mrow>
<msub>
<mi>En</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&alpha;</mi>
<mo>)</mo>
<msub>
<mi>&sigma;</mi>
<mi>k</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
1
<mrow>
<msub>
<mi>He</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>)</mo>
<msub>
<mi>&sigma;</mi>
<mi>k</mi>
</msub>
</mrow>
<mn>6</mn>
</mfrac>
</mrow>
其中，Ex表示数字特征期望，En表示熵，He表示超熵，μ表示高斯分布期望，σk表示高斯分布标准差，α表示高斯分布的缩放比；
b3，计算高斯云模型概念含混度CD＝3He/En，若CD大于给定阈值β，则M＝M-1，
同时剔除当前高斯云模型；所述概念含混度用于表示定性概念的外延离散程度；
b4，重复步骤b1～b3，剔除所有含混度不小于β的高斯云模型，最终输出M个高斯云模型；
所述步骤d可进一步表示如下：
d1，设定进行QoS评价的关联规则前件指标序列及关联后件指标；
d2，对于所有指标，根据其同一时刻的定量数据表示与对应指标高斯云模型关系，将其映射为定性概念；
d3，由所有定性概念组合事务数据库，剔除重复组合；
所述步骤e可进一步表示为：
e1，扫描事务数据库，统计事务中每个项目的出现次数，将次数低于最小支持度minsupport的项目删除，事务集合中剩余事务项目按照出现次数由高到低排列，得到新的事务集合
F{fi|i＝1,2,...,K}
e2，将步骤e1得到的事务集合F导入条件模式基，创建后缀模式PostModel作为频繁模式初始列表，初始时PostModel为空；
e3，扫描CPB构建频繁模式树FP-Tree，将每条事务记录插入FP-Tree；
e4，选取FP-Tree中未被选取过的一个项目，对该项目寻找FP-Tree根节点到该项目节点的所有路径，将该项目加入PostModel并从每条路径中删除，输出PostModel作为一条频繁模式及其支持度；
e5，步骤e4中每条路径作为一条新事务记录并加入新的条件模式基CPBNew，若CPBNew不为空则转到步骤c，否则重新转到步骤d。
2.根据权利要求1所述的无线传感器网络路由层服务质量评价方法，其特征在于，所述关联规则用于表示待评价服务质量指标在运行过程中可能出现的评价情况，包含由若干种服务质量指标组成的事务数据库及预定义的规则前件与规则后件；当规则前件所表示的定性概念全部满足时，该关联规则被激活，所对应的评价生效；所述事务数据库由不同服务质量指标随机组合而成，组合的具体形式根据路由层运行过程中出现的各定性概念生成；所述规则前件由多个服务质量指标的定性概念组成；所述规则后件由当前待评价的服务质量指标的定性概念组成。
3.根据权利要求2所述的无线传感器网络路由层服务质量评价方法，其特征在于，所述树频集关联规则挖掘算法以所述事务数据库与最小支持度为初始输入；所述最小支持度表示为数据库事务记录中定性概念的出现频率；所述关联规则集包括若干由用户定义的规则前件与规则后件组成的关联规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610938160.XA CN106550387B (zh) | 2016-10-25 | 2016-10-25 | 一种无线传感器网络路由层服务质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610938160.XA CN106550387B (zh) | 2016-10-25 | 2016-10-25 | 一种无线传感器网络路由层服务质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106550387A CN106550387A (zh) | 2017-03-29 |
| CN106550387B true CN106550387B (zh) | 2017-10-20 |
Family
ID=58392946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610938160.XA Expired - Fee Related CN106550387B (zh) | 2016-10-25 | 2016-10-25 | 一种无线传感器网络路由层服务质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106550387B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107295537A (zh) * | 2017-08-08 | 2017-10-24 | 山东英才学院 | 一种测评无线传感器网络可靠性的方法及系统 |
| CN112566170B (zh) * | 2020-11-25 | 2022-07-29 | 中移（杭州）信息技术有限公司 | 网络质量评估方法、装置、服务器及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289496A (zh) * | 2011-08-22 | 2011-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
| CN105282242A (zh) * | 2015-09-29 | 2016-01-27 | 杭州天宽科技有限公司 | 一种基于多属性信息的数据中心间的数据传输调度方法 |
-
2016
- 2016-10-25 CN CN201610938160.XA patent/CN106550387B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289496A (zh) * | 2011-08-22 | 2011-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络的无线认知网络知识库构建方法 |
| CN105282242A (zh) * | 2015-09-29 | 2016-01-27 | 杭州天宽科技有限公司 | 一种基于多属性信息的数据中心间的数据传输调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106550387A (zh) | 2017-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105163326B (zh) | 一种基于无线网络话务特征的小区聚类方法和系统 | |
| CN106326637A (zh) | 一种基于局部有效路径度的链路预测方法 | |
| CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
| CN105721228A (zh) | 基于快速密度聚类的电力通信网节点重要性评估方法 | |
| CN108009575A (zh) | 一种用于复杂网络的社区发现方法 | |
| CN105893637A (zh) | 大规模微博异构信息网络中的链接预测方法 | |
| CN108805193A (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
| CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
| CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
| CN107483487B (zh) | 一种基于topsis的多维网络安全度量方法 | |
| CN103888541A (zh) | 一种融合拓扑势和谱聚类的社区发现方法及系统 | |
| CN105574541A (zh) | 一种基于紧密度排序的网络社区发现方法 | |
| CN109672554A (zh) | 确定故障根因的方法及装置 | |
| CN108984830A (zh) | 一种基于模糊网络分析的建筑能效评价方法及装置 | |
| CN117235647B (zh) | 基于边缘计算的矿产资源勘查业务hse数据管理方法 | |
| CN106296315A (zh) | 基于用户用电数据的情境感知系统 | |
| CN107729939A (zh) | 一种面向新增电网资源的cim模型扩展方法及装置 | |
| Zhang et al. | Reconstructing heterogeneous networks via compressive sensing and clustering | |
| CN104778528A (zh) | 利用大数据获取智慧城市评估指标的方法及系统 | |
| CN106550387B (zh) | 一种无线传感器网络路由层服务质量评价方法 | |
| CN110287237B (zh) | 一种基于社会网络结构分析社团数据挖掘方法 | |
| Jin et al. | Ant colony optimization with markov random walk for community detection in graphs | |
| CN109255433B (zh) | 一种基于相似性的社区检测的方法 | |
| Lu et al. | Framework of industrial networking sensing system based on edge computing and artificial intelligence | |
| Zhang et al. | Root cause analysis of concurrent alarms based on random walk over anomaly propagation graph |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171020 |