CN109120438B - 一种机会网络下的数据协同传输方法及系统 - Google Patents

Abstract

本发明公开了一种机会网络下的数据协同传输方法及系统，用以解决机会网络中，机会网络结点之间难于保证稳定的连通路径的问题。该方法包括：基于大数据和半马尔可夫模型对机会网络结点移动建模以获取机会网络结点轨迹大数据分析；根据所述机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区；在每个所述网络社区中，根据所述机会网络结点间的关联特征值选出关联机会网络结点作为数据汇聚点以实现社区之间数据协同传输。本发明更准确地预测机会网络结点的移动规律，减少冗余数据副本，降低传输能量消耗，实现高效的数据传输，能更好地满足大规模、长时间的机会网络数据传输需求。

Description

一种机会网络下的数据协同传输方法及系统

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种机会网络下的数据协同传输方法及系统。

背景技术

随着无线便携设备(如：iPad、PDA、智能手机等)的大量普及，机会网络应运而生。机会网络突破了传统网络对实时连通性的要求限制，更适合实际的自组网需求。机会网络在传感器网络、野生动物追踪、车载网络和不发达地区的网络服务等领域具有广阔的应用前景，极大地改善了热门的生产和生活方式，近年来引起学术界的密切关注。

在机会网络中，由于时变的网络拓扑，机会网络结点之间难于保证稳定的连通路径。因此，机会网络结点先存储需要发送的数据，然后机会性转发给解除结点。这样的数据交换过程为“存储-携带-转发”机制，是机会网络数据传输的基本策略。目前，机会网络数据传输问题已有广泛研究，但仍然面临下述问题：

(1)提出的相关机会网络结点移动模型难于刻画实际情况；

(2)提出的相关数据传输机制应用于实际时计算复杂性较高、传输效率不佳；

(3)无效的数据传输带来结点能量的大量浪费，限制了网络的使用寿命。

其原因之一是，针对结点行为的预测建立在有限的历史数据或者不完整的数据智商，由此建立的相关模型和机制应用于实际场景时有较大偏差。此外，针对移动机会网络流量及结点行为的预测建立在有限的历史数据或者不完整的数据智商，由此建立的相关模型和机制应用于实际场景时有较大偏差。此外，针对移动机会网络流量及结点行为的自相似性所采用的理论方法也对数据传输成功率有影响。

发明内容

本发明要解决的技术问题目的在于提供一种机会网络下的数据协同传输方法及系统，用以解决机会网络中，机会网络结点之间难于保证稳定的连通路径的问题。

为了实现上述目的，本发明采用的技术方案为：

一种机会网络下的数据协同传输方法，包括步骤：

基于大数据和半马尔可夫模型对机会网络结点移动建模以获取机会网络结点轨迹大数据分析；

根据所述机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区；

在每个所述网络社区中，根据所述机会网络结点间的关联特征值选出关联机会网络结点作为数据汇聚点以实现社区之间数据协同传输。

进一步地，所述基于大数据和半马尔可夫模型对机会网络结点移动建以获取机会网络结点轨迹大数据分析的步骤，具体包括：

建立机会网络大数据；

剔除数据冗余和噪声特征形成特征子集；

基于半马尔可夫模型对所述机会网络结点移动建模。

进一步地，所述剔除数据冗余和噪声特征形成特征子集的步骤，具体包括：

给定二类分类问题训练集

其中x_i∈R^m，表示包含m个特征的样本，y_i∈{0,1}，表示样本的类别；线性支持向量机的目标是学习具有最大间隔的分类超平面，w^Tx+b＝0，其中，w＝(w₁,w₂,…,w_m)^T为该超平面的法向量，b为偏置；

引入辅助变量t＝(t₁,t₂,…,t_m)^T,令t_j＝|w_j|^P,a＝p^-1＞1，可得到Lp-SVM的等价模型：

t_j≥0；j＝1,…,m；

y_i(w^T+b)≥1-ξ_i；j＝1,…,n；

其中，p∈(0,1)，ξ_i为松弛变量，c为惩罚因子。

进一步地，所述基于半马尔可夫模型对所述机会网络结点移动建模的步骤，具体包括：

假设S＝{1,2,…,m}为所述机会网络结点m个状态的集合；

将所述机会网络结点的移动看做关于所述机会网络结点状态的马尔可夫更新过程{(X_n,T_n)}:n≥0，其中，T_n为第n次转移的时间点(T₀＝0)，X_n∈S，代表第n次转移到的机会网络结点状态；

假设所述机会网络结点从状态X_n转移到状态X_n+1的概率与之前的状态X_n-1无关，随机变量T_n+1-T_n为所述机会网络结点在X_n的停留时间，对应的齐次马尔可夫内核如下：

Q_ij(t)＝Pr(X_n+1＝j,T_n+1-T_n≤t|X_n＝i)

＝p_ijH_ij(t)；i,j∈S；

Q_ij(t)＝Pr(X_n+1＝j,T_n+1-T_n≤t|X_n＝i)

＝p_ijH_ij(t)；i,j∈S；

p_ij＝lim_i→∞Q_ij(t)

＝Pr(X_n+1＝j|X_n＝i)；

H_ij(t)＝Pr(T_n+1-T_n≤t|X_n+1＝j,X_n＝j)；

通过大数据验证p_ij和H_ij，当p_ij为非常数，H_ij为非指数分布，说明所述机会网络结点移动的半马尔可夫模型性质；

基于大数据分析，获得状态转移概率、状态保持分布、极限概率参数，并且确定半马尔可夫模型以推导出所述机会网络结点移动的相关特性。

进一步地，所述根据所述机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区的步骤，具体包括：

计算网络中所有机会网络结点的中心度以形成一系列核心机会网络结点；

以所述核心机会网络结点为中心进行社区扩张并按照适应度函数将所述核心机会网络结点的四周的普通机会网络结点依次加入对应的社区中；

当网络中所有核心机会网络结点都被扩张时停止并形成社区结构。

进一步地，所述计算网络中所有机会网络结点的中心度以形成一系列核心机会网络结点的步骤，具体包括：

计算所述机会网络结点的中心度：

其中，c为调节因子参数，w为机会网络结点关系的权重，N为机会网络中机会网络结点的总数；

根据所述中心度的值由大到小排序，利用公式选取核心机会网络结点：

SIM(i,j)＝|Γ_i∩Γ_j|＞β；

其中，Γ_i为结点i的邻居集合的势，|Γ_i∩Γ_j|为结点i和结点j共有的邻居个数，阈值β为相似度。

进一步地，所述以所述核心机会网络结点为中心进行社区扩张并按照适应度函数将所述核心机会网络结点四周的机会网络结点依次加入对应的社区中的步骤，具体包括：

计算所述核心机会网络结点四周的机会网络结点对社区S的适应度：

其中，S为社区，α为社区规模调节参数，K_in(S)为S中机会网络结点的度数和；

当且仅当满足条件：F(i)＞0时，所述核心机会网络结点四周机会网络结点被计入社区S中；

两个社区S₁和S₂之间的冗余度为：

其中，|S₁|为社区S₁中所有机会网络结点的数目，|S₁∩S₂|为社区S₁和S₂之间共同拥有的结点总数；

当所述社区S₁和S₂的冗余度超过设定阈值时，判定S₁和S₂是冗余的并且将S₁和S₂合并。

进一步地，所述在每个所述网络社区中，根据所述机会网络结点间的关联特征值选出关联机会网络结点作为数据汇聚点以实现社区之间数据协同传输的步骤，具体包括：

基于大数据分析，选取能标识机会网络结点传输能力的特征参数并且计算社区中机会网络结点的权值；

基于异或运算的迭代传输策略利用社区中的汇聚机会网络结点传输数据。

进一步地，所述基于大数据分析，选取能标识机会网络结点传输能力的特征参数并且计算社区中机会网络结点的权值的步骤，具体包括：

计算社区中机会网络结点的权值：

W_i＝αMD_i+βSD_i+γTD_i+δCD_i+ξRE_i；

其中，α，β，γ，δ，ξ为权值因子，且α+β+γ+δ+ξ＝1；权值最大的网络机会结点为通信域中的汇聚机会网络结点。

一种机会网络下的数据协同传输系统，包括：

建模模块，用于基于大数据和半马尔可夫模型对机会网络结点移动建模以获取机会网络结点轨迹大数据分析；

网络社区构建模块，用于根据所述机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区；

策略模块，用于在每个所述网络社区中，根据所述机会网络结点间的关联特征值选出关联机会网络结点作为数据汇聚点以实现社区之间数据协同传输。

本发明与传统的技术相比，有如下优点：

本发明更准确地预测机会网络结点的移动规律，减少冗余数据副本，降低传输能量消耗，实现高效的数据传输，能更好地满足大规模、长时间的机会网络数据传输需求。

附图说明

图1为本发明一实施例中机会网络下的数据协同传输方法的流程示意图；

图2为本发明一实施例中实验数据形成的原始图；

图3为本发明一实施例中使用已有MONC算法划分后形成的社区图；

图4为本发明一实施例中使用本发明提出的算法划分后形成的社区图；

图5为本发明一实施例中不同算法的数据传输结果；

图6为本发明一实施例中机会网络下额数据协同传输系统的结构示意图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

除非另有定义，本文所使用的所有的技术和科学术语与本发明的技术领域技术人员通常理解的含义相同。本文中在本发明说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

机会网络是一种不需要源结点和目的结点之间存在完整路径，利用结点移动带来的相遇机会实现网络通信的自组织网络。

结点是指，在电信网络中，一个结点是一个连接点，表示一个再分发点或一个通信端点(一些终端设备)。结点的定义依赖于所提及的网络和协议层。一个物理网络结点是一个连接到网络的有源电子设备，能够通过通信通道发送、接收或转发信息。

针对现有的机会网络由于时变的网络拓扑，机会网络结点之间难于保证稳定的连通路径的问题，本发明以大数据分析为基础，挖掘机会网络结点移动的轨迹特征，基于半马尔可夫模型对机会网络结点移动建模，更准确地预测机会网络结点移动规律；基于机会网络结点轨迹大数据分析，构建社区中心点，并在社区内和社区建采用数据迭代传输，减少冗余数据副本，降低传输能量消耗，实现高效的数据传输。本方法以数据分析为手段，以数据向光性分析来设计传输机制，能更好地发现机会网络结点移动和想要规律，数据传输效率更高，机会网络结点能量消耗更低，能更好地满足大规模、长时间的机会网络数据传输需求。

请参阅图1，为本发明一实施例中机会网络下的数据协同传输方法的流程示意图，将分别对各个步骤进行说明。

S101、基于大数据和半马尔可夫模型对机会网络结点移动建模以获取机会网络结点轨迹大数据分析。

其中，步骤S101,具体包括：

(1)建立机会网络大数据。

具体的，以网络上公开的实验数据为基准，辅以手机APP数据采集形成全面的、完整的实验数据，以此形成一定规模的机会网络大数据。

(2)剔除数据冗余和噪声特征形成子集。

具体的，针对机会网络数据进行特征选择，剔除数据冗余和噪声特征形成精简且差别能力强的特征子集，为机会网络结点移动轨迹建模提供有效证据。

在机会网络数据特征选择问题上，Lp-SVM方法可以提高特征选择的有效性和准确性。但是Lp-SVM(0＜p＜1)是非凸非Lipschitz连续的问题，为其设计算法具有一定的挑战性。为此，本发明采用Lp-SVM的一个等价模型，该模型的目标函数是线性函数，具有光滑的约束条件，相对原问题更容易求解。

给定二类分类问题训练集

其中x_i∈R^m，表示包含m个特征的样本，y_i∈{0,1}，表示样本的类别；线性支持向量机的目标是学习具有最大间隔的分类超平面，w^Tx+b＝0，其中，w＝(w₁,w₂,…,w_m)^T为该超平面的法向量，b为偏置。Lp-SVM的一般模型为：

s.t.y_i(w^Tx_i+b)≥1-ξ_i；i＝1,…,n；

ξ_i≥0；i＝1,…,m；

其中，p∈(0,1)，ξ_i为松弛变量，用于表示样本被错分的成都，c为惩罚因子，由用户给定，用于平衡目标函数的两个部分：最大化间隔和最小化分类误差。由于存在|w_j|^p，该问题是非凸非Lipschitz连续的，导致该问题求解困难。

引入辅助变量t＝(t₁,t₂,…,t_m)^T,令t_j＝|w_j|^P,a＝p^-1＞1，可得到Lp-SVM的等价模型：

t_j≥0；j＝1,…,m；

y_i(w^T+b)≥1-ξ_i；j＝1,…,n；

其中，p∈(0,1)，ξ_i为松弛变量，c为惩罚因子。

与原问题不同，等价模型的目标函数是线性函数，从而比原问题容易求解。该问题的前两个约束为非线性约束条件，因此属于非线性规划问题。

(3)基于半马尔可夫模型对机会网络结点移动建模。

对去噪后的数据进行统计分析，总结归纳出机会网络结点移动的特征。划分机会网络结点的状态，如结点移动、相遇、停止以及相关的社会关系、地理位置等状态。

假设S＝{1,2,…,m}为所述机会网络结点m个状态的集合；

将所述机会网络结点的移动看作关于所述机会网络结点状态的马尔可夫更新过程{(X_n,T_n)}:n≥0，其中，T_n为第n次转移的时间点(T₀＝0)，X_n∈S，代表第n次转移到的机会网络结点状态。机会网络结点的状态变化对应于马尔可夫过程中两个相应状态之间的转移。

假设所述机会网络结点从状态X_n转移到状态X_n+1的概率与之前的状态X_n-1无关，那么，过程(X_n)是标准的马尔可夫链。随机变量T_n+1-T_n为所述机会网络结点在X_n的停留时间，对应的齐次马尔可夫内核如下：

Q_ij(t)＝Pr(X_n+1＝j,T_n+1-T_n≤t|X_n＝i)

＝p_ijH_ij(t)；i,j∈S；

p_ij＝lim_i→∞Q_ij(t)

＝Pr(X_n+1＝j|X_n＝i)；

H_ij(t)＝Pr(T_n+1-T_n≤t|X_n+1＝j,X_n＝j)。

通过大数据验证p_ij和H_ij，当p_ij为非常数，H_ij为非指数分布，说明所述机会网络结点移动的半马尔可夫模型性质；

基于大数据分析，获得状态转移概率、状态保持分布、极限概率参数，并且确定半马尔可夫模型以推导出所述机会网络结点移动的相关特性，为数据转发等后续研究工作奠定基础。

S103、根据机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区。

在移动智能设备组成的机会网络中，由于移动智能设备被人使用或携带，机会网络具有社区结构。同时，在实际应用中，机会网络中结点的全局信息一般很难获取到，因此需要采用局部社区发现算法。首先，计算网络中所有机会网络结点的中心度，形成一系列核心结点。然后以核心结点为中心进行社区扩张，按照适应度函数将他们四周的普通结点一次加入到此社区中，重复上述步骤，最后形成社区网络。

其中，步骤S103具体包括：

(1)计算网络中所有机会网络结点的中心度以形成一系列核心机会网络结点。

具体的，计算所述机会网络结点的中心度：

其中，c为调节因子参数，w为机会网络结点关系的权重，N为机会网络中机会网络结点的总数；

根据所述中心度的值由大到小排序，利用公式选取核心机会网络结点：

SIM(i,j)＝|Γ_i∩Γ_j|＞β；

其中，Γ_i为结点i的邻居集合的势，|Γ_i∩Γ_j|为结点i和结点j共有的邻居个数，阈值β为相似度。

(2)以所述核心机会网络结点为中心进行社区扩张并按照适应度函数将核心机会网络结点的四周的普通机会网络结点依次加入对应的社区中。

具体的，计算所述核心机会网络结点四周的机会网络结点对社区S的适应度：

其中，S为社区，α为社区规模调节参数，K_in(S)为S中机会网络结点的度数和；

当且仅当满足条件：F(i)＞0时，所述核心机会网络结点四周机会网络结点被计入社区S中；

两个社区S₁和S₂之间的冗余度为：

其中，|S₁|为社区S₁中所有机会网络结点的数目，|S₁∩S₂|为社区S₁和S₂之间共同拥有的结点总数；

当所述社区S₁和S₂的冗余度超过设定阈值时，判定S₁和S₂是冗余的并且将S₁和S₂合并。

(3)当网络中所有核心机会网络结点都被扩张时停止并形成社区网络。

具体的，重复步骤(2)的过程，当网络中所有核心机会网络结点都被扩张时停止，社区结构形成。

S105、在每个网络社区中，根据机会网络结点间的关联特征值选出关联结汇网络结点作为数据汇聚点以实现社区之间数据协同传输。

具体的，步骤S105，包括：

(1)基于大数据分析，选取能标识机会网络结点传输能力的特征参数并且计算社区中机会网络结点的权值。

具体的，计算社区中机会网络结点的权值：

W_i＝αMD_i+βSD_i+γTD_i+δCD_i+ξRE_i；

其中，α，β，γ，δ，ξ为权值因子，且α+β+γ+δ+ξ＝1；权值最大的网络机会结点为通信域中的汇聚机会网络结点。

(2)基于异或运算的迭代传输策略利用社区中的汇聚机会网络结点传输数据。

具体的，利用社区中的汇聚机会网络结点来传输数据，需要考虑通信域内的数据传输和通信域间的数据传输。在通信域内，每个机会网络结点将自身携带的数据转发给汇聚机会网络结点，为了减少重复的数据副本，可以采用异或运算。如在某个时刻，结点i携带的数据为d_i，汇聚机会网络结点携带的数据为d_c，则汇聚机会网络结点接收结点i数据后携带的数据为：

在通信域之间，由汇聚机会网络结点参与数据转发，普通机会网络结点UC安于数据转发，但在接收数据时，汇聚机会网络结点和普通机会网络结点可接收其他汇聚机会网络结点传递过来的数据。

通过汇聚机会网络结点手机通信域内的数据，以及将数据转发给另一个通信域，可以减少数据转发的次数，同时降低网络中数据副本的数量，实现数据传输的能效优化。

本发明以大数据分析为基础，挖掘机会网络结点移动的轨迹特征，基于半马尔可夫模型对机会网络结点移动建模，更准确地预测机会网络结点接触过程，发现机会网络结点移动和相遇规律；以数据相关性分析和社区发现为手段，设计数据传输机制，可以减少冗余数据副本，降低传输能量消耗，实现高效的数据传输。

此外，利用本发明的方法与传统的机会网络下的数据协同传输方法进行比较：

以真实轨迹数据集为数据源进行评估，具体包括以下步骤：

1、实验数据

Infocom 2006数据集：79名参会的学生和研究者，从2006年4月24日到27日，在西班牙巴塞罗那市普林斯萨索非亚大酒店，通过手持设备iMote采集他们之间的联系信息，从而得到该数据集。它包含两个部分：参与者之间的联系信息和参与者的社会特征。在实验中，我们考虑到其中18个参与者的社会特征问卷调查资料不全，只使用其中61个参与者的数据。在337418秒时间内参与者之间共有74981次连接。我们从原始数据中提取了六个社会特征：国籍、语言、单位、职务、居住城市和居住国家。同时，用前40个小时连接数据统计出历史相遇信息，用后80个小时连接数据评估算法。

MIT reality mining数据集：麻省理工学院94名学生和职员，从2004年9月到2005年7月，在媒体实验室，通过“蓝牙”设备记录相互之间的联系而得到该数据集。它也包含两部份：参与者之间的联系信息和社会特征。在实验中，丢弃部分没有完整输入信息的参与者，我们将参与者减少到57人。在897,921秒时间内共有411,313次联系，我们从原始数据中提取五个社会特征：邻居，每天上下班,常去地方,单位和课题组。同时，用前80个小时连接数据统计出历史相遇信息，用后170个小时连接数据评估算法。

2、性能指标

为定量比较分析机会网络各算法的性能，以下面3个指标作为度量依据。

(1)传输成功率：在一定的时间内，成功到达目标结点的数据总数和由源结点发出的传输数据总数之比。

(2)传输延迟:数据从源结点到达目标结点所需的时间，采用平均传输延迟来评价。

(3)数据转发数量:在一定时间内，数据转发的平均数量。

高性能的数据传输机制应该是具有较高的传输成功率、较低的传输延迟和可以接受的数据转发数量。

3、对比实施例

(1)S-W：即Spray and Wait算法，在Spray阶段，当前结点将半数数据转发给相遇结点；在Wait阶段，所有结点等待与目标结点相遇。

(2)SimBet：即SimBet算法，基于社会网络的小世界特性，使用结点间的相似度衡量传递的社会距离，使用结点的中间中心度衡量结点承载网络中数据流的重要性，在机会网络中结合结点的中间中心度和相似性提高路由性能。

4、实施过程

首先，以网络上公开的Infocom 2006、MIT reality mining数据集实验数据为基础，辅以手机APP采集的实验数据，形成全面的、完整的机会网络大数据；其次，基于Lp-SVM的等价模型和半马尔可夫模型对机会网络结点移动建模；然后，基于局部社区发现算法构建网络社区；最后，构建社区的汇聚结点，并基于异或运算设计迭代传输策略，实施机会网络下的数据协同传输。

(1)社区发现性能评估；参考图2、图3和图4。

图2显示了实验数据形成的原始图，图3显示了使用已有MONC算法划分后形成的社区图，而图4则显示了使用本发明提出的算法划分后形成的社区图。从这些图中，可以明显地发现：本发明提出的局部社区扩张算法，发现的局部社区结构明显要好一些。在图3中社区之间有一定的交叉，而且部分社区是一个长条形。而在图4中则没有出现交叉，社区结构看起来更加清晰、明确和紧凑。

(2)数据传输性能评估；参考图5。

图5显示了不同算法的数据传输结果，从中可以看出：在Infocom 2006数据集中，我们提出的数据协同传输算法的性能表现最好。与S-W、SimBet等算法相比，在传输成功率上，分别提高了17％、13％，在传输延迟上分别降低15％、8％。表1为基于Infocom 2006的算法性能比较

表1基于MIT的算法性能比较

	协同传输	S-W	SimBet
				传输成功率	0.807	0.732	0.768
传输延迟	82249	88639	85345
				数据转发数量	4.84	13.84	6.82

从表1中可以看出：在MIT数据集中，本发明提出的数据协同传输算法的性能表现仍然是最好的。与S-W、SimBet算法相比，在传输成功率上分别提高10％、5％，在传输延迟上分别降低7％、6％。

请参阅图6，为本发明一实施例中机会网络下的数据协同传输系统的结构示意图，所述机会网络下的数据协同传输系统包括：

建模模块201，用于基于大数据和半马尔可夫模型对机会网络结点移动建模以获取机会网络结点轨迹大数据分析；

网络社区构建模块203，用于根据机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区；

策略模块205，用于在每个网络社区中，根据机会网络结点间的关联特征值选出关联机会网络结点作为数据汇聚点以实现社区之间数据协同传输。

以上各实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中各个技术所有可能组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种机会网络下的数据协同传输方法，其特征在于，包括步骤：

基于大数据和半马尔可夫模型对机会网络结点移动建模以获取机会网络结点轨迹大数据分析；

根据所述机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区；

在每个所述网络社区中，根据所述机会网络结点间的关联特征值选出关联机会网络结点作为数据汇聚点以实现社区之间数据协同传输。

2.根据权利要求1所述的机会网络下的数据协同传输方法，其特征在于，所述基于大数据和半马尔可夫模型对机会网络结点移动建模 以获取机会网络结点轨迹大数据分析的步骤，具体包括：

建立机会网络大数据；

剔除数据冗余和噪声特征形成特征子集；

基于半马尔可夫模型对所述机会网络结点移动建模。

3.根据权利要求2所述的机会网络下的数据协同传输方法，其特征在于，所述剔除数据冗余和噪声特征形成特征子集的步骤，具体包括：

给定二类分类问题训练集

其中x_i∈R^m，表示包含m个特征的样本，y_i∈{0,1}，表示样本的类别；线性支持向量机的目标是学习具有最大间隔的分类超平面，w^Tx+b＝0，其中，w＝(w₁,w₂,…,w_m)^T为该超平面的法向量，b为偏置；

引入辅助变量t＝(t₁,t_2,…,t_m)^T,令t_j＝|w_j|^P,a＝p^-1>1，可得到Lp-SVM的等价模型：

t_j≥0；j＝1,…,m；

y_i(w^T+b)≥1-ξ_i；i＝1,…,n；

其中，p∈(0,1)，ξ_i为松弛变量，c为惩罚因子。

4.根据权利要求2所述的机会网络下的数据协同传输方法，其特征在于，所述基于半马尔可夫模型对所述机会网络结点移动建模的步骤，具体包括：

假设S＝{1,2,…,m}为所述机会网络结点m个状态的集合；

将所述机会网络结点的移动看做关于所述机会网络结点状态的马尔可夫更新过程{(X_n,T_n)}：n≥0，其中，T_n为第n次转移的时间点(T₀＝0)，X_n∈S，代表第n次转移到的机会网络结点状态；

假设所述机会网络结点从状态X_n转移到状态X_n+1的概率与之前的状态X_n-1无关，随机变量T_n+1-T_n为所述机会网络结点在X_n的停留时间，对应的齐次马尔可夫内核如下：

Q_ij(t)＝Pr(X_n+1＝j,T_n+1-T_n≤t|X_n＝i)

＝p_ijH_ij(t)；i,j∈S；

p_ij＝lim_i→∞Q_ij(t)

＝Pr(X_n+1＝j|X_n＝i)；

H_ij(t)＝Pr(T_n+1-T_n≤t|X_n+1＝j,X_n＝j)；

通过大数据验证p_ij和H_ij，当p_ij为非常数，H_ij为非指数分布，说明所述机会网络结点移动的半马尔可夫模型性质；

基于大数据分析，获得状态转移概率、状态保持分布、极限概率参数，并且确定半马尔可夫模型以推导出所述机会网络结点移动的相关特性。

5.根据权利要求1所述的机会网络下的数据协同传输方法，其特征在于，所述根据所述机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区的步骤，具体包括：

计算网络中所有机会网络结点的中心度以形成一系列核心机会网络结点；

以所述核心机会网络结点为中心进行社区扩张并按照适应度函数将所述核心机会网络结点的四周的普通机会网络结点依次加入对应的社区中；

当网络中所有核心机会网络结点都被扩张时停止并形成社区结构。

6.根据权利要求5所述的机会网络下的数据协同传输方法，其特征在于，所述计算网络中所有机会网络结点的中心度以形成一系列核心机会网络结点的步骤，具体包括：

计算所述机会网络结点的中心度：

其中，c为调节因子参数，w为机会网络结点关系的权重，N为机会网络中机会网络结点的总数；

根据所述中心度的值由大到小排序，利用公式选取核心机会网络结点：

SIM(i,j)＝|Γ_i∩Γ_j|>β；

其中，Γ_i为结点i的邻居集合的势，|Γ_i∩Γ_j|为结点i和结点j共有的邻居个数，阈值β为相似度。

7.根据权利要求6所述的机会网络下的数据协同传输方法，其特征在于，所述以所述核心机会网络结点为中心进行社区扩张并按照适应度函数将所述核心机会网络结点四周的普通 机会网络结点依次加入对应的社区中的步骤，具体包括：

计算所述核心机会网络结点四周的机会网络结点对社区S的适应度：

其中，S为社区，α为社区规模调节参数，K_in(S)为S中机会网络结点的度数和；

当且仅当满足条件：F(i)>0时，所述核心机会网络结点四周机会网络结点被计入社区S中；

两个社区S₁和S₂之间的冗余度为：

其中，|S₁|为社区S₁中所有机会网络结点的数目，|S₁∩S₂|为社区S₁和S₂之间共同拥有的结点总数；

当所述社区S₁和S₂的冗余度超过设定阈值时，判定S₁和S₂是冗余的并且将S₁和S₂合并。

8.根据权利要求1所述的机会网络下的数据协同传输方法，其特征在于，所述在每个所述网络社区中，根据所述机会网络结点间的关联特征值选出关联机会网络结点作为数据汇聚点以实现社区之间数据协同传输的步骤，具体包括：

基于大数据分析，选取能标识机会网络结点传输能力的特征参数并且计算社区中机会网络结点的权值；

基于异或运算的迭代传输策略利用社区中的汇聚机会网络结点传输数据。

9.根据权利要求8所述的机会网络下的数据协同传输方法，其特征在于，所述基于大数据分析，选取能标识机会网络结点传输能力的特征参数并且计算社区中机会网络结点的权值的步骤，具体包括：

计算社区中机会网络结点的权值：

W_i＝αMD_i+βSD_i+γTD_i+δCD_i+ζRE_i；

其中，α，β，γ，δ，ξ为权值因子，且α+β+γ+δ+ξ＝1；权值最大的网络机会结点为通信域中的汇聚机会网络结点。

10.一种机会网络下的数据协同传输系统，其特征在于，包括：

建模模块，用于基于大数据和半马尔可夫模型对机会网络结点移动建模以获取机会网络结点轨迹大数据分析；

网络社区构建模块，用于根据所述机会网络结点轨迹大数据分析基于局部社区发现算法构建网络社区；

策略模块，用于在每个所述网络社区中，根据所述机会网络结点间的关联特征值选出关联机会网络结点作为数据汇聚点以实现社区之间数据协同传输。

Images