CN109120462B - 机会网络链路的预测方法、装置及可读存储介质 - Google Patents
机会网络链路的预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN109120462B CN109120462B CN201811160815.0A CN201811160815A CN109120462B CN 109120462 B CN109120462 B CN 109120462B CN 201811160815 A CN201811160815 A CN 201811160815A CN 109120462 B CN109120462 B CN 109120462B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- random walk
- matrix
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 77
- 238000005295 random walk Methods 0.000 claims abstract description 62
- 230000007704 transition Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 24
- 239000002245 particle Substances 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/18—Communication route or path selection, e.g. power-based or shortest path routing based on predicted events
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种机会网络链路的预测方法、装置及可读存储介质,所述方法包括:基于随机游走算法以及二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标;根据时间序列分析法,对机会网络数据进行切分得到多个网络快照,根据所述改进的重启随机游走相似性指标,对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵;建立深度信念网络预测模型,将所述相似性矩阵作为模型输入,经迭代训练测试后得到能量最低的深度信念网络预测模型,以对机会网络链路进行预测。本发明提出的机会网络链路的预测方法,可实现对网络链路的精准预测。
Description
技术领域
本发明涉及通讯数据处理技术领域,特别涉及一种机会网络链路的预测方法、装置及可读存储介质。
背景技术
机会网络是一种不需要源节点与目标节点之间的完整链路,利用节点移动所带来的相遇机会便可实现通信的自组织网络。在机会网络中,通信不需要网络的全连通,信息通过节点的“携带-存储-转发”的模式进行传输,直至到达目标节点。
网络中的链路预测指的是通过已知的网络结构与节点属性等信息,预测网络中尚未产生连边的两个节点之间产生连接的可能性。此种预测方式既包含了对未知链接的预测,也包含了对未来链接的预测。链路预测作为数据挖掘领域的研究方向之一,研究的思路与方法主要基于马尔科夫链和机器学习。在目前的链路预测研究中,主要可以分为基于相似性的链路预测、基于最大似然估计的链路预测以及概率模型。
然而,由于机会网络中节点的移动性,导致网络拓扑频繁变化,节点间无固定的通信路径,相比于传统的动态网络,机会网络的链路状态变化更加复杂且网络更加稀疏,直接导致了若采用传统的链路预测方法,将无法获取机会网络的链路状态变化特征的问题。
发明内容
基于此,本发明的目的是为了解决现有技术中,若采用传统的链路预测方法,将无法获取机会网络的链路状态变化特征的问题。
本发明提出一种机会网络链路的预测方法,其中,所述方法包括如下步骤:
基于随机游走算法以及二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标;
根据时间序列分析法,对机会网络数据进行切分得到多个网络快照,根据所述改进的重启随机游走相似性指标,对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵;
建立深度信念网络模型,将所述相似性矩阵作为模型输入,经迭代训练测试后得到最优深度信念网络预测模型,以对机会网络链路进行预测。
本发明提出的机会网络链路的预测方法,首先基于随机游走算法,重构随机游走者的马尔科夫转移概率矩阵,从而得到改进后的重启随机游走相似性指标,并对机会网络数据进行切片,并采用改进后的重启随机游走相似性指标对各个网络快照进行随机游走,得到各个网络快照的相似性矩阵,利用特征提取能力强、数据表征效果好的深度信念网络模型,自发地提取机会网络中链路状态变化的内在特征,从而对机会网络链路进行预测。本发明提出的机会网络链路的预测方法,可实现对网络链路的精准预测。
另外,本发明提出的机会网络链路的预测方法,还可以具有如下附加的技术特征:
所述机会网络链路的预测方法,其中,所述基于随机游走算法以及二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标包括如下步骤:
基于所述随机游走算法,根据二阶邻居节点以及各个节点的度计算得到所述马尔科夫转移概率矩阵;
根据所述马尔科夫转移概率矩阵计算随机游走粒子到达各节点的概率向量,并根据各个所述概率向量得到所述重启随机游走相似度值。
所述机会网络链路的预测方法,其中,所述马尔科夫转移概率矩阵包括多个概率矩阵元素,所述概率矩阵元素的表达式为:
所述概率向量的表达式为:
qx=cPTqx(t)+(1-c)ex
其中,Pxy为概率矩阵元素,ky为节点y的度,τx为节点x的二阶邻居数,qx为节点x到达各节点的概率向量,PT为概率转移矩阵的转置,c为随机游走粒子重启的概率,ex为初始向量。
所述机会网络链路的预测方法,其中,所述重启随机游走相似度值的表达式为:
Sxy=qxy+qyx
所述相似性矩阵的表达式为:
{S1,S2,...Sn}
其中,qxy为从节点x出发的粒子到达节点y的概率,qyx为从节点y出发的粒子到达节点x的概率,Si为第i个时间片的相似性矩阵,n为网络切片后的快照总数。
所述机会网络链路的预测方法,其中,所述深度信念网络预测模型的表达式为:
其中,θ={Wij,ai,bj}为受限玻尔兹曼机的参数,Wij为可见层第i个神经元与隐含层第j个神经元之间的连接权重,ai和bj分别表示可视层神经元i和隐含层神经元j的偏置,vi表示v的第i个神经元的状态,hj表示h的第j个神经元的状态,n为可见层神经元数,m为隐含层神经元数。
所述机会网络链路的预测方法,其中,所述深度信念网络模型的结构包括输入层、叠加的受限玻尔兹曼机隐藏层以及输出层,所述深度信念网络模型还对应有超参数,所述超参数包括网络隐含层数以及隐含层节点数。
所述机会网络链路的预测方法,其中,所述网络隐含层数由重构误差Rerror进行确定,所述重构误差Rerror表示为:
其中,n为样本个数,m为维数,pi,j为网络重构值,di,j为真实值,px为取值个数或范围。
所述机会网络链路的预测方法,其中,所述隐含层节点数可表示为:
其中,m为输入特征维度,n为输出节点个数,a为区间[1,10]内的整数。
本发明还提出一种机会网络链路的预测装置,其中,所述装置包括:
矩阵构建模块,用于基于随机游走算法,考虑二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标;
数据切分模块,用于根据时间序列分析法,对机会网络数据进行切分得到多个网络快照,根据所述改进的重启随机游走相似性指标,对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵;
链路预测模块,用于建立深度信念网络模型,将所述相似性矩阵作为数据输入,经迭代训练测试后得到最优深度信念网络预测模型,以对机会网络链路进行预测。
本发明还提出一种可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如上所述的机会网络链路的预测方法。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明第一实施例提出的机会网络链路的预测方法的流程图;
图2为本发明第一实施例中机会网络链路的第一种演化状态图;
图3为本发明第一实施例中机会网络链路的第二种演化状态图;
图4为本发明第一实施例中机会网络链路的第三种演化状态图;
图5为本发明第一实施例中机会网络链路的第一张数据处理图;
图6为本发明第一实施例中机会网络链路的第二张数据处理图;
图7为本发明第一实施例中机会网络链路的第三张数据处理图;
图8为本发明第一实施例提出的机会网络链路预测方法中深度信念网络的模型结构图;
图9为本发明第二实施例提出的机会网络链路的预测装置的结构示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的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。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
由于机会网络中节点的移动性,导致网络拓扑频繁变化,节点间无固定的通信路径,相比于传统的动态网络,机会网络的链路状态变化更加复杂且网络更加稀疏,直接导致了若采用使用传统的链路预测方法,将无法获取机会网络的链路状态变化特征的问题。
为了解决这一技术问题,本发明提出一种机会网络链路的预测方法,请参阅图1至图8,对于本发明第一实施例提出的机会网络链路的预测方法,包括如下步骤:
S101,基于随机游走算法以及二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标。
在相似性指标的构建中,参考经典的随机游走算法,可知经典的随机游走算法中,当随机游走者选择下一步游走时,到达各个邻居节点的概率是相同的,但是在实际情况中,各节点间的亲密程度因网络结构以及自身属性的不同而不同。为了改进随机游走者的下一步游走决策,考虑节点的二阶邻居节点对节点相似性的影响,重新定义了随机游走者的马尔科夫转移概率矩阵P。
具体的,基于随机游走算法,根据二阶邻居节点以及各个节点的度计算得到马尔科夫转移概率矩阵P。其中,上述的马尔科夫转移概率矩阵P包括多个概率矩阵元素Pxy,概率矩阵元素Pxy的表达式为:
其中,Pxy为概率矩阵元素,ky为节点y的度,τx为节点x的二阶邻居数。
在计算得到了上述的马尔科夫转移概率矩阵P之后,根据马尔科夫转移概率矩阵P计算随机游走粒子到达各节点的概率向量。设随机游走粒子的返回概率为1-c,随机游走离子的初始时刻在节点x处,则t+1时刻,该随机游走粒子到达网络快照各个节点的概率向量为:
qx(t+1)=cPTqx(t)+(1+c)ex
上式的稳态解为:qx=cPTqx(t)+(1-c)ex。其中,qx为节点x到达各节点的概率向量,PT为概率转移矩阵的转置,c为随机游走粒子重启的概率,ex为初始向量。
进一步的,在得到了各节点的概率向量之后,根据各个概率向量得到重启随机游走相似度值。重启随机游走相似度值的表达式为:
Sxy=qxy+qyx
其中,qxy为从节点x出发的粒子到达节点y的概率,qyx为从节点y出发的粒子到达节点x的概率。
S102,根据时间序列分析法,对机会网络数据进行切分得到多个网络快照,根据所述改进的重启随机游走相似性指标,对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵。
请参阅图2至图4,原始的机会网络数据为在时间上连续的动态的数据集合,通过时间序列方法将原始动态的机会网络转化为静态的时间上有序的网络快照集合G,其中G=(G1,G2,...Gn),Gi=(Vi,Ei)表示i时刻网络拓扑结构图,Vi表示i时刻的节点的集合,Ei表示i时刻边的集合。
在本实施例中,上述的相似性矩阵集合的表达式为:
{S1,S2,...Sn}
其中,Si为第i个时间片的相似性矩阵,n为网络切片后的快照总数。也即上述的相似性矩阵集合是所有时间片的网络快照的相似性矩阵的集合。上述的相似性矩阵中元素即为各节点间的重启随机游走相似度值,表达式为:
S103,建立深度信念网络预测模型,将所述相似性矩阵作为模型输入,经迭代训练测试后得到最优深度信念网络模型,以对机会网络链路进行预测。
在本发明中,采用深度信念网络模型的目的是为了学习得到历史链路状态变化的内在特征,但不同结构和参数的模型对特征的提取效果不同,针对实际数据集的特点,考虑从模型结构、超参数、训练算法、优化算法等方面来构建合适的深度信念网络模型。
在本步骤中,建立的深度信念网络预测模型的表达式为:
其中,θ={Wij,ai,bj}为受限玻尔兹曼机的参数,Wij为可见层第i个神经元与隐含层第j个神经元之间的连接权重,ai和bj分别表示可视层神经元i和隐含层神经元j的偏置,vi表示v的第i个神经元的状态,hj表示h的第j个神经元的状态,n为可见层神经元数,m为隐含层神经元数。
具体的,上述的深度信念网络模型的结构包括输入层、受限玻尔兹曼机隐藏层以及输出层,所述深度新南网络模型还对应有超参数,该超参数包括网络隐含层数以及隐含层节点数。
上述的网络隐含层数根据重构误差Rerror进行确定,重构误差Rerror表示为:
其中,n为样本个数,m为维数,pi,j为网络重构值,di,j为真实值,px为取值个数或范围。当重构误差满足预期值时,网络隐藏层数最佳,即:
L=NRBM+1,Rerror>ε
L=NRBM,Rerror<ε
其中,ε为目标重构误差预期值。
上述的隐含层节点数可表示为:
其中,m为输入特征维度,n为输出节点个数,a为区间[1,10]内的整数。
链路预测的目的是分析历史链路状态的变化规律,得出下一时刻链路状态。本发明中使用多节点对链路预测精度来衡量特征提取的优劣,选用Keras框架(后台选用Theano)作为模型训练工具,将原始数据集按8:2的比例划分为训练集和测试集,训练集中的节点的历史相似性值组成的向量作为模型的输入,下一时刻的节点对连接状态作为输出。训练结束后,通过测试集来验证模型,若测试结果满足一定的精度则预测成功,即可使用该模型来预测机会网络的链路。
本发明提出的机会网络链路的预测方法,首先基于随机游走算法以及二阶邻居信息,重构随机游走者的马尔科夫转移概率矩阵,从而得到改进后的重启随机游走相似度,并对机会网络数据进行切片,并采用改进后的重启随机游走相似度对各个网络快照进行随机游走,得到各个网络快照的相似性矩阵,利用特征提取能力强、数据表征效果好的深度信念网络模型,自发地提取机会网络中链路状态变化的内在特征,从而对机会网络链路进行预测。本发明提出的机会网络链路的预测方法,可实现对网络链路的精准预测。
请参阅图9,对于本发明第二实施例提出的机会网络链路的预测装置,其中,所述装置包括依次连接的矩阵构建模块11、数据切分模块12以及链路预测模块13;
其中所述矩阵构建模块11具体用于:
基于随机游走算法以及二阶邻居信息,构建马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进后的重启随机游走相似性指标;
所述数据切分模块12具体用于:
根据时间序列分析法,对机会网络数据进行切分得到多个网络快照,根据所述改进的重启随机游走相似性指标,对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵;
所述链路预测模块13具体用于:
建立深度信念网络模型,将所述相似性矩阵作为模型输入,经迭代训练测试后得到最优深度信念网络模型,以对机会网络链路进行预测。
本发明还提出一种可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如上所述的机会网络链路的预测方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
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它们的组合来实现: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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,包括上述方法所述的步骤。所述的存储介质,包括:ROM/RAM、磁碟、光盘等。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种机会网络链路的预测方法,其特征在于,所述方法包括如下步骤:
基于随机游走算法以及二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标;
根据时间序列分析法,对机会网络数据进行切分得到多个网络快照,根据所述改进的重启随机游走相似性指标,对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵;
建立深度信念网络模型,将所述相似性矩阵作为模型输入,经迭代训练测试后得到最优深度信念网络预测模型,以对机会网络链路进行预测;
所述基于随机游走算法以及二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标包括如下步骤:
基于所述随机游走算法,根据二阶邻居节点以及各个节点的度计算得到所述马尔科夫转移概率矩阵;
根据所述马尔科夫转移概率矩阵计算随机游走粒子到达各节点的概率向量,并根据各个所述概率向量得到重启随机游走相似度值;
所述马尔科夫转移概率矩阵包括多个概率矩阵元素,所述概率矩阵元素的表达式为:
所述概率向量的表达式为:
qx=cPTqx(t)+(1-c)ex
其中,Pxy为概率矩阵元素,ky为节点y的度,τx为节点x的二阶邻居数,qx为节点x到达各节点的概率向量,PT为概率转移矩阵的转置,c为随机游走粒子重启的概率,ex为初始向量,qx(t)表示t时刻随机游走粒子从节点x处到达网络快照各个节点的概率向量。
2.根据权利要求1所述的机会网络链路的预测方法,其特征在于,所述重启随机游走相似性指标的表达式为:
Sxy=qxy+qyx
相似性矩阵集合的表达式为:
{S1,S2,...Sn}
其中,qxy为从节点x出发的粒子到达节点y的概率,qyx为从节点y出发的粒子到达节点x的概率,Si为第i个时间片的相似性矩阵,n为网络切片后的快照总数。
4.根据权利要求1所述的机会网络链路的预测方法,其特征在于,所述深度信念网络模型的结构包括输入层、叠加的受限玻尔兹曼机隐藏层以及输出层,所述深度信念网络模型还对应有超参数,所述超参数包括网络隐含层数以及隐含层节点数。
7.一种机会网络链路的预测装置,其特征在于,所述装置包括:
矩阵构建模块,用于基于随机游走算法以及二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标;
数据切分模块,用于根据时间序列分析法,对机会网络数据进行切分得到多个网络快照,根据所述改进的重启随机游走相似性指标,对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵;
链路预测模块,用于建立深度信念网络模型,将所述相似性矩阵作为模型输入,经迭代训练测试后得到最优深度信念网络模型,以对机会网络链路进行预测;
所述基于随机游走算法以及二阶邻居信息,重构马尔科夫转移概率矩阵,根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标包括如下步骤:
基于所述随机游走算法,根据二阶邻居节点以及各个节点的度计算得到所述马尔科夫转移概率矩阵;
根据所述马尔科夫转移概率矩阵计算随机游走粒子到达各节点的概率向量,并根据各个所述概率向量得到重启随机游走相似度值;
所述马尔科夫转移概率矩阵包括多个概率矩阵元素,所述概率矩阵元素的表达式为:
所述概率向量的表达式为:
qx=cPTqx(t)+(1-c)ex
其中,Pxy为概率矩阵元素,ky为节点y的度,τx为节点x的二阶邻居数,qx为节点x到达各节点的概率向量,PT为概率转移矩阵的转置,c为随机游走粒子重启的概率,ex为初始向量,qx(t)表示t时刻随机游走粒子从节点x处到达网络快照各个节点的概率向量。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现上述权利要求1至6任意一项所述的机会网络链路的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811160815.0A CN109120462B (zh) | 2018-09-30 | 2018-09-30 | 机会网络链路的预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811160815.0A CN109120462B (zh) | 2018-09-30 | 2018-09-30 | 机会网络链路的预测方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109120462A CN109120462A (zh) | 2019-01-01 |
CN109120462B true CN109120462B (zh) | 2021-07-16 |
Family
ID=64856534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811160815.0A Active CN109120462B (zh) | 2018-09-30 | 2018-09-30 | 机会网络链路的预测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109120462B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232641B (zh) * | 2019-06-13 | 2021-08-10 | 重庆邮电大学 | 基于电力信息系统网络调控机制的隐私保护方法 |
CN110704725B (zh) * | 2019-06-27 | 2023-03-21 | 重庆大学 | 一种基于专利的校企合作推荐算法 |
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 |
CN111064603B (zh) * | 2019-12-04 | 2022-12-23 | 深圳大学 | 一种网络链路确定方法、装置及设备 |
CN111008447B (zh) * | 2019-12-21 | 2023-09-05 | 杭州师范大学 | 一种基于图嵌入法的链路预测方法 |
CN111310822B (zh) * | 2020-02-12 | 2022-09-20 | 山西大学 | 一种基于pu学习和随机游走的链接预测方法及装置 |
CN111541572B (zh) * | 2020-04-26 | 2021-08-17 | 武汉理工大学 | 一种低约束条件的随机机会网络图的精确重构方法 |
CN111815442B (zh) * | 2020-06-19 | 2023-08-08 | 中汇信息技术(上海)有限公司 | 一种链接预测的方法、装置和电子设备 |
CN111865690B (zh) * | 2020-07-21 | 2022-06-03 | 南昌航空大学 | 基于网络结构和时序的机会网络链路预测方法 |
CN111756587B (zh) * | 2020-07-29 | 2021-06-15 | 南昌航空大学 | 一种采用GraphSAGE预测时序网络链路的方法 |
CN112364295B (zh) * | 2020-11-13 | 2024-04-19 | 中国科学院数学与系统科学研究院 | 网络节点重要性的确定方法、装置、电子设备及介质 |
CN112966156B (zh) * | 2021-03-23 | 2023-03-21 | 西安电子科技大学 | 基于结构扰动与线性优化的有向网络链路预测方法 |
CN113992524B (zh) * | 2021-09-28 | 2024-04-09 | 北京工业大学 | 网络切片优化处理方法及系统 |
CN114116850A (zh) * | 2021-12-02 | 2022-03-01 | 北京环境特性研究所 | 网络安全态势预测方法及装置、电子设备、可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194469A (zh) * | 2017-05-11 | 2017-09-22 | 西安电子科技大学 | 基于时间序列数据和随机梯度下降法的网络重构方法 |
-
2018
- 2018-09-30 CN CN201811160815.0A patent/CN109120462B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194469A (zh) * | 2017-05-11 | 2017-09-22 | 西安电子科技大学 | 基于时间序列数据和随机梯度下降法的网络重构方法 |
Non-Patent Citations (2)
Title |
---|
A link prediction approach based on;Jian Shu 等;《International Journal of》;20171231;第1-7页 * |
基于深度学习的机会网络链路预测方法研究;陈琦帆;《中国优秀硕士学位论文全文数据库信息科技辑》;20171115;第22、33-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109120462A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
CN111406267B (zh) | 使用性能预测神经网络的神经架构搜索 | |
JP7518250B2 (ja) | リソース制約付きニューラルネットワークアーキテクチャ検索 | |
CN109902183B (zh) | 一种基于多样图注意力机制的知识图谱嵌入方法 | |
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
WO2022083624A1 (zh) | 一种模型的获取方法及设备 | |
EP3620990A1 (en) | Capturing network dynamics using dynamic graph representation learning | |
US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
CN111602148A (zh) | 正则化神经网络架构搜索 | |
CN113361680B (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
CN110321603A (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
WO2018140969A1 (en) | Multi-task neural networks with task-specific paths | |
US20200234144A1 (en) | Generating training datasets for training neural networks | |
CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
CN108923983B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
CN114072809A (zh) | 经由神经架构搜索的小且快速的视频处理网络 | |
Bhalaji | Cloud load estimation with deep logarithmic network for workload and time series optimization | |
CN113065321B (zh) | 基于lstm模型和超图的用户行为预测方法及系统 | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN117172376A (zh) | 基于网络重构的生成式图神经网络的图结构链路预测方法及系统 | |
WO2023174064A1 (zh) | 自动搜索方法、自动搜索的性能预测模型训练方法及装置 | |
JP6927409B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN117010480A (zh) | 模型训练方法、装置、设备、存储介质及程序产品 | |
CN108898227A (zh) | 学习率计算方法及装置、分类模型计算方法及装置 |
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 |