CN108601047B - 机会网络关键节点的测量方法 - Google Patents
机会网络关键节点的测量方法 Download PDFInfo
- Publication number
- CN108601047B CN108601047B CN201810869232.9A CN201810869232A CN108601047B CN 108601047 B CN108601047 B CN 108601047B CN 201810869232 A CN201810869232 A CN 201810869232A CN 108601047 B CN108601047 B CN 108601047B
- Authority
- CN
- China
- Prior art keywords
- node
- key
- network
- nodes
- opportunity
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种机会网络关键节点的测量方法,包括:将预设时间段内的机会网络按照预设的时间窗口进行划分,得到多个机会网络单元,并针对每个所述机会网络单元建立对应的拓扑凝聚图;计算每个所述拓扑凝聚图中各个节点的评估指标参数,并根据所述评估指标参数确定所述机会网络中的一关键节点,所述评估指标参数包括二阶节点度、连接强度以及关键域重要度。本发明实施例中考虑到机会网络的动态特征,采用时间切片的方法将动态的机会网络转换为静态网络,其不仅考虑到机会网络的动态特征,且在静态网络的基础上确定机会网络的关键节点,其准确度更高,且适用性广。
Description
技术领域
本发明涉及机会网络领域,特别是涉及一种机会网络关键节点的测量方法。
背景技术
机会网络是一种不需要源节点与目的节点之间存在稳定链路,利用节点移动带来的相遇机会实现通信的自组织网络,它比传统的移动自组织网络更具有实用性。传统的WSN要求源节点与目的节点之间至少存在一条完整的通信路径,但在机会网络中则不需要,因为它是通过“存储-携带-转发”的方式进行数据传输的。
关键节点是机会网络最为重要的节点,它的失效可能会导致整个网络运行不正常,甚至瘫痪。在实际应用中,如能获知或预测到网络的关键节点,网络部署人员便可以根据关键节点的相关信息对网络进行优化,尽可能的优化关键节点,以增强网络的健壮性;或是在网络维护中,维护人员可以通过重点监视网络关键节点的状态,及时维护关键节点,以确保网络正常运行。如果网络出现瘫痪,网络维护人员还可以第一时间排查关键节点是否正常,这样可以大大减少网络维护的时间和成本。由此可见,关键节点的预测对机会网络的实际应用有着重要的意义。
目前国内外针对机会网络的关键节点研究上主要集中在静态无线传感器网络中,其关键节点的确定方法是建立在节点能够确定自身位置信息的基础上,这使得该方法的应用具有很大的局限性。纵观现有的机会网络关键节点的测量方法都没有结合机会网络的动态性特点进行考虑,在诸如此类动态网络下无法对关键节点进行准确评估与预测。
发明内容
鉴于上述状况,有必要针对现有技术中机会网络的关键节点的测量方法没有考虑到机会网络的动态特征,导致关键节点测量不准确的问题,提供一种机会网络关键节点的测量方法。
一种机会网络关键节点的测量方法,包括:
将预设时间段内的机会网络按照预设的时间窗口进行划分,得到多个机会网络单元,并针对每个所述机会网络单元建立对应的拓扑凝聚图;
计算每个所述拓扑凝聚图中各个节点的评估指标参数,并根据所述评估指标参数确定所述机会网络中的一关键节点,所述评估指标参数包括二阶节点度、连接强度以及关键域重要度。
进一步的,上述机会网络关键节点的测量方法,其中,所述根据所述评估指标参数确定所述机会网络中的一关键节点的步骤包括:
根据每个所述拓扑凝聚图中各个节点的评估指标,确定每个所述拓扑凝聚图中的疑似关键节点;
统计所述预设时间段内所述机会网络中各个节点被确定为疑似关键节点的次数,将所述次数最大的节点确定为所述机会网络的关键节点。
进一步的,上述机会网络关键节点的测量方法,其中,所述根据每个所述拓扑凝聚图中各个节点的评估指标,确定每个所述拓扑凝聚图中的疑似关键节点的步骤包括:
根据当前拓扑凝聚图中每个节点的评估指标参数,计算当前拓扑凝聚图中每个节点对应的欧式距离;
确定所述欧式距离最大的一节点为所述当前拓扑凝聚图中的疑似关键节点。
进一步的,上述机会网络关键节点的测量方法,其中,所述欧式距离计算公式为:
进一步的,上述机会网络关键节点的测量方法,其中,所述二阶节点度的计算公式为:
进一步的,上述机会网络关键节点的测量方法,其中,所述连接强度的计算公式为:
进一步的,上述机会网络关键节点的测量方法,其中,所述关键域重要度的计算公式为:
其中,Fi表示关键域,且Fi={s|s∈(ah∩aj)∪ai,s≠a},其中ai表示a的邻域,ah、aj分别表示ai中任意两个节点h、j的邻域,Bi表示Fi中任意节点对之间不经过节点a的最短路径数,si表示Fi中任意节点对之间经过a的最短路径数,d(a,b)表示关键域Fi中节点a到节点b的长度,(a≠b)。
进一步的,上述机会网络关键节点的测量方法,其中,所述针对每个所述机会网络单元建立对应的拓扑凝聚图的步骤包括:
分别将每个所述机会网络单元中发生过连接的节点和边绘制到一张图中,以形成多个拓扑凝聚图。
本发明实施例提出了拓扑凝聚图的概念,通过设置的时间窗口将动态的机会网络转化成各个静态网络,每张拓扑凝聚图都由时间窗口内的动态网络凝聚而成。根据拓扑凝聚图定义能反映节点重要性的评估指标参数:二阶节点度、连接强度、关键域重要度,并根据该评估指标参数确定该机会网络中的关键节点。本发明实施例中考虑到机会网络的动态特征,采用时间切片的方法将动态的机会网络转换为静态网络,其不仅考虑到机会网络的动态特征,且在静态网络的基础上确定机会网络的关键节点,其准确度更高,且适用性广。
附图说明
图1为本发明第一实施例中机会网络关键节点的测量方法的流程图;
图2为本发明第二实施例中机会网络关键节点的测量方法的流程图;
图3a~3c分别为机会网络t1~t3时刻的场景示意图;
图4为t0~tn时间窗口内机会网络节点的拓扑凝聚图示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
请参阅图1,为本发明第一实施例中的机会网络关键节点的测量方法,包括步骤S11~S12。
步骤S11,将预设时间段内的机会网络按照预设的时间窗口进行划分,得到多个机会网络单元,并针每个所述机会网络单元建立对应的拓扑凝聚图。
本发明实施例提出了拓扑凝聚图的概念,通过时间切片的方法将一段时间内的动态的机会网络转化成静态网络,每张拓扑凝聚图都由时间窗口内的动态网络凝聚而成。该预设时间段内的时间窗口的大小可根据机会网络数据集进行初步分析确定,具体的,首先选取2~3组机会网络数据集,分析节点对之间的连接时长分布情况,根据分布结果选择多个不同大小的时间窗口;再用选择的不同时间窗口分别进行实验,以进一步分析数据集在每个时间窗口内的拓扑连接情况;结合各个节点的评估指标参数和时间窗口内的拓扑连接情况确定最合适的时间窗口。
将预设段时间段T内的机会网络按照设置的时间窗口Δt进行划分,得到多个机会网络单元,将每个机会网络单元中发生过连接的节点和边都对应绘制到一张图中,以分别形成每个机会网络单元对应的拓扑凝聚图,从而将动态的机会网络转换为静态网络。
一系列关于时间窗口(t0,t1],(t1,t2],...,(tτ-1,tτ]的有序图集形成拓扑凝聚图集合G={G0,G1,G2,...,Gn},其中,(t0,tτ]=T,(t0,t1]=(t1,t2]=...=(tτ-1,tτ]=Δt。任意一时间窗口对应的拓扑凝聚图即为Gi=(Vi,Ei,ωi),其表示的是在时间窗口(ti,ti+1]内的拓扑图,即第i个时间窗口内节点间边的凝聚结果,Ei为该时间窗口内发生连接的节点间边的集合,Vi为该时间窗口内所有节点构成的集合,ωi为边集Ei各边的权值所构成的集合。其中,拓扑凝聚图的权值集合如下:
给定一个拓扑凝聚图Gi=(Vi,Ei,ωi),对于任意节点对a、b,其边的权值为该时间窗口内节点对之间的连接次数与连接时长之积,定义如下:
其中,为第i个拓扑凝聚图中节点a与节点b之间建立的边的权值,H为第i个时间窗口内节点a与节点b建立连接的次数,k为节点a与节点b第k次建立连接,为节点a与节点b第k次连接断开的时刻,为节点a与节点b第k次连接开始的时刻。
步骤S12,计算每个所述拓扑凝聚图中各个节点的评估指标参数,并根据所述评估指标参数确定所述机会网络中的一关键节点,所述评估指标参数包括二阶节点度、连接强度以及关键域重要度。
上述步骤中,节点的评估指标根据网络的特性确定,其网络特性包括局部特性、行为特性以及全局特性。本实施例根据选取的时间窗口Δt对机会网络进行建模得到机会网络拓扑凝聚图模型,在此基础上获取节点的二阶节点度、连接强度以及关键域重要度参数,通过这些参数评估节点在机会网络中的重要程度。下面将给出拓扑凝聚图中节点的二阶节点度、连接强度以及关键域重要度的详细定义。
定义网络的二阶节点度满足以下公式:
定义网络的连接强度满足以下公式:
定义网络的关键域重要度满足以下公式:
其中,Fi表示关键域且Fi={s|s∈(ah∩aj)∪ai,s≠a}其中ai表示a的邻域,ah、aj分别表示ai中任意两个节点h、j的邻域,Bi表示Fi中任意节点对之间不经过节点a的最短路径数,si表示Fi中任意节点对之间经过a的最短路径数,d(a,b)表示关键域Fi中节点a到节点b的长度,(a≠b)。
根据每个拓扑凝聚图中各个节点的评估指标参数确定该机会网络中的一关键节点。其中,可根据计算得到的各个节点的评估指标参数建立关键节点的评估方法模型,该评估方法模型例如可利用欧式距离方法计算节点的重要度并进行排名,排名靠前的节点,即为网络的关键节点。其中,欧式距离算法公式为:
本实施例提出了拓扑凝聚图的概念,通过设置的时间窗口将动态的机会网络转化成各个静态网络,每张拓扑凝聚图都由时间窗口内的动态网络凝聚而成。根据拓扑凝聚图定义能反映节点重要性的评估指标参数:二阶节点度、连接强度、关键域重要度,并根据该评估指标参数确定该机会网络中的关键节点。本实施例中考虑到机会网络的动态特征,采用时间切片的方法将动态的机会网络转换为静态网络,其不仅考虑到机会网络的动态特征,且在静态网络的基础上确定机会网络的关键节点,其准确度更高,且适用性广。
请参阅图2,为本发明第二实施例中的机会网络关键节点的测量方法,包括步骤S21~S25。
步骤S21,将预设时间段内的机会网络按照预设的时间窗口进行划分,得到多个机会网络单元。
步骤S22,分别将每个所述机会网络单元中发生过连接的节点和边绘制到一张图中,以形成多个拓扑凝聚图。
该预设的时间段选取时长较长的时间段,例如2h,该时间窗口可根据实际需要进行确定,例如10min。一段时间内的机会网络为一动态网络(如图3a~3c所示),将该时间段内的机会网络按照时间窗口进行划分,得到多个机会网络单元,每个机会网络单元也是一动态网络。
分别将每个机会网络单元中发生过连接的节点和边绘制到一张图中,可得到多个拓扑凝聚图,一个机会网络单元对应一个拓扑凝聚图(如图4所示)。该拓扑凝聚图即是将动态的机会网络单元转换为静态网络后的图像。
步骤S23,分别计算每个所述拓扑凝聚图中各个节点的评估指标参数,所述评估指标参数包括二阶节点度、连接强度以及关键域重要度。
静态网络常用节点度作为节点重要性的一个参数,但该参数无法识别“桥节点”以及度相同的节点的重要性,考虑到节点度表征节点重要度的不足,本实施例通过将动态的机会网络转化成时间窗口内的静态网络,在节点度的基础上提出二阶节点度,满足以下公式:
节点a的二阶节点度反应了节点a与周围节点的联系情况,特别是在节点度基础上修正后的二级连通情况,不仅能反映节点a的邻接节点将数据汇聚到节点a的情况,而且能够体现其他与节点a不直接相邻的节点将数据汇聚到节点a的情况。
仅仅通过边的集合关系还不足以表达节点之间连接的紧密程度,故定义连接强度,满足以下公式:
连接强度反映了节点之间相互通信的紧密程度,某个节点的连接强度越大,则该节点作为网络枢纽的可能性越大。
为了结合常规评价指标中节点度、接近度、介数的优点,提出关键域重要度,定义如下:
其中,Fi表示关键域,且Fi={s|s∈(ah∩aj)∪ai,s≠a},其中ai表示a的邻域,ah、aj分别表示ai中任意两个节点h、j的邻域,Bi表示Fi中任意节点对之间不经过节点a的最短路径数,si表示Fi中任意节点对之间经过a的最短路径数,d(a,b)表示关键域Fi中节点a到节点b的长度,(a≠b)。
节点的关键域重要度越大,则节点越重要。为了利用接近度和介数的优点,同时又为了减少这两个指标复杂的计算量,在此处定义了关键域这样一个概念,这就大大减少了计算量,尤其是应用于节点数量众多的机会网络时也具有可行性。
步骤S24,根据每个所述拓扑凝聚图中各个节点的评估指标,确定每个所述拓扑凝聚图中的疑似关键节点。
根据每个拓扑凝聚图中各个节点的评估指标进行关键节点的确认,从而确定各个拓扑凝聚图中的疑似关键节点。
其中,以一当前拓扑凝聚图为例,其确定当前拓扑凝聚图中的疑似关键节点的步骤包括:
步骤S241,根据当前拓扑凝聚图中每个所述节点的评估指标参数,计算当前拓扑凝聚图中每个节点对应的欧式距离;
步骤S242,确定所述欧式距离最大的一节点为所述当前拓扑凝聚图中的疑似关键节点。
其中,欧式距离算法公式为:
进一步的,具体实施时,可根据上述步骤计算的结果建立以二阶节点度、连接强度以及关键域重要度为三个维度的三维空间坐标系,并对每个维度进行归一化,使得每个维度上的单位长度一致,便于进行不同维度参数的比较。将每个节点在三个重要性参数下的值映射到三维空间坐标系中,计算每个节点的欧式距离,则欧式距离最大的点距离坐标原点最远,该点就作为疑似关键节点。
如图4所示,本实施例提出基于拓扑凝聚图的关键节点测量方法在时间段T内的机会网络,按照时间窗口切分为n个等长的时间片,分别为[t0,t1],[t1,t2],…,[tn-1,tn],每个时间段内的动态变化的机会网络凝聚成一个静态拓扑图。在三维空间中建立以二阶节点度、连接强度以及关键域重要度为三个维度的空间直角坐标系,每个维度从小到大对应节点在该重要度参数下越来越重要。将三个节点重要度参数映射到三维空间坐标系上,分别计算每个节点在三个重要度参数下的重要性,并映射到三维空间中,计算每个节点的欧式距离,则距离坐标原点最远的节点即为要识别的疑似关键节点。
步骤S25,统计所述预设时间段内所述机会网络中各个节点被确定为疑似关键节点的次数,将所述次数最大的节点确定为所述机会网络的关键节点。
本实施例中,将预设时间段T内的机会网络按照时间窗口Δt进行划分,得到多个机会网络单元,并建立每个机会网络单元的拓扑凝聚图,从而将一个个将动态的机会网络单元转化成静态网络。根据欧式距离算法确定每个拓扑凝聚图上各个节点中的疑似关键节点,并统计该预设时间段T内该机会网络中被判定为疑似关键节点的次数,将次数最大的节点作为该机会网络的关键节点。
下面以一具体的实施方式说明本发明实施例中的机会网络关键节点的测量方法:
Step1:在时间T内,以时间窗口Δt建立机会网络拓扑凝聚图,获取当前时间窗口的拓扑凝聚图中各个节点的二阶节点度、连接强度以及关键域重要度;
Step2:根据Step1的计算结果建立以二阶节点度、连接强度以及关键域重要度为三个维度的三维空间坐标系,并对每个维度进行归一化,使得每个维度上的单位长度一致,便于进行不同维度参数的比较;
Step3:将每个节点在三个重要性参数下的值映射到三维空间坐标系中,计算每个节点的欧式距离,则欧式距离最大的点距离坐标原点最远,该点就作为疑似关键节点;
Step4:将Step1~Step3重复进行n次,即对每个时间窗口的凝聚拓扑图进行上述操作,实验总时长为n*Δt(即T),统计每一个节点被判定为疑似关键节点的次数Li(第i个节点被判定为疑似关键节点的次数),选出其中被判定为疑似关键节点次数最多的节点作为机会网络的关键节点。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种机会网络关键节点的测量方法,其特征在于,包括:
将预设时间段内的机会网络按照预设的时间窗口进行划分,得到多个机会网络单元,并针对每个所述机会网络单元建立对应的拓扑凝聚图;
计算每个所述拓扑凝聚图中各个节点的评估指标参数,并根据所述评估指标参数确定所述机会网络中的一关键节点,所述评估指标参数包括二阶节点度、连接强度以及关键域重要度;
所述根据所述评估指标参数确定所述机会网络中的一关键节点的步骤包括:
根据每个所述拓扑凝聚图中各个节点的评估指标,确定每个所述拓扑凝聚图中的疑似关键节点;
统计所述预设时间段内所述机会网络中各个节点被确定为疑似关键节点的次数,将所述次数最大的节点确定为所述机会网络的关键节点;
所述根据每个所述拓扑凝聚图中各个节点的评估指标,确定每个所述拓扑凝聚图中的疑似关键节点的步骤包括:
根据当前拓扑凝聚图中每个节点的评估指标参数,计算当前拓扑凝聚图中每个节点对应的欧式距离;
确定所述欧式距离最大的一节点为所述当前拓扑凝聚图中的疑似关键节点。
6.如权利要求1所述的机会网络关键节点的测量方法,其特征在于,所述针对每个所述机会网络单元建立对应的拓扑凝聚图的步骤包括:
分别将每个所述机会网络单元中发生过连接的节点和边绘制到一张图中,以形成多个拓扑凝聚图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810869232.9A CN108601047B (zh) | 2018-08-02 | 2018-08-02 | 机会网络关键节点的测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810869232.9A CN108601047B (zh) | 2018-08-02 | 2018-08-02 | 机会网络关键节点的测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108601047A CN108601047A (zh) | 2018-09-28 |
CN108601047B true CN108601047B (zh) | 2021-07-16 |
Family
ID=63619080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810869232.9A Active CN108601047B (zh) | 2018-08-02 | 2018-08-02 | 机会网络关键节点的测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108601047B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110149233B (zh) * | 2019-05-23 | 2021-12-24 | 南昌航空大学 | 采用概要图和节点对影响值评估关键节点的方法与系统 |
CN110650050B (zh) * | 2019-09-25 | 2020-10-23 | 南昌航空大学 | 一种采用效率依赖矩阵评估机会网络关键节点的方法 |
CN110557294A (zh) * | 2019-09-25 | 2019-12-10 | 南昌航空大学 | 一种基于网络变化度的psn网络的时间切片方法 |
CN110661661B (zh) * | 2019-09-25 | 2021-12-21 | 南昌航空大学 | 一种基于排序学习预测机会网络关键节点的方法 |
CN113079058B (zh) * | 2021-03-18 | 2022-07-08 | 中国人民解放军军事科学院国防科技创新研究院 | 一种关键基础设施网络弹性强化方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102118450B (zh) * | 2011-03-25 | 2013-02-27 | 北京航空航天大学 | 一种基于中间中心度的机会网络p2p信息查询方法 |
CN103227731B (zh) * | 2013-04-23 | 2016-04-20 | 西北工业大学 | 基于改进“结构洞”的复杂网络节点重要性局部计算方法 |
CN103906271B (zh) * | 2014-04-21 | 2017-06-13 | 西安电子科技大学 | Ad Hoc网络中关键节点测量方法 |
CN104378229B (zh) * | 2014-10-30 | 2017-12-15 | 东南大学 | 一种机会网络的链路预测方法 |
CN107040521B (zh) * | 2017-03-14 | 2020-08-04 | 重庆邮电大学 | 一种带有串谋攻击检测的数据转发方法 |
-
2018
- 2018-08-02 CN CN201810869232.9A patent/CN108601047B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108601047A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108601047B (zh) | 机会网络关键节点的测量方法 | |
CN1925437B (zh) | 用于检测网络中状态改变的系统及方法 | |
zeng Wang et al. | Improvement on APIT localization algorithms for wireless sensor networks | |
CN109348497B (zh) | 无线传感器网络链路质量预测方法 | |
US10495672B2 (en) | Framework for fault detection and localization in power distribution networks | |
Sugiarto et al. | Data classification for air quality on wireless sensor network monitoring system using decision tree algorithm | |
CN110543728B (zh) | 一种城市交通路网关键路口发现方法 | |
CN109313841B (zh) | 用于在传感器网络中实现自适应聚类的方法和系统 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
US11553396B2 (en) | Path selection apparatus, path selection method and program | |
CN106961349A (zh) | 一种基于数据融合的传感器故障识别系统及方法 | |
CN110662232B (zh) | 一种采用多粒度级联森林评估链路质量的方法 | |
CN105323024A (zh) | 一种网络信号强度检测及融合方法 | |
CN113676534A (zh) | 基于边缘计算的ai算法流程以及服务一体机 | |
CN112763848A (zh) | 确定电力系统故障的方法及装置 | |
CN115038088A (zh) | 一种智能网络安全检测预警系统和方法 | |
CN103179602A (zh) | 一种无线传感器网络异常数据检测方法和装置 | |
US20150363250A1 (en) | System analysis device and system analysis method | |
CN104955068A (zh) | 一种基于关联模式的数据聚合传输方法 | |
Cheng et al. | Deco: False data detection and correction framework for participatory sensing | |
US20140203948A1 (en) | Method and system for optimized monitoring and identification of advanced metering infrastructure device communication failures | |
CN110149233B (zh) | 采用概要图和节点对影响值评估关键节点的方法与系统 | |
CN111159768B (zh) | 社交网络链接隐私保护效果的评价方法 | |
CN113162793A (zh) | 一种环境感知的用于网络测量的节点重要性度量方法 | |
Gao et al. | HMRF-based distributed fault detection for wireless sensor networks |
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 |