CN109194504A - 面向动态网络的时序链路预测方法及计算机可读存储介质 - Google Patents
面向动态网络的时序链路预测方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109194504A CN109194504A CN201810911183.0A CN201810911183A CN109194504A CN 109194504 A CN109194504 A CN 109194504A CN 201810911183 A CN201810911183 A CN 201810911183A CN 109194504 A CN109194504 A CN 109194504A
- Authority
- CN
- China
- Prior art keywords
- prediction result
- message
- network
- central server
- prediction
- 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.)
- Pending
Links
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
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种面向动态网络的时序链路预测方法,将网络系统中的动态性预测问题抽象为动态网络的时序链路预测问题,使得本发明能应用于多种场景,相比于现有技术,具有更强的通用性。通过将多个NMF分量按照时间因素线性组合的方式,本发明构建一个基于非负矩阵分解过程的混合模型,由于本发明额外为每个NMF分量引入一个自适应参数进一步考虑单个网络快照与动态网络整体的内在关联性,求解该混合模型能够得到与现有技术相比质量更高的隐含空间。此外,本发明还利用非负矩阵分解过程自身的重建特性来生成预测结果,使得该时序链路预测方法不仅能用于无权网络,也能用于带权网络。发明实施例还提供了一种计算机可读存储介质。
Description
技术领域
本发明涉及网络技术领域,具体涉及一种面向动态网络的时序链路预测方法、装置及计算机可读存储介质。
背景技术
动态性是限制一些网络系统性能提升的重要因素,而对于网络动态变化的准确预测能够为网络基础设施的相关决策提供有效支持。例如,移动蜂窝网中用户相对位置的准确预测能够有效地减少由于信令传输产生的带宽资源消耗,数据中心网络中节点传输流量的预测能够提高资源的调度效率同时避免拥塞。
通常,网络系统中关于实体及实体间关系的动态性预测可以被抽象为动态网络的时序链路预测问题(本发明主要关注无向无权和无向带权动态网络)。其中,网络拓扑可直接来源于真实网络系统中各实体间的连接关系,例如对于数据中心网络,可将交换机抽象为节点,各交换机之间由于数据传输形成的连接关系作为对应节点的边,而数据传输的流量、速率等可作为对应边的权值;网络拓扑也可由网络系统中各实体的间接关系生成,例如对于车联网,可将用户车辆抽象为节点,根据任意两辆车之间的距离判断对应的节点对是否存在连接关系。
网络系统可根据某个预先设定的时间间隔将一段连续时间分割为多个邻接的时间片,在每个时间片中系统通过采样生成一个包含所有实体的静态拓扑结构,作为该时间片下的网络快照。规定对于某个时间片t,系统采样生成的网络快照为At;并假设在生成的所有网络快照中,系统不会增加新节点或删除已有节点,即假设在动态网络中节点总数不变。动态网络的时序链路预测问题可描述为,利用过去连续的l个时间片(定义l为预设窗口大小),以及当前时间片τ(共(l+1)个时间片)的网络快照{Aτ-l,…,Aτ-1,Aτ},预测下一个时间片(τ+1)的网络快照
现有的关于解决网络系统动态性预测问题的相关技术主要涉及下述几个方面:
(1)移动蜂窝网用户相对位置及与基站连接关系的预测;
(2)移动自组织网节点动态拓扑和相对位置预测;
(3)数据中心网络节点动态拓扑和传输流量预测;
(4)局域网用户业务流量预测等。
这些相关技术主要通过挖掘特定应用场景的动态性特征,构建预测模型来解决特定场景的预测问题,但很难一般性地推广到其他应用场景。
另一方面,也存在一些一般性考虑动态网络时序链路问题的相关技术。这些相关技术通常将连续多个时间片的网络快照嵌入到一个低维隐含空间,学习动态网络的变化特征,在该隐含空间中网络的每个节点可使用一个低维向量表示,并采用基于隐含空间相似度的方法构建预测结果,主要适用于无向无权网络的时序链路预测。通过计算任意两个节点对(vi,vj)对应低维向量的相似度sij=sji,可判断在下一个时间片的网络快照Aτ+1中节点对(vi,vj)有边连接的倾向,即sij越大,节点对(vi,vj)越有可能有边连接,反之亦然。一般地,相关技术设定一个阈值s,当sij≥s时,认定在下一个时间片中节点对(vi,vj)有边连接,即令否则,认定(vi,vj)之间没有边连接,即令
与针对特定应用场景的技术相比,这些关于时序预测问题的技术适用于多种不同的应用中场景,如社交网络中的用户推荐、生物信息网络中的癌细胞扩散分析等,其中也包括真实网络系统的相对位置和动态拓扑预测。
现有的与网络系统动态性相关的技术仍存在以下缺陷:
(1)现有的与网络系统动态性相关的技术通常只局限于某个单一的应用场景,比如,移动蜂窝网中用户-基站连接关系预测、数据中心网络传输流量预测等,这些技术针对单一场景提取的特征、构建的模型很难一般性地推广到其他的场景,技术的通用性和可拓展性受到很大限制。
(2)与时序链路预测问题相关的技术虽然能拓展到多种不同的应用场景,但这些技术一般也只应用于于社交网络推荐、生物信息网络演化等方面,而针对动态网络系统中的应用,则未提出具体方案。
(3)现有技术在构建动态网络隐含空间时,并没有充分考虑不同时间片网络快照与动态网络整体的关联性,使得预测性能的提升受到一定的限制。
(4)现有时序链路预测技术一般只关注在无权动态网络中的应用,普遍采取基于节点向量相似度构建下一个时间片网络快照的方式,这种方式只能预测任意节点对之间是否有边连接,而不能预测边的权值,因此不能推广到带权网络,技术仍然缺乏通用性。
发明内容
为了至少部分地解决现技术存在的问题,本发明实施例期望提供一种面向动态网络的时序链路预测方法、装置及计算机可读存储介质。
根据第一方面,一种实施例中提供了一种面向动态网络的时序链路预测方法,包括:
步骤101、获取当前时间片τ的网络快照Aτ,并确定当前时间片τ对应的NMF分量的最优解{Xτ,Yτ};
步骤102、获取当前时间片τ之前的连续l个时间片对应的NMF分量的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1},并使用获得的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1}初始化第一目标函数中的待求变量,即在下述第一目标函数中令并求取待求变量:
第一目标函数:其中,且迭代次数s从1开始计数;
步骤103、初始化迭代次数计数器s←0;
步骤104、判断所述第一目标函数的值是否收敛,如果收敛,则转至步骤105;如果不收敛,则转至步骤106;
步骤105、采用下述第一公式或者第二公式确定下一个时间片(τ+1)网络快照的预测结果并结束当前流程:
第一公式:
第二公式:其中,为N维单位矩阵,为融合时间片{τ-l,…,τ-1,τ}的网络快照的塌陷网络邻接矩阵,而θ和β为用户定义的参数。
步骤106、使用下述第三公式或者第四公式计算自适应参数
第三公式:
第四公式:
使用下述第一更新规则更新辅助矩阵的值,固定的值:
第一更新规则:
使用下述第二更新规则更新网络表示矩阵X(s)的值,固定{Yτ-l,…,Yτ}的值:
第二更新规则:
步骤107:更新迭代次数计数器,令s←s+1,并跳转至步骤104。
优选地,所述确定当前时间片τ对应的NMF分量的最优解{Xτ,Yτ}(采用多次重复求解NMF分量的策略避免陷入局部极小,设总求解次数为m,使用上标[k](1≤k≤m)表示第k次求解的变量),包括:
步骤201:获取系统设定的最大求解次数m;
步骤202:初始化求解次数计数器,令k←1;
步骤203:在下述第二目标函数中随机初始化的值,并求取待求变量:
第二目标函数:
步骤204:判断所述第二目标函数的值是否收敛,如果收敛,则转至步骤207;否则,转至步骤205;
步骤205:固定网络表示矩阵的值,使用下述第三更新规则更新辅助矩阵的值:
第三更新规则:
步骤206:固定辅助矩阵的值,使用下述第四更新规则更新网络表示矩阵的值,并跳转至步骤204:
第四更新规则:
步骤207:结束首次求解,记目标函数收敛时的值为o1,暂存当前结果为最优结果,令omin←o1,以及
步骤208:更新求解次数计数器,令k←k+1;
步骤209:如果当前求解次数超过设定的最大次数,即k>m,跳转至步骤218;否则,顺序执行;
步骤210:开始第k次求解过程,随机初始化的值;
步骤211:如果所述第二目标函数的值收敛,则跳转至步骤214;否则,顺序执行;
步骤212:固定网络表示矩阵的值,使用所述第三更新规则更新辅助矩阵的值;
步骤213:固定辅助矩阵的值,使用所述第四更新规则更新网络表示矩阵的值,跳转至步骤211;
步骤214:结束第k次求解过程,记目标函数收敛时的值为ok;
步骤215:判断目标函数的值是否小于当前最优结果,即ok<omin,如果是,则顺序执行;否则,跳转至步骤217;
步骤216:更新当前最优结果,即令omin←ok,并更新{Xt,Yt},即令
步骤217:更新求解次数计数器k←k+1,跳转至步骤209;
步骤218:结束NMF分量最优解的求解过程,并输出最优结果{Xt,Yt}。
根据第二方面,一种实施例中提供了一种面向动态网络的时序链路预测方法,所述方法应用于数据中心网络,包括:
步骤301:SDN集中控制器根据历史拓扑邻接表和当前拓扑邻接表,执行权利要求1或2所述方法,预测下一个时间片网络拓扑,并构建预测结果邻接表;
步骤302:SDN集中控制器根据预测结果邻接表的内容,向SDN交换机发送封装了预测邻居数量的预测结果传输请求消息;
步骤303:SDN集中控制器接收SDN交换机回复的预测结果传输确认消息;
步骤304:SDN集中控制器收到预测结果传输确认消息后,确认SDN交换机已收到预测结果传输请求消息;
步骤305:SDN集中控制器根据预测结果邻接表的内容,向所述SDN交换机发送所有封装了单个预测邻居信息的预测结果内容消息;
步骤306:SDN集中控制器接收SDN交换机回复的预测结果内容确认消息;
步骤307:SDN集中控制器收到所述预测结果内容确认消息后,确认SDN交换机已收到相应的预测结果内容消息;
步骤308:SDN集中控制器准备进入下一个时间片。
根据第三方面,一种实施例中提供了一种面向动态网络的时序链路预测方法,所述方法应用于数据中心网络,包括:
步骤401:SDN交换机接收SDN集中控制器发送的预测结果传输请求消息,所述预测结果传输请求消息是根据预测结果邻接表的内容生成的,并封装有预测邻居数量;
步骤402:SDN交换机向SDN集中控制器回复与所述预测结果传输请求消息相对应的预测结果传输确认消息;
步骤403:SDN集中控制器根据预测结果邻接表的内容,向SDN交换机发送所有封装了单个预测邻居信息的预测结果内容消息;
步骤404:SDN交换机接收收所述SDN集中控制器发送的所有封装了单个预测邻居信息的预测结果内容消息,所述预测结果内容消息是所述SDN集中控制器根据预测结果邻接表的内容生成的,并向SDN集中控制器回复相应的预测结果内容确认消息;
步骤405:SDN交换机根据预测结果内容消息,构建预测结果邻居表;
步骤406:SDN交换机根据预测结果邻居表进行相应的资源预分配;
步骤407:SDN交换机准备进入下一个时间片。
根据第四方面,一种实施例中提供了一种面向动态网络的时序链路预测方法,所述方法应用于移动蜂窝网络,包括:
步骤501:移动蜂窝网计算中心服务器根据历史和当前用户-基站邻接表,使用下述第五公式构建时间片{τ-l,…,τ-1,τ}对应的邻接矩阵{Aτ-l,…,Aτ-1,Aτ}:
第五公式:其中,N1为用户总数,N2为基站总数,s为信号强度;
步骤502:移动蜂窝网计算中心服务器根据邻接矩阵{Aτ-l,…,Aτ-1,Aτ},执行权利要求1或2所述方法,预测下一个时间片网络拓扑并构建预测结果用户-基站邻接表;
步骤503:移动蜂窝网计算中心服务器根据用户-基站邻接表,发送封装了用户-基站连接信息数量的预测结果传输请求消息给基站;
步骤504:移动蜂窝网计算中心服务器接收基站回复的预测结果传输确认消息;
步骤505:移动蜂窝网计算中心服务器收到预测结果传输确认消息后,确认基站已收到预测结果传输请求消息;
步骤506:移动蜂窝网计算中心服务器根据预测结果用户-基站邻接表的内容,发送所有封装了单个用户-基站连接信息的预测结果内容消息给基站;
步骤507:移动蜂窝网计算中心服务器接收基站回复的预测结果内容确认消息;
步骤508:移动蜂窝网计算中心服务器收到预测结果内容确认消息,确认基站已收到相应的预测结果内容消息;
步骤509:移动蜂窝网计算中心服务器准备进入下一个时间片。
根据第五方面,一种实施例中提供了一种面向动态网络的时序链路预测方法,所述方法应用于移动蜂窝网络,包括:
步骤601:基站接收移动蜂窝网计算中心服务器发送的预测结果传输请求消息,并向所述移动蜂窝网计算中心服务器回复相应的预测结果传输确认消息;其中,所述预测结果传输请求消息是由移动蜂窝网计算中心服务器根据用户-基站邻接表生成的;
步骤602:基站接收移动蜂窝网计算中心服务器发送的所有封装了单个用户-基站连接信息的预测结果内容消息,并向移动蜂窝网计算中心服务器回复相应的预测结果内容确认消息;
步骤603:基站根据预测结果内容消息,构建预测服务用户列表;
步骤604:基站根据预测服务用户列表进行相应的资源预分配;
步骤605:基站准备进入下一个时间片。
根据第六方面,一种实施例中提供了一种面向动态网络的时序链路预测方法,所述方法应用于车联网系统,包括:
步骤701:车联网计算中心服务器根据当前和历史拓扑邻接表,执行权利要求1或2所述方法,预测下一个时间片网络拓扑,并构建预测结果拓扑邻接表;
步骤702:车联网计算中心服务器根据预测结果拓扑邻接表,向用户车辆发送封装了邻居车辆数量的预测结果传输请求消息;
步骤703:车联网计算中心服务器接收用户车辆回复的预测结果传输确认消息;
步骤704:车联网计算中心服务器收到预测结果传输确认消息,确认用户车辆已收到预测结果传输请求消息;
步骤705:车联网计算中心服务器根据预测结果拓扑邻接表的内容,向用户车辆发送所有封装了单个邻居车辆信息的预测结果内容消息;
步骤706:车联网计算中心服务器接收用户车辆发送的预测结果内容确认消息;
步骤707:车联网计算中心服务器收到预测结果内容确认消息,确认用户车辆已收到预测结果内容消息;
步骤708:车联网计算中心服务器准备进入下一个时间片。
根据第七方面,一种实施例中提供了一种面向动态网络的时序链路预测方法,所述方法应用于车联网系统,包括:
步骤801:用户车辆接收车联网计算中心服务器发送的预测结果传输请求消息,并向车联网计算中心服务器回复相应的预测结果传输确认消息;其中,所述预测结果传输请求消息是车联网计算中心服务器根据预测结果拓扑邻接表生成的;
步骤802:车联网计算中心服务器根据预测结果拓扑邻接表的内容,向用户车辆发送所有封装了单个邻居车辆信息的预测结果内容消息;
步骤803:用户车辆接收车联网计算中心服务器发送的所有封装了单个邻居车辆信息的预测结果内容消息,并向车联网计算中心服务器发送相应的预测结果内容确认消息;
步骤804:用户车辆根据预测结果内容消息,构建预测结果邻居车辆列表;
步骤805:用户车辆根据预测结果邻居车辆列表,进行相应的资源预分配;
步骤806:用户车辆准备进入下一个时间片。
根据第八方面,一种实施例中提供了一种计算机可读存储介质,该计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如上述第一至第七方面中任一方面所述的方法。
与现有技术相比,本发明实施例至少具备以下优点:
根据本发明实施例提供的面向动态网络的时序链路预测方法,包括:步骤101、获取当前时间片τ的网络快照Aτ,并确定当前时间片τ对应的NMF分量的最优解{Xτ,Yτ};步骤102、获取当前时间片τ之前的连续l个时间片对应的NMF分量的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1},并使用获得的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1}初始化第一目标函数中的待求变量,即在下述第一目标函数中令并求取待求变量;步骤103、初始化迭代次数计数器s←0;步骤104、判断所述第一目标函数的值是否收敛,如果收敛,则转至步骤105;如果不收敛,则转至步骤106;步骤105、采用第一公式或者第二公式确定下一个时间片(τ+1)网络快照的预测结果并结束当前流程;步骤106、使用第三公式或者第四公式计算自适应参数使用第一更新规则更新辅助矩阵的值,固定的值;使用第二更新规则更新网络表示矩阵X(s)的值,固定{Yτ-l,…,Yτ}的值;步骤107:更新迭代次数计数器,令s←s+1,并跳转至步骤104。基于上述方案,本发明将动态网络的时序链路预测问题转化为一个基于非负矩阵分解混合模型,在混合模型中为每个NMF分量t∈{τ-l,…,τ}引入一个可变的自适应参数ρt(X,Xt),考虑单个网络快照与动态网络整体的内在关联性。不同于标准的非负矩阵分解问题的求解过程,自适应参数的引入使得混合模型的求解依赖于各NMF分量t∈{τ-l,…,τ}对应的最优结果{Xτ-l,Yτ-l,…,Xτ,Yτ}。这使得本发明能应用于诸如数据中心网络传输流量预测、移动蜂窝网用户-基站连接关系及信号强度预测、车联网用户车辆连接关系预测等多种场景,相比于现有的考虑单一网络系统应用场景的技术,本发明具有更强的通用性。另外,通过将多个NMF分量按照时间因素线性组合的方式,本发明构建一个基于非负矩阵分解过程的混合模型,由于本发明额外为每个NMF分量引入一个自适应参数进一步考虑单个网络快照与动态网络整体的内在关联性,求解该混合模型能够得到与现有技术相比质量更高的隐含空间。此外,本发明还利用非负矩阵分解过程自身的重建特性来生成预测结果,使得该时序链路预测方法不仅能用于无权网络,也能用于带权网络,与现有的时序链路预测技术相比,也具有更强的通用性。
附图说明
图1是本发明面向动态网络的时序链路预测方法在一种实施方式中的流程图;
图2是本发明面向动态网络的时序链路预测方法在第二种实施方式中的流程图;
图3是本发明面向动态网络的时序链路预测方法在第三种实施方式中的流程图;
图4是本发明面向动态网络的时序链路预测方法在第四种实施方式中的流程图;
图5是本发明面向动态网络的时序链路预测方法在第五种实施方式中的流程图;
图6是本发明面向动态网络的时序链路预测方法在第六种实施方式中的流程图;
图7是本发明面向动态网络的时序链路预测方法在第七种实施方式中的流程图;
图8是本发明面向动态网络的时序链路预测方法在第八种实施方式中的流程图;
图9是本发明面向动态网络的时序链路预测方法在第九种实施方式中的流程图;
图10是本发明面向动态网络的时序链路预测方法在第十种实施方式中的流程图;
图11是本发明面向动态网络的时序链路预测方法在第十一种实施方式中的流程图;
图12为本发明所适用的数据中心网络系统架构及主要数据结构图;
图13是本发明数据中心网络系统采样阶段交互过程;
图14是本发明数据中心网络系统预测阶段交互过程;
图15是本发明适用的移动蜂窝网系统架构及主要数据结构图;
图16是本发明移动蜂窝网系统采样阶段交互过程;
图17是本发明移动蜂窝网系统预测阶段交互过程;
图18是本发明适用的车联网系统架构及主要数据结构图;
图19是本发明车联网系统采样阶段交互过程;
图20是车联网系统预测阶段交互过程。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力地认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
实施例一
本发明实施例一提供了一种面向动态网络的时序链路预测方法,参照图1,所述方法包括:
步骤101、获取当前时间片τ的网络快照Aτ,并确定当前时间片τ对应的NMF分量的最优解{Xτ,Yτ};
步骤102、获取当前时间片τ之前的连续l个时间片对应的NMF分量的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1},并使用获得的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1}初始化第一目标函数中的待求变量,即在下述第一目标函数中令并求取待求变量:
第一目标函数:其中,且迭代次数s从1开始计数;
步骤103、初始化迭代次数计数器s←0;
步骤104、判断所述第一目标函数的值是否收敛,如果收敛,则转至步骤105;如果不收敛,则转至步骤106;
步骤105、采用下述第一公式或者第二公式确定下一个时间片(τ+1)网络快照的预测结果并结束当前流程:
第一公式:
第二公式:其中,为N维单位矩阵,为融合时间片{τ-l,…,τ-1,τ}的网络快照的塌陷网络邻接矩阵,而θ和β为用户定义的参数。
步骤106、使用下述第三公式或者第四公式计算自适应参数
第三公式:
第四公式:
使用下述第一更新规则更新辅助矩阵的值,固定的值:
第一更新规则:
使用下述第二更新规则更新网络表示矩阵X(s)的值,固定{Yτ-l,…,Yτ}的值:
第二更新规则:
步骤107:更新迭代次数计数器,令s←s+1,并跳转至步骤104。
具体的,参照图2,在上述方法中,所述确定当前时间片τ对应的NMF分量的最优解{Xτ,Yτ}(该方法采用多次重复求解NMF分量的策略避免陷入局部极小,设总求解次数为m,使用上标[k](1≤k≤m)表示第k次求解的变量),包括以下步骤:
步骤201:获取系统设定的最大求解次数m;
步骤202:初始化求解次数计数器,令k←1;
步骤203:在下述第二目标函数中随机初始化的值,并求取待求变量:
第二目标函数:
步骤204:判断所述第二目标函数的值是否收敛,如果收敛,则转至步骤207;否则,转至步骤205;
步骤205:固定网络表示矩阵的值,使用下述第三更新规则更新辅助矩阵的值:
第三更新规则:
步骤206:固定辅助矩阵的值,使用下述第四更新规则更新网络表示矩阵的值,并跳转至步骤204:
第四更新规则:
步骤207:结束首次求解,记目标函数收敛时的值为o1,暂存当前结果为最优结果,令omin←o1,以及
步骤208:更新求解次数计数器,令k←k+1;
步骤209:如果当前求解次数超过设定的最大次数,即k>m,跳转至步骤218;否则,顺序执行;
步骤210:开始第k次求解过程,随机初始化的值;
步骤211:如果所述第二目标函数的值收敛,则跳转至步骤214;否则,顺序执行;
步骤212:固定网络表示矩阵的值,使用所述第三更新规则更新辅助矩阵的值;
步骤213:固定辅助矩阵的值,使用所述第四更新规则更新网络表示矩阵的值,跳转至步骤211;
步骤214:结束第k次求解过程,记目标函数收敛时的值为ok;
步骤215:判断目标函数的值是否小于当前最优结果,即ok<omin,如果是,则顺序执行;否则,跳转至步骤217;
步骤216:更新当前最优结果,即令omin←ok,并更新{Xt,Yt},即令
步骤217:更新求解次数计数器k←k+1,跳转至步骤209;
步骤218:结束NMF分量最优解的求解过程,并输出最优结果{Xt,Yt}。
综上,本发明实施例提供的面向动态网络的时序链路预测方法,包括:步骤101、获取当前时间片τ的网络快照Aτ,并确定当前时间片τ对应的NMF分量的最优解{Xτ,Yτ};步骤102、获取当前时间片τ之前的连续l个时间片对应的NMF分量的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1},并使用获得的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1}初始化第一目标函数中的待求变量,即在第一目标函数中令并求取待求变量;步骤103、初始化迭代次数计数器s←0;步骤104、判断所述第一目标函数的值是否收敛,如果收敛,则转至步骤105;如果不收敛,则转至步骤106;步骤105、采用第一公式或者第二公式确定下一个时间片(τ+1)网络快照的预测结果并结束当前流程;步骤106、使用第三公式或者第四公式计算自适应参数使用第一更新规则更新辅助矩阵的值,固定的值;使用第二更新规则更新网络表示矩阵X(s)的值,固定{Yτ-l,…,Yτ}的值;步骤107:更新迭代次数计数器,令s←s+1,并跳转至步骤104。基于上述方案,本发明至少具备以下有益效果:
(1)本发明将动态网络的时序链路预测问题转化为一个基于非负矩阵分解混合模型,在混合模型中为每个NMF分量t∈{τ-l,…,τ}引入一个可变的自适应参数ρt(X,Xt),考虑单个网络快照与动态网络整体的内在关联性。不同于标准的非负矩阵分解问题的求解过程,自适应参数的引入使得混合模型的求解依赖于各NMF分量t∈{τ-l,…,τ}对应的最优结果{Xτ-l,Yτ-l,…,Xτ,Yτ}。这使得本发明能够应用于诸如数据中心网络传输流量预测、移动蜂窝网用户-基站连接关系及信号强度预测、车联网用户车辆连接关系预测等多种场景,相比于现有的考虑单一网络系统应用场景的技术,本发明具有更强的通用性;
(2)通过将多个NMF分量按照时间因素线性组合的方式,本发明构建一个基于非负矩阵分解过程的混合模型,由于本发明额外为每个NMF分量引入一个自适应参数进一步考虑单个网络快照与动态网络整体的内在关联性,求解该混合模型能够得到与现有技术相比质量更高的隐含空间。
(3)本发明还利用非负矩阵分解过程自身的重建特性来生成预测结果,使得该时序链路预测方法不仅能用于无权网络,也能用于带权网络,与现有的时序链路预测技术相比,也具有更强的通用性。
实施例二
本发明实施例二提供了一种面向动态网络的时序链路预测方法,所述方法应用于数据中心网络,参照图3,所述方法包括:
步骤301:SDN集中控制器根据历史拓扑邻接表和当前拓扑邻接表,执行实施例一所述方法,预测下一个时间片网络拓扑,并构建预测结果邻接表。
步骤302:SDN集中控制器根据预测结果邻接表的内容,向SDN交换机发送封装了预测邻居数量的预测结果传输请求消息;
步骤303:SDN集中控制器接收SDN交换机回复的预测结果传输确认消息;
步骤304:SDN集中控制器收到预测结果传输确认消息后,确认SDN交换机已收到预测结果传输请求消息;
步骤305:SDN集中控制器根据预测结果邻接表的内容,向所述SDN交换机发送所有封装了单个预测邻居信息的预测结果内容消息;
步骤306:SDN集中控制器接收SDN交换机回复的预测结果内容确认消息;
步骤307:SDN集中控制器收到所述预测结果内容确认消息后,确认SDN交换机已收到相应的预测结果内容消息;
步骤308:SDN集中控制器准备进入下一个时间片。
实施例三
本发明实施例三提供了一种面向动态网络的时序链路预测方法,所述方法应用于数据中心网络,参照图4,所述方法包括:
步骤401:SDN交换机接收SDN集中控制器发送的预测结果传输请求消息,所述预测结果传输请求消息是根据预测结果邻接表的内容生成的,并封装有预测邻居数量;
步骤402:SDN交换机向SDN集中控制器回复与所述预测结果传输请求消息相对应的预测结果传输确认消息;
步骤403:SDN交换机接收收所述SDN集中控制器发送的所有封装了单个预测邻居信息的预测结果内容消息,所述预测结果内容消息是所述SDN集中控制器根据预测结果邻接表的内容生成的,并向SDN集中控制器回复相应的预测结果内容确认消息;
步骤404:SDN交换机根据预测结果内容消息,构建预测结果邻居表;
步骤405:SDN交换机根据预测结果邻居表进行相应的资源预分配;
步骤406:SDN交换机准备进入下一个时间片。
实施例四
本发明实施例四提供了一种面向动态网络的时序链路预测方法,所述方法应用于移动蜂窝网络,参照图5,所述方法包括:
步骤501:移动蜂窝网计算中心服务器根据历史和当前用户-基站邻接表,使用下述第五公式构建时间片{τ-l,…,τ-1,τ}对应的邻接矩阵{Aτ-l,…,Aτ-1,Aτ}:
第五公式:其中,N1为用户总数,N2为基站总数,s为信号强度;
步骤502:移动蜂窝网计算中心服务器根据邻接矩阵{Aτ-l,…,Aτ-1,Aτ},执行实施例一所述方法,预测下一个时间片网络拓扑并构建预测结果用户-基站邻接表;
步骤503:移动蜂窝网计算中心服务器根据用户-基站邻接表,发送封装了用户-基站连接信息数量的预测结果传输请求消息给基站;
步骤504:移动蜂窝网计算中心服务器接收基站回复的预测结果传输确认消息;
步骤505:移动蜂窝网计算中心服务器收到预测结果传输确认消息后,确认基站已收到预测结果传输请求消息;
步骤506:移动蜂窝网计算中心服务器根据预测结果用户-基站邻接表的内容,发送所有封装了单个用户-基站连接信息的预测结果内容消息给基站;
步骤507:移动蜂窝网计算中心服务器接收基站回复的预测结果内容确认消息;
步骤508:移动蜂窝网计算中心服务器收到预测结果内容确认消息,确认基站已收到相应的预测结果内容消息;
步骤509:移动蜂窝网计算中心服务器准备进入下一个时间片。
实施例五
本发明实施例五提供了一种面向动态网络的时序链路预测方法,所述方法应用于移动蜂窝网络,参照图6,所述方法包括以下步骤:
步骤601:基站接收移动蜂窝网计算中心服务器发送的预测结果传输请求消息,并向所述移动蜂窝网计算中心服务器回复相应的预测结果传输确认消息;其中,所述预测结果传输请求消息是由移动蜂窝网计算中心服务器根据用户-基站邻接表生成的;
步骤602:基站接收移动蜂窝网计算中心服务器发送的所有封装了单个用户-基站连接信息的预测结果内容消息,并向移动蜂窝网计算中心服务器回复相应的预测结果内容确认消息;
步骤603:基站根据预测结果内容消息,构建预测服务用户列表;
步骤604:基站根据预测服务用户列表进行相应的资源预分配;
步骤605:基站准备进入下一个时间片。
实施例六
本发明实施例六提供了一种面向动态网络的时序链路预测方法,所述方法应用于车联网系统,参照图7,所述方法具体包括以下步骤:
步骤701:车联网计算中心服务器根据当前和历史拓扑邻接表,执行实施例一所述方法,预测下一个时间片网络拓扑,并构建预测结果拓扑邻接表;
步骤702:车联网计算中心服务器根据预测结果拓扑邻接表,向用户车辆发送封装了邻居车辆数量的预测结果传输请求消息;
步骤703:车联网计算中心服务器接收用户车辆回复的预测结果传输确认消息;
步骤704:车联网计算中心服务器收到预测结果传输确认消息,确认用户车辆已收到预测结果传输请求消息;
步骤705:车联网计算中心服务器根据预测结果拓扑邻接表的内容,向用户车辆发送所有封装了单个邻居车辆信息的预测结果内容消息;
步骤706:车联网计算中心服务器接收用户车辆发送的预测结果内容确认消息;
步骤707:车联网计算中心服务器收到预测结果内容确认消息,确认用户车辆已收到预测结果内容消息;
步骤708:车联网计算中心服务器准备进入下一个时间片。
实施例七
本发明实施例七提供了一种面向动态网络的时序链路预测方法,所述方法应用于车联网系统,参照图8,所述方法具体包括以下步骤:
步骤801:用户车辆接收车联网计算中心服务器发送的预测结果传输请求消息,并向车联网计算中心服务器回复相应的预测结果传输确认消息;其中,所述预测结果传输请求消息是车联网计算中心服务器根据预测结果拓扑邻接表生成的;
步骤802:车联网计算中心服务器根据预测结果拓扑邻接表的内容,向用户车辆发送所有封装了单个邻居车辆信息的预测结果内容消息;
步骤803:用户车辆接收车联网计算中心服务器发送的所有封装了单个邻居车辆信息的预测结果内容消息,并向车联网计算中心服务器发送相应的预测结果内容确认消息;
步骤804:用户车辆根据预测结果内容消息,构建预测结果邻居车辆列表;
步骤805:用户车辆根据预测结果邻居车辆列表,进行相应的资源预分配;
步骤806:用户车辆准备进入下一个时间片。
实施例八
本发明提供一种能被不同动态网络系统采用的时序链路预测方法,该方法通过定义并求解一个基于非负矩阵分解(Non-negative Matrix Factorization,NMF)的混合模型学习连续多个历史时间片共享的低维隐含空间,并利用该隐含空间以及非负矩阵分解过程自身的重建特性构建下一个时间片的网络快照,完成一次动态网络时序链路预测任务。本发明所述方法在模型的构建和求解中使用的符号定义如表1所示。
表1
本发明所述方法使用邻接矩阵At表示特定时间片t网络快照的拓扑结构。对于无向无权网络,当网络快照中节点i与节点j有边连接时,令(At)ij=(At)ji=1;否则,令(At)ij=(At)ji=0。对于无向带权网络,假设节点i和节点j之间的权值为w,则令(At)ij=(At)ji=w,而w=0表示节点i和节点j之间没有边连接。
对于某个特定时间片t下的网络快照,通过对邻接矩阵At进行非负矩阵分解学习网络快照的低维隐含空间,将一个特定时间片t下的网络快照的非负矩阵分解过程描述为下述带不等式约束的优化问题:
定义目标函数为时间片t对应的NMF分量,基于网络低维表示的观点,定义基矩阵Xt和系数矩阵Yt分别为网络表示矩阵和辅助矩阵,并使用网络表示矩阵Xt的第i行构成的行向量作为动态网络中节点i的低维向量表示,称为节点i的节点向量。
为求解上述非负矩阵分解问题,首先随机初始化公式(1)中的基矩阵Xt和系数矩阵Yt,并使用下述标准非负矩阵分解过程的更新规则迭代式地轮流更新Xt和Yt(当更新Xt时固定Yt的值;当更新Yt时,固定Xt的值),直到目标函数(公式1)的值收敛:
使用目标函数(公式1)的相对误差作为判断迭代过程是否收敛的依据,当相对误差小于某个阈值δ时,或当迭代次数s超过某个阈值ε时,可认为上述过程收敛并停止迭代;否则,迭代过程继续。实际实现时,δ和ε的取值可以根据实际需要进行设置,比如,可以设置δ=10-4,设置ε=104。
上述求解方法只能获得目标函数(公式1)的局部最优解,而不能保证获得目标函数(公式1)的全局最优解。为获得该非负矩阵分解问题相对合理的解,本发明采用多次求解的策略。假设共求解m次,收敛时目标函数(公式1)的值分别为{o1,…,om-1,om},令上标[k]表示第k次求解获得的解,本发明使用多次求解过程中最小目标函数值omin=min{o1,…,om-1,om}对应的解作为对应NMF分量t的解,上述求解过程可使用图9所示的流程图描述,包括如下步骤:
步骤1:获取系统设定的最大求解次数m;
步骤2:初始化求解次数计数器,令k←1;
步骤3:开始首次求解过程,随机初始化的值;
步骤4:如果目标函数(1)的值收敛,则跳转至步骤7;否则,顺序执行;
步骤5:固定网络表示矩阵的值,使用更新规则(2)更新辅助矩阵的值;
步骤6:固定辅助矩阵的值,使用更新规则(3)更新网络表示矩阵的值,跳转至步骤4;
步骤7:结束首次求解,记目标函数收敛时的值为o1,暂存当前结果为最优结果,令omin←o1,以及
步骤8:更新求解次数计数器,令k←k+1;
步骤9:如果当前求解次数超过设定的最大次数,即k>m,跳转至步骤18;否则,顺序执行;
步骤10:开始第k次求解过程,随机初始化的值;
步骤11:如果目标函数(1)的值收敛,则跳转至步骤14;否则,顺序执行;
步骤12:固定网络表示矩阵的值,使用更新规则(2)更新辅助矩阵的值;
步骤13:固定辅助矩阵的值,使用更新规则(3)更新网络表示矩阵的值,跳转至步骤11;
步骤14:结束第k次求解过程,记目标函数收敛时的值为ok;
步骤15:如果当前求解过程中,目标函数的值小于当前最优结果,即ok<omin,则顺序执行;否则,跳转至步骤17;
步骤16:更新当前最优结果,即令omin←ok,以及
步骤17:更新求解次数计数器k←k+1,跳转至步骤9;
步骤18:结束NMF分量t的求解过程,输出最优结果{Xt,Yt}。
对于动态网络的时序链路预测问题,本发明利用包括当前时间片τ在内连续(l+1)个时间片{τ-l,…,τ-1,τ}的网络快照{Aτ-l,…,Aτ-1,Aτ},预测下一个时间片(τ+1)网络快照的邻接矩阵定义下述目标函数,将(l+1)个NMF分量{τ-l,…,τ-1,τ}按照相对重要性线性组合成一个融合多个时间片网络快照拓扑信息的混合模型:
其中,Yt(τ-l≤t≤τ)为特定NMF分量t的辅助矩阵,而X为所有(l+1)个时间片共享的网络表示矩阵,ρt∈[0,1]表示时间片t对应NMF分量的参数,用于控制该NMF分量在混合模型中的相对重要性。本发明假设离当前时间片τ越远的时间片在混合模型中的重要性越小,为每个参数ρt引入一个基于时间因素的幂指数惩罚项(τ-t),并使用α作为控制时间片{τ-l,…,τ-1}对应NMF分量综合作用的参数。
进一步考虑混合模型中不同时间片下单个网络快照与动态网络整体之间的内在关联性,并假设当时间片t下单个网络快照的拓扑隐含特征与整个动态网络的隐含特征较相似时,NMF分量t在混合模型中的相对重要性应该较大;否则,其相对重要性应该较小。在NMF分量t中,Xt编码了时间片t下单个网络快照的拓扑隐含特征;而在混合模型中,X编码了动态网络(l+1)个连续时间片网络快照的拓扑隐含特征;本发明使用编码在网络表示矩阵X和Xt中所有节点向量的平均相似度作为反映该相关性的数值特征,将NMF分量t的参数ρt拓展为下述两种可选的关于X和Xt的函数:
其中,公式5和公式6分别采用基于欧式距离的相似度和余弦相似度;而X′i,:和(X′t)i,:分别表示对网络表示矩阵X和Xt的第i行做最大-最小归一化后的结果,即满足:
其中,min{v}和max{v}分别表示向量v中的最小值和最大值。上述定义使得参数ρt能够根据单个网络快照与动态网络之间的关联性自适应地调整。当时间片t下网络快照拓扑特征与动态网络的拓扑特征较相似时,参数ρt的值越大;反之,则越小。根据上述性质,将ρt=ρt(X,Xt)(τ-l≤t≤τ-1)定义为NMF分量t对应的自适应参数。
本发明采用基于迭代更新方式的数值算法求解混合模型中的未知量{Yτ-l,…,Yτ,X},使用上标(s)表示在第s次迭代中变量的值,并规定s=0表示完成初始化设置的变量,可将目标函数(公式4)修改为下述与具体迭代次数s相关的形式:
其中,且s从1开始计数。
当网络系统生成时间片t的网络快照后,首先求解NMF分量t对应的非负矩阵分解问题(目标函数(公式1)),并保存最优结果{Xt,Yt}以便被系统再次使用。假设当前时间片的索引为τ,则系统中已经保存NMF分量{τ-l,…τ-1}对应的解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1},系统首先计算当前时间片τ对应的NMF分量的解{Xτ,Yτ},并将暂存的前l个时间片{τ-l,…τ-1}的辅助矩阵{Yτ-l,…,Yτ-1}作为目标函数(公式9)中对应辅助矩阵的初始化设置,而将NMF分量τ的最优解{Yτ,Xτ}作为的初始值。
本发明迭代式地采用更新一个变量固定其他变量的方式求解目标函数(公式9),将求解过程归纳为Y-过程和X-过程;其中,Y-过程负责更新辅助矩阵{Yτ-l,…,Yτ-1,Yτ},而X-过程负责更新网络表示矩阵X的值。
在Y-过程中,系统更新辅助矩阵Yt的值等价于求解使下述目标函数O(Yt)取得最小值的解Yt,其中{X,Yp}(p≠t,τ-l≤p≤τ)的值固定:
求解目标函数O(Yt)关于Yt的偏导,可得:
使用梯度下降法可推导出下述关于Yt的加性更新规则:
其中,λir为预先设定的学习率,而[·]+=2YtXTX和[·]-=2AtX分别表示偏导结果中系数为正和系数为负的项构成的集合。令λir=Yir/([·]+)ir,带入更新规则(公式12)可得下述关于Yt的乘性更新规则:
容易证明,在给定所有待求解变量某个非负的初始化设置后,以上述过程推导出的乘性更新规则能够保证迭代收敛时的解{X,Yτ-l,…,Yτ}仍然满足目标函数(公式9)的非负约束,即X≥0且Yt≥0(τ-l≤t≤τ)。
在X-过程中,系统更新网络表示矩阵X等价于求解使下述目标函数O(X)取得最小值的解,其中辅助矩阵{Yτ-l,…,Yτ-1,Yτ}的值固定:
求解目标函数O(X)关于X的偏导数可得:
根据上述结果可确定:
与(13)的推导过程类似,根据(X(s+1))ir←(X(s))ir·(([·]-)ir/([·]+)ir),可得到下述关于网络表示矩阵X的乘性更新规则:
在完成目标函数(公式9)的初始化后,本发明迭代式地轮流更新未知变量{X,Yτ-l,…,Yτ}的值。该迭代过程持续进行,直到目标函数(公式9)的相对误差小于某个阈值δ(如设置δ=10-6),或迭代次数超过某个阈值ε(如设置ε=104),此时认为对混合模型(公式9)的求解过程收敛。
本发明提供下述两种方案生成下一个时间片(τ+1)网络快照的预测结果分为基本方案和针对无向无权网络的增强方案,其中基本方案只使用{X,Yτ}来构建对应的表达式如下所示:
增强方案在基本方案的基础上进一步考虑除当前时间片τ外,其他时间片{τ-l,…,τ-1}的拓扑隐含空间(编码在辅助矩阵{Yτ-l,…,Yτ-1}中),并使用Katz-索引生成预测结果对应的表达式如下所示:
其中,为N维单位矩阵,为融合时间片{τ-l,…,τ-1,τ}网络快照的塌陷网络邻接矩阵,而θ和β为用户定义的参数。需要说明的是,增强方案只适用于无向无权网络的时序链路预测,且增强方案的结果对参数{θ,β}的设置敏感。
综上,本发明求解混合模型(公式9)并预测下一个时间片(τ+1)网络快照的过程,可用如图10所示流程图描述,包括如下步骤:
步骤1:获取系统生成的当前时间片网络快照Aτ;
步骤2:使用图1所示过程,求解当前时间片τ对应的NMF分量的最优解{Xτ,Yτ},并保存结果以便系统再次使用;
步骤3:从系统中获取已保存的结果{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1},准备用于目标函数(9)中相关变量的初始化,以及自适应参数的计算;
步骤4:初始化目标函数(公式9)中的待求变量,即令
步骤5:初始化迭代次数计数器s←0;
步骤6:如果目标函数(公式9)的值收敛,则跳转至步骤11;否则,顺序执行;
步骤7:使用公式5或公式6计算自适应参数
步骤8:进入Y-过程,使用更新规则(公式12)更新辅助矩阵的值,固定的值;
步骤9:进入X-过程,使用更新规则(公式18)更新网络表示矩阵X(s)的值,固定{Yτ-l,…,Yτ}的值;
步骤10:更新迭代次数计数器,令s←s+1,跳转至步骤6;
步骤11:使用公式19或公式20生成下一个时间片(τ+1)网络快照的预测结果
实施例九
为了将本发明提供的时序链路预测方法部署在真实网络系统中,系统需要维护一个标识当前时间片的索引号计数器τ。当系统启动后,系统持续地通过采样生成每个时间片下的网络快照,并通过τ←τ+1更新计数器τ。
当时间片索引计数器的值小于预设窗口大小,即τ<l+1时,系统处于准备阶段。此时系统生成时间片总数少于预设窗口要求的数量,不足以用于预测下一个时间片的网络快照,系统只求解并保存对应NMF分量的最优结果。
当时间片索引计数器的值达到或超过预设窗口大小,即τ≥l+1时,系统进入运行阶段。此时系统求解并保存当前时间片τ对应NMF分量的最优结果{Xτ,Yτ},读取已保存的时间片{τ-l,…,τ-1}对应的最优结果{Xτ-l,Yτ-l,…,Yτ-1,Yτ-1},使用图2所示过程完成目标函数(9)的初始化和求解过程,并生成下一个时间片的网络快照的预测结果,最终完成一次时序链路预测操作。在系统重新更新时间片索引计数器τ后(令τ←τ+1),系统生成新时间片下的网络快照Aτ,并丢弃已保存的预设窗口外的缓存结果{Xτ-l-1,Yτ-l-1},释放对应的存储空间。系统重复上述运行阶段的执行过程,持续地预测下一个时间片的网络快照,直到系统被关闭。上述运行过程可用如图11所示的流程图描述,包括如下步骤:
步骤1:系统启动,初始化时间片索引,令τ←1;
步骤2:系统获取预设窗口大小l;
步骤3:如果当前时间片索引没有超过预设窗口大小,即τ<l+1,系统处于准备阶段,顺序执行;否则,结束准备阶段,跳转至步骤7;
步骤4:系统处于准备阶段,系统生成当前时间片网路快照Aτ;
步骤5:系统使用如图9所示过程求解NMF分量τ的最优结果{Xτ,Yτ},并保存该结果以便再次使用;
步骤6:系统更新时间片索引,令τ←τ+1,跳转至步骤3;
步骤7:系统生成当前时间片网络快照Aτ;
步骤8:系统使用如图10所示过程,预测下一个时间片网络快照
步骤9:系统更新时间片索引,令τ←τ+1;
步骤10:系统丢弃在预设窗口范围外的暂存结果{Xτ-l-1,Yτ-l-1},释放对应的存储空间。
在上述过程中,系统进入运行阶段完成一次预测过程主要经过步骤10的系统采样和步骤7的预测;系统处于准备阶段时,执行步骤4属于系统采样。本发明将步骤4和步骤10定义为系统采样阶段,将步骤7定义为系统预测阶段。对于不同的应用场景,系统具有不同的架构,采样阶段和预测阶段的执行过程也不同。
下面针对数据中心网络交换机传输流量预测、移动蜂窝网用户-基站连接关系及信号强度预测和车联网用户车辆连接关系预测三个应用场景,本发明如下方案。
1、应用于数据中心网络系统
对于数据中心网络系统,本发明可用于下一个时间片各交换机之间传输流量的预测;其中,每台交换机被抽象为动态网络中的节点,交换机之间的数据传输关系被抽象为连接对应节点的边,传输的流量为对应边的权值。
本发明适用的数据中心网络系统架构,及各主要单元需要维护的数据结构如图12所示。其中,系统的主要单元包括软件定义网络(SDN,Software Defined Network)交换机和SDN集中控制器。
SDN交换机主要负责对系统当前时间片的网络快照进行采样并根据系统的预测结果进行相应的资源预分配,需要维护的主要数据结构包括邻居表,用于表示与当前交换机存在数据传输关系的网络局部拓扑,关于邻居表的字段说明如表2所示。本发明规定每台SDN交换机需要维护1个当前邻居表和1个预测结果邻居表,分别用于保存当前时间片系统采样和下一个时间片系统预测的网络局部拓扑。
表2
SDN集中控制器主要负责存储系统当前和历史的全局网络快照并执行本发明的时序链路预测算法,需要维护的主要数据结构包括Mac地址-节点ID转换表和拓扑邻接表,相关字段定义分别如表3和表4所示。规定SDN集中控制器需要维护1个Mac地址-节点ID转换表,网络快照{Aτ-l,…,Aτ-1}对应的l个历史拓扑邻接表,当前网络快照Aτ对应的1个当前拓扑邻接表,以及1个下一个时间片对应的预测结果拓扑邻接表。
字段名称 | 英文缩写 | 字段说明 |
Mac地址 | MacAddr. | 网络中某台SDN交换机的Mac地址 |
节点标识号 | NodeID | 该SDN交换机在网络中对应的节点索引号 |
表3
表4
完成一次时序链路预测操作需要SDN交换机与SDN集中控制器多次消息传递,本发明定义的用于数据中心网络系统的消息类型、格式及主要字段说明如表5所示;共定义8种消息,分别为<1>拓扑更新请求消息、<2>拓扑更新确认消息、<3>拓扑更新内容消息、<4>拓扑更新内容确认消息、<5>预测结果传输请求消息、<6>预测结果传输确认消息、<7>预测结果内容消息和<8>预测结果内容确认消息;其中,消息<1><2><3><4>用于系统采样阶段SDN交换机和SDN集中控制器的交互,而消息<5><6><7><8>用于系统预测阶段的交互;<1><3><5><7>是由SDN交换机发送给SDN集中控制器的消息,而<2><4><6><8>是由SDN集中控制器发送给SDN交换机的消息。
表5
数据中心网络中,系统采样阶段SDN交换机与SDN集中控制器的交互过程如图13所示,包括下述步骤:
1.SDN交换机根据当前数据传输记录,构建当前邻居表;
2.SDN交换机根据当前邻居表中邻居数量,向SDN集中控制器发送封装了邻居数量的拓扑更新请求消息;
3.SDN集中控制器收到拓扑更新请求消息,并向SDN交换机回复相应的拓扑更新确认消息;
4.SDN交换机收到拓扑更新确认消息,确认SDN集中控制器已收到拓扑更新请求消息;
5.SDN交换机根据当前邻居中的所有邻居信息,向SDN集中控制器发送所有封装了单个邻居信息的拓扑更新内容消息;
6.SDN集中控制器收到拓扑更新内容消息,并向SDN交换机回复相应的拓扑更新内容确认消息;
7.SDN交换机收到拓扑更新内容确认消息,确认SDN集中控制器已收到相应的拓扑更新内容消息;
8.SDN集中控制器根据拓扑更新内容消息,构建当前拓扑邻接表。
数据中心网络中,系统预测阶段SDN交换机与SDN集中控制器的交互过程如图14所示,包括下述步骤:
1.SDN集中控制器根据历史拓扑邻接表和当前拓扑邻接表,执行图10所示过程,预测下一个时间片网络拓扑,并构建预测结果邻接表。
2.SDN集中控制器根据预测结果邻接表的内容,向SDN交换机发送封装了预测邻居数量的预测结果传输请求消息;
3.SDN交换机收到预测结果传输请求消息,并向SDN集中控制器回复相应的预测结果传输确认消息;
4.SDN集中控制器收到预测结果传输确认消息,确认SDN交换机已收到预测结果传输请求消息;
5.SDN集中控制器根据预测结果邻接表的内容,向SDN交换机发送所有封装了单个预测邻居信息的预测结果内容消息;
6.SDN交换机收到预测结果内容消息,并向SDN集中控制器回复相应的预测结果内容确认消息;
7.SDN集中控制器收到预测结果内容确认消息,确认SDN交换机已收到相应的预测结果内容消息;
8.SDN集中控制器准备进入下一个时间片;
9.SDN交换机根据预测结果内容消息,构建预测结果邻居表;
10.SDN交换机根据预测结果邻居表进行相应的资源预分配;
11.SDN交换机准备进入下一个时间片。
2、应用于移动蜂窝网络
对于移动蜂窝网络,本发明可用于下一时间片用户-基站连接关系及信号强度的预测;其中,用户和基站可抽象为移动网络中两种不同类型的节点。对于某时间片t,根据用户与基站的连接关系可构建二分图矩阵其中N1为用户总数,N2为基站总数。当用户i与基站j建立了连接关系,且信号强度为s时,令(Wt)ij=s;否则,令(Wt)ij=0。给定某时间片下的用户-基站二分图矩阵Wt,可通过下述方式构建该时间片对应邻接矩阵At:
本发明适用的移动蜂窝网系统架构,以及各主要单元需要维护的数据结构如图13所示。其中,系统的主要单元包括用户、基站和移动蜂窝网计算中心服务器,而系统的采样和预测工作主要由基站和服务器协同完成。
基站主要负责对系统当前的用户连接关系进行采样,并根据系统的预测结果进行相应的资源预分配,需要维护的主要数据结构为用户服务列表,用于记录某时间片下与当前基站存在连接关系的用户,以及连接的信号强度;关于用户服务列表的字段说明如表6所示。本发明规定,系统中的每个基站需要维护1个当前服务用户列表和1个预测服务用户列表,分别保存当前时间片下的局部采样结果和下一个时间片的预测结果。
计算中心服务器主要负责存储系统当前和历史全局网络拓扑,并执行本发明的时序链路预测算法,需要维护的数据结构为用户-基站邻接表,用于记录系统全局的用户-基站连接关系;关于用户-基站邻接表的字段说明如表7所示。规定计算中心服务器需要维护网络快照{Aτ-l,…,Aτ-1}对应的l个历史用户-基站连接表,网络快照Aτ对应的l个当前用户-基站连接表,以及下一个时间片网络快照对应的预测结果用户-基站邻接表。
字段名称 | 英文缩写 | 字段说明 |
用户标识号 | UserID | 与当前基站建立连接关系的用户的标识号 |
信号强度 | Signal | 该用户与当前基站连接的信号强度 |
表6
字段名称 | 英文缩写 | 字段说明 |
用户标识号 | UserID | 某时间片下,某个用户-基站连接关系中,用户标识号 |
基站标识号 | BaseID | 某时间片下,某个用户-基站连接关系中,基站标识号 |
信号强度 | Signal | 当前用户-基站连接关系中,连接的信号强度 |
表7
移动蜂窝网系统完成一次时序链路预测操作需要基站与计算中心服务器多次消息传递,本发明定义的移动蜂窝网系统的消息类型、格式及主要字段说明如表8所示;其中,本发明共定义8种消息类型,分别为<1>拓扑更新请求消息、<2>拓扑更新确认消息、<3>拓扑更新内容消息、<4>拓扑更新内容确认消息、<5>预测结果传输请求消息、<6>预测结果传输确认消息、<7>预测结果内容消息和<8>预测结果内容确认消息。消息<1><2><3><4>主要用于系统采样阶段基站与服务器的交互,而消息<5><6><7><8>主要用于系统预测阶段的交互;<1><3><5><7>是由基站发送给服务器的消息,而<2><4><6><8>是由服务器发送给基站的消息。
表8
移动蜂窝网系统采样阶段中基站与服务器的交互过程如图16所示,包括下述步骤:
1.基站根据当前服务用户记录,构建当前服务用户列表;
2.基站根据当前服务用户列表的用户数量,向移动蜂窝网计算中心服务器发送封装了服务用户数量的拓扑更新请求消息;
3.移动蜂窝网计算中心服务器收到拓扑更新请求消息,向基站回复相应的拓扑更新确认消息;
4.基站收到拓扑更新确认消息,确认移动蜂窝网计算中心服务器已收到拓扑更新请求消息;
5.基站根据当前服务用户列表的内容,向移动蜂窝网计算中心服务器发送所有封装了单个用户-基站连接信息的拓扑更新内容消息;
6.移动蜂窝网计算中心服务器收到拓扑更新内容消息,并向基站回复相应的拓扑更新内容确认消息;
7.基站收到拓扑更新内容确认消息,确认移动蜂窝网计算中心服务器已收到相应的拓扑更新内容消息。
具体的,移动蜂窝网系统预测阶段中基站与移动蜂窝网计算中心服务器的交互过程如图17所示,包括下述步骤:
1.移动蜂窝网计算中心服务器根据历史和当前用户-基站邻接表,使用公式(21)构建时间片{τ-l,…,τ-1,τ}对应的邻接矩阵{Aτ-l,…,Aτ-1,Aτ};
2.移动蜂窝网计算中心服务器根据邻接矩阵{Aτ-l,…,Aτ-1,Aτ},执行图2所示过程,预测下一个时间片网络拓扑并构建预测结果用户-基站邻接表;
3.移动蜂窝网计算中心服务器根据用户-基站邻接表,发送封装了用户-基站连接信息数量的预测结果传输请求消息;
4.基站收到预测结果传输请求消息,并向移动蜂窝网计算中心服务器回复相应的预测结果传输确认消息;
5.移动蜂窝网计算中心服务器收到预测结果传输确认消息,确认基站已收到预测结果传输请求消息;
6.移动蜂窝网计算中心服务器根据预测结果用户-基站邻接表的内容,发送所有封装了单个用户-基站连接信息的预测结果内容消息;
7.基站收到预测结果内容消息,并向移动蜂窝网计算中心服务器回复相应的预测结果内容确认消息;
8.移动蜂窝网计算中心服务器收到预测结果内容确认消息,确认基站已收到相应的预测结果内容消息;
9.移动蜂窝网计算中心服务器准备进入下一个时间片;
10.基站根据预测结果内容消息,构建预测服务用户列表;
11.基站根据预测结果服务用户列表,进行相应的资源预分配;
12.基站准备进入下一个时间片。
3、应用于车联网系统
对于车联网,本发明可用于下一个时间片用户车辆连接关系的预测;其中,用户车辆可抽象为动态网络的节点,车辆之前的连接关系抽象为边,每一个时间片的网络快照对应于一个无向无权网络。对于某时间片t,系统通过采样获取所有用户车辆的位置坐标,并根据该位置坐标计算任意两个用户车辆之间的距离。系统预先设定距离阈值s,令车辆i与车辆j之间的距离为d,当距离d足够小,即d≤s时,可认为车辆i与j之间存在连接关系,即令(At)ij=(At)ji=1;否则,令(At)ij=(At)ji=0。
本发明适用的车联网系统架构,及各主要单元需要维护的数据结构如图18所示。其中,系统的主要单元包括用户车辆和车联网计算中心服务器,系统的采样和预测需要用户车辆和车联网计算中心服务器协同完成。
用户车辆主要负责向车联网计算中心服务器上传当前的位置信息并根据系统的预测结果进行相应的资源预分配,需要维护的主要数据结果包括位置坐标和邻居车辆列表,相关的字段说明分别如表9和表10所示。本发明规定每个用户车辆需要维护1个当前位置坐标、1个当前邻居车辆列表和1个预测结果邻居车辆列表,用于保存当前时间片和预测结果中的局部拓扑。
车联网计算中心服务器主要负责保存系统的历史全局网路快照并执行本发明的时序链路预测算法,需要维护的主要数据结构包括用户车辆位置列表和拓扑邻接表,分别用于保存所有用户车辆的位置坐标和某时间片下网络的全局拓扑;相关的字段说明分别如表11和表12所示。规定车联网计算中心服务器需要维护1个当前用户车辆位置列表、网络快照{Aτ-l,…,Aτ-1}对应的l个历史拓扑邻接表,网络快照Aτ对应的1个当前拓扑邻接表,以及网络快照对应的l个预测结果拓扑邻接表。
字段名称 | 英文缩写 | 字段说明 |
经度 | Long. | 用户车辆当前位置坐标中的经度值 |
纬度 | Lat. | 用户车辆当前位置坐标中的纬度值 |
表9
字段名称 | 英文缩写 | 字段说明 |
邻居用户车辆标识号 | Neigh.UserID | 与当前车辆存在连接关系的邻居车辆标识号 |
表10
字段名称 | 英文缩写 | 字段说明 |
用户车辆标识号 | UserID | 动态网络中某用户车辆标识号 |
经度 | Long. | 该用户车辆当前的经度坐标 |
纬度 | Lat. | 该用户车辆当前的纬度坐标 |
表11
表12
系统完成一次时序链路预测操作需要用户车辆与车联网计算中心服务器间多次消息传递,本发明定义的用于车联网的消息类型、格式及主要字段说明如表13所示;共定义6种消息,包括<1>位置更新消息、<2>位置更新确认消息、<3>预测结果传输请求消息、<4>预测结果传输确认消息、<5>预测结果内容消息和<6>预测结果确认消息;其中,消息<1><2>用于系统采样阶段用户车辆与车联网计算中心服务器的交互,而消息<3><4><5><6>用于系统预测阶段的交互;<1><4><6>是由用户车辆发送给车联网计算中心服务器的消息,而<2><3><5>是由车联网计算中心服务器发送给用户车辆的消息。
表13
车联网系统采样阶段用户车辆与车联网计算中心服务器的交互过程如图19所示,包括下述步骤:
1.用户车辆通过GPS系统获取当前位置坐标;
2.用户车辆向车联网计算中心服务器发送封装了当前位置坐标的位置更新消息;
3.车联网计算中心服务器收到位置更新消息,并向用户车辆回复相应的位置更新确认消息;
4.用户车辆收到位置更新确认消息,确认车联网计算中心服务器已收到位置更新消息。
具体的,车联网系统预测阶段用户车辆与车联网计算中心服务器的交互过程如图20所示,包括下述步骤:
1.车联网计算中心服务器根据当前和历史拓扑邻接表,执行图2所示过程,预测下一个时间片网络拓扑,并构建预测结果拓扑邻接表;
2.车联网计算中心服务器根据预测结果拓扑邻接表,向用户车辆发送封装了邻居车辆数量的预测结果传输请求消息;
3.用户车辆收到预测结果传输请求消息,并向车联网计算中心服务器回复相应的预测结果传输确认消息;
4.车联网计算中心服务器收到预测结果传输确认消息,确认用户车辆已收到预测结果传输请求消息;
5.车联网计算中心服务器根据预测结果拓扑邻接表的内容,向用户车辆发送所有封装了单个邻居车辆信息的预测结果内容消息;
6.用户车辆收到预测结果内容消息,并向车联网计算中心服务器发送相应的预测结果内容确认消息;
7.车联网计算中心服务器收到预测结果内容确认消息,确认用户车辆已收到预测结果内容消息;
8.车联网计算中心服务器准备进入下一个时间片;
9.用户车辆根据预测结果内容消息,构建预测结果邻居车辆列表;
10.用户车辆根据预测结果邻居车辆列表,进行相应的资源预分配;
11.用户车辆准备进入下一个时间片。
实施例十
本发明实施例十提供了一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如实施例一所述的方法。
实施例十一
本发明实施例十一提供了一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如实施例二所述的方法。
实施例十二
本发明实施例十二提供了一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如实施例三所述的方法。
实施例十三
本发明实施例十三提供了一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如实施例四所述的方法。
实施例十四
本发明实施例十四提供了一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如实施例五所述的方法。
实施例十五
本发明实施例十五提供了一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如实施例六所述的方法。
实施例十六
本发明实施例十六提供了一种计算机可读存储介质,所述计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如实施例七所述的方法。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (9)
1.一种面向动态网络的时序链路预测方法,其特征在于,所述方法包括:
步骤101、获取当前时间片τ的网络快照Aτ,并确定当前时间片τ对应的NMF分量的最优解{Xτ,Yτ};
步骤102、获取当前时间片τ之前的连续l个时间片{τ-l,…,τ-1}对应的NMF分量的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1},并使用获得的最优解{Xτ-l,Yτ-l,…,Xτ-1,Yτ-1}初始化第一目标函数中的待求变量,即在下述第一目标函数中令并求取待求变量:
第一目标函数:其中,α为控制时间片{τ-l,…,τ-1}对应NMF分量综合作用的参数,且迭代次数s从1开始计数;
步骤103、初始化迭代次数计数器s←0;
步骤104、判断所述第一目标函数的值是否收敛,如果收敛,则转至步骤105;如果不收敛,则转至步骤106;
步骤105、采用下述第一公式或者第二公式确定下一个时间片(τ+1)网络快照的预测结果并结束当前流程:
第一公式:
第二公式:其中,为N维单位矩阵,为融合时间片{τ-l,…,τ-1,τ}的网络快照的塌陷网络邻接矩阵,而θ和β为用户定义的参数。
步骤106、使用下述第三公式或者第四公式计算自适应参数
第三公式:
第四公式:
使用下述第一更新规则更新辅助矩阵的值,固定的值:
第一更新规则:
使用下述第二更新规则更新网络表示矩阵X(s)的值,固定{Yτ-l,…,Yτ}的值:
第二更新规则:
步骤107:更新迭代次数计数器,令s←s+1,并跳转至步骤104。
2.根据权利要求1所述的方法,其特征在于,所述确定当前时间片τ对应的NMF分量的最优解{Xτ,Yτ},包括:
步骤201:获取系统设定的最大求解次数m;
步骤202:初始化求解次数计数器,令k←1,其中,1≤k≤m;
步骤203:在下述第二目标函数中随机初始化的值,并求取待求变量:
第二目标函数:
步骤204:判断所述第二目标函数的值是否收敛,如果收敛,则转至步骤207;否则,转至步骤205;
步骤205:固定网络表示矩阵的值,使用下述第三更新规则更新辅助矩阵的值:
第三更新规则:
步骤206:固定辅助矩阵的值,使用下述第四更新规则更新网络表示矩阵的值,并跳转至步骤204:
第四更新规则:
步骤207:结束首次求解,记目标函数收敛时的值为o1,暂存当前结果为最优结果,令omin←o1,以及
步骤208:更新求解次数计数器,令k←k+1;
步骤209:如果当前求解次数超过设定的最大次数,即k>m,跳转至步骤218;否则,顺序执行;
步骤210:开始第k次求解过程,随机初始化的值;
步骤211:如果所述第二目标函数的值收敛,则跳转至步骤214;否则,顺序执行;
步骤212:固定网络表示矩阵的值,使用所述第三更新规则更新辅助矩阵的值;
步骤213:固定辅助矩阵的值,使用所述第四更新规则更新网络表示矩阵的值,跳转至步骤211;
步骤214:结束第k次求解过程,记目标函数收敛时的值为ok;
步骤215:判断目标函数的值是否小于当前最优结果,即ok<omin,如果是,则顺序执行;否则,跳转至步骤217;
步骤216:更新当前最优结果,即令omin←ok,并更新{Xt,Yt},即令
步骤217:更新求解次数计数器k←k+1,跳转至步骤209;
步骤218:结束NMF分量最优解的求解过程,并输出最优结果{Xt,Yt}。
3.一种面向动态网络的时序链路预测方法,其特征在于,所述方法应用于数据中心网络,包括:
步骤301:SDN集中控制器根据历史拓扑邻接表和当前拓扑邻接表,执行权利要求1或2所述方法,预测下一个时间片网络拓扑,并构建预测结果邻接表;
步骤302:SDN集中控制器根据预测结果邻接表的内容,向SDN交换机发送封装了预测邻居数量的预测结果传输请求消息;
步骤303:SDN集中控制器接收SDN交换机回复的预测结果传输确认消息;
步骤304:SDN集中控制器收到预测结果传输确认消息后,确认SDN交换机已收到预测结果传输请求消息;
步骤305:SDN集中控制器根据预测结果邻接表的内容,向所述SDN交换机发送所有封装了单个预测邻居信息的预测结果内容消息;
步骤306:SDN集中控制器接收SDN交换机回复的预测结果内容确认消息;
步骤307:SDN集中控制器收到所述预测结果内容确认消息后,确认SDN交换机已收到相应的预测结果内容消息;
步骤308:SDN集中控制器准备进入下一个时间片。
4.一种面向动态网络的时序链路预测方法,其特征在于,所述方法应用于数据中心网络,包括:
步骤401:SDN交换机接收SDN集中控制器发送的预测结果传输请求消息,所述预测结果传输请求消息是根据预测结果邻接表的内容生成的,并封装有预测邻居数量;
步骤402:SDN交换机向SDN集中控制器回复与所述预测结果传输请求消息相对应的预测结果传输确认消息;
步骤403:SDN交换机接收收所述SDN集中控制器发送的所有封装了单个预测邻居信息的预测结果内容消息,所述预测结果内容消息是所述SDN集中控制器根据预测结果邻接表的内容生成的,并向SDN集中控制器回复相应的预测结果内容确认消息;
步骤404:SDN交换机根据预测结果内容消息,构建预测结果邻居表;
步骤405:SDN交换机根据预测结果邻居表进行相应的资源预分配;
步骤406:SDN交换机准备进入下一个时间片。
5.一种面向动态网络的时序链路预测方法,其特征在于,所述方法应用于移动蜂窝网络,包括:
步骤501:移动蜂窝网计算中心服务器根据历史和当前用户-基站邻接表,使用下述第五公式构建时间片{τ-l,…,τ-1,τ}对应的邻接矩阵{Aτ-l,…,Aτ-1,Aτ}:
第五公式:其中,N1为用户总数,N2为基站总数,s为信号强度;
步骤502:移动蜂窝网计算中心服务器根据邻接矩阵{Aτ-l,…,Aτ-1,Aτ},执行权利要求1或2所述方法,预测下一个时间片网络拓扑并构建预测结果用户-基站邻接表;
步骤503:移动蜂窝网计算中心服务器根据用户-基站邻接表,发送封装了用户-基站连接信息数量的预测结果传输请求消息给基站;
步骤504:移动蜂窝网计算中心服务器接收基站回复的预测结果传输确认消息;
步骤505:移动蜂窝网计算中心服务器收到预测结果传输确认消息后,确认基站已收到预测结果传输请求消息;
步骤506:移动蜂窝网计算中心服务器根据预测结果用户-基站邻接表的内容,发送所有封装了单个用户-基站连接信息的预测结果内容消息给基站;
步骤507:移动蜂窝网计算中心服务器接收基站回复的预测结果内容确认消息;
步骤508:移动蜂窝网计算中心服务器收到预测结果内容确认消息,确认基站已收到相应的预测结果内容消息;
步骤509:移动蜂窝网计算中心服务器准备进入下一个时间片。
6.一种面向动态网络的时序链路预测方法,其特征在于,所述方法应用于移动蜂窝网络,包括:
步骤601:基站接收移动蜂窝网计算中心服务器发送的预测结果传输请求消息,并向所述移动蜂窝网计算中心服务器回复相应的预测结果传输确认消息;其中,所述预测结果传输请求消息是由移动蜂窝网计算中心服务器根据用户-基站邻接表生成的;
步骤602:基站接收移动蜂窝网计算中心服务器发送的所有封装了单个用户-基站连接信息的预测结果内容消息,并向移动蜂窝网计算中心服务器回复相应的预测结果内容确认消息;
步骤603:基站根据预测结果内容消息,构建预测服务用户列表;
步骤604:基站根据预测服务用户列表进行相应的资源预分配;
步骤605:基站准备进入下一个时间片。
7.一种面向动态网络的时序链路预测方法,其特征在于,所述方法应用于车联网系统,包括:
步骤701:车联网计算中心服务器根据当前和历史拓扑邻接表,执行权利要求1或2所述方法,预测下一个时间片网络拓扑,并构建预测结果拓扑邻接表;
步骤702:车联网计算中心服务器根据预测结果拓扑邻接表,向用户车辆发送封装了邻居车辆数量的预测结果传输请求消息;
步骤703:车联网计算中心服务器接收用户车辆回复的预测结果传输确认消息;
步骤704:车联网计算中心服务器收到预测结果传输确认消息,确认用户车辆已收到预测结果传输请求消息;
步骤705:车联网计算中心服务器根据预测结果拓扑邻接表的内容,向用户车辆发送所有封装了单个邻居车辆信息的预测结果内容消息;
步骤706:车联网计算中心服务器接收用户车辆发送的预测结果内容确认消息;
步骤707:车联网计算中心服务器收到预测结果内容确认消息,确认用户车辆已收到预测结果内容消息;
步骤708:车联网计算中心服务器准备进入下一个时间片。
8.一种面向动态网络的时序链路预测方法,其特征在于,所述方法应用于车联网系统,包括:
步骤801:用户车辆接收车联网计算中心服务器发送的预测结果传输请求消息,并向车联网计算中心服务器回复相应的预测结果传输确认消息;其中,所述预测结果传输请求消息是车联网计算中心服务器根据预测结果拓扑邻接表生成的;
步骤802:车联网计算中心服务器根据预测结果拓扑邻接表的内容,向用户车辆发送所有封装了单个邻居车辆信息的预测结果内容消息;
步骤803:用户车辆接收车联网计算中心服务器发送的所有封装了单个邻居车辆信息的预测结果内容消息,并向车联网计算中心服务器发送相应的预测结果内容确认消息;
步骤804:用户车辆根据预测结果内容消息,构建预测结果邻居车辆列表;
步骤805:用户车辆根据预测结果邻居车辆列表,进行相应的资源预分配;
步骤806:用户车辆准备进入下一个时间片。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括程序,所述程序用于被处理器执行以实现如上述权利要求1至8其中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911183.0A CN109194504A (zh) | 2018-08-10 | 2018-08-10 | 面向动态网络的时序链路预测方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810911183.0A CN109194504A (zh) | 2018-08-10 | 2018-08-10 | 面向动态网络的时序链路预测方法及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109194504A true CN109194504A (zh) | 2019-01-11 |
Family
ID=64921072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810911183.0A Pending CN109194504A (zh) | 2018-08-10 | 2018-08-10 | 面向动态网络的时序链路预测方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109194504A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109327820A (zh) * | 2018-10-24 | 2019-02-12 | 常熟理工学院 | 一种基于车载云的网络资源查询和分配方法 |
CN111340222A (zh) * | 2020-02-25 | 2020-06-26 | 北京百度网讯科技有限公司 | 神经网络模型搜索方法、装置以及电子设备 |
CN111541572A (zh) * | 2020-04-26 | 2020-08-14 | 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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070253341A1 (en) * | 2006-04-28 | 2007-11-01 | Lucent Technologies Inc. | Method and apparatus for identifying network connectivity changes in dynamic networks |
CN104717116A (zh) * | 2013-12-13 | 2015-06-17 | 国际商业机器公司 | 用于软件定义联网隧穿扩展的方法和系统 |
US20160218917A1 (en) * | 2015-01-26 | 2016-07-28 | Telefonaktiebolaget L M Ericsson (Publ) | SDN Based Interdomain and Intradomain Traffic Engineering |
CN106296337A (zh) * | 2016-07-13 | 2017-01-04 | 扬州大学 | 基于非负矩阵分解的动态推荐方法 |
WO2017197728A1 (zh) * | 2016-05-20 | 2017-11-23 | 宇龙计算机通信科技(深圳)有限公司 | 车辆驾驶提示方法、车辆驾驶提示装置和终端 |
CN107766895A (zh) * | 2017-11-16 | 2018-03-06 | 苏州大学 | 一种诱导式非负投影半监督数据分类方法及系统 |
WO2018110765A1 (ko) * | 2016-12-16 | 2018-06-21 | 엘지전자(주) | 무선 통신 시스템에서 스케쥴링을 수행하는 방법 및 이를 위한 장치 |
-
2018
- 2018-08-10 CN CN201810911183.0A patent/CN109194504A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070253341A1 (en) * | 2006-04-28 | 2007-11-01 | Lucent Technologies Inc. | Method and apparatus for identifying network connectivity changes in dynamic networks |
CN104717116A (zh) * | 2013-12-13 | 2015-06-17 | 国际商业机器公司 | 用于软件定义联网隧穿扩展的方法和系统 |
US20160218917A1 (en) * | 2015-01-26 | 2016-07-28 | Telefonaktiebolaget L M Ericsson (Publ) | SDN Based Interdomain and Intradomain Traffic Engineering |
WO2017197728A1 (zh) * | 2016-05-20 | 2017-11-23 | 宇龙计算机通信科技(深圳)有限公司 | 车辆驾驶提示方法、车辆驾驶提示装置和终端 |
CN106296337A (zh) * | 2016-07-13 | 2017-01-04 | 扬州大学 | 基于非负矩阵分解的动态推荐方法 |
WO2018110765A1 (ko) * | 2016-12-16 | 2018-06-21 | 엘지전자(주) | 무선 통신 시스템에서 스케쥴링을 수행하는 방법 및 이를 위한 장치 |
CN107766895A (zh) * | 2017-11-16 | 2018-03-06 | 苏州大学 | 一种诱导式非负投影半监督数据分类方法及系统 |
Non-Patent Citations (3)
Title |
---|
KAI LEI等: "Adaptive Multiple Non-negative Matrix Factorization for Temporal Link Prediction in Dynamic Networks", 《NETAI’18: PROCEEDINGS OF THE 2018 WORKSHOP ON NETWORK MEETS AI & ML》 * |
NAHLA MOHAMED AHMED 等: "DEEPEYE: Link Prediction in Dynamic Networks Based on Non-negative Matrix Factorization", 《BIG DATA MINING AND ANALYTICS》 * |
王萌萌 等: "基于加权非负矩阵分解的链接预测算法", 《电子学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109327820A (zh) * | 2018-10-24 | 2019-02-12 | 常熟理工学院 | 一种基于车载云的网络资源查询和分配方法 |
CN111340222A (zh) * | 2020-02-25 | 2020-06-26 | 北京百度网讯科技有限公司 | 神经网络模型搜索方法、装置以及电子设备 |
CN111541572A (zh) * | 2020-04-26 | 2020-08-14 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583665B (zh) | 一种无线传感器网络中的无人机充电任务调度方法 | |
CN109194504A (zh) | 面向动态网络的时序链路预测方法及计算机可读存储介质 | |
US10884098B2 (en) | Radio map construction method | |
CN109120435B (zh) | 网络链路质量预测方法、装置及可读存储介质 | |
CN112381307A (zh) | 一种气象事件预测方法、装置及相关设备 | |
WO2023185539A1 (zh) | 机器学习模型训练方法、业务数据处理方法、装置及系统 | |
Shen et al. | An adaptive opportunistic network coding mechanism in wireless multimedia sensor networks | |
CN113239198A (zh) | 一种地铁客流预测方法、装置及计算机存储介质 | |
CN111523777A (zh) | 一种新型智慧城市系统及其应用方法 | |
Ding et al. | Target coverage optimisation of wireless sensor networks using a multi-objective immune co-evolutionary algorithm | |
CN106341478A (zh) | 一种基于Hadoop的教育资源共享系统及实现方法 | |
Yao et al. | DQN-based energy-efficient routing algorithm in software-defined data centers | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
Zhou et al. | A network selection scheme based on the analytic hierarchy process for marine internet | |
CN116257704A (zh) | 一种基于用户时空行为与社交信息的兴趣点推荐方法 | |
Cheng et al. | An approximate bandwidth allocation algorithm for tradeoff between fairness and throughput in WSN | |
Zhang et al. | Deploying GIS services into the edge: A study from performance evaluation and optimization viewpoint | |
CN112188388A (zh) | 一种基于机器学习的混合室内定位方法 | |
Jia et al. | [Retracted] The Network Global Optimal Mapping Approach Utilizing a Discrete Firefly Optimization Algorithm | |
Deng et al. | [Retracted] Research on Evaluation Method of Sports Events Based on Edge Algorithm | |
Bendjima et al. | Architecture of an MAS-Based Intelligent Communication in a WSN | |
CN113709816B (zh) | 一种基于多特征用户群体的基站协作缓存方法 | |
Guo et al. | Perceptual Feedback Mechanism Sensor Technology in e‐Commerce IoT Application Research | |
US20230018893A1 (en) | Multitask distributed learning system and method based on lottery ticket neural network | |
Wu et al. | Adaptive Multipath Selection‐Based Markov Chain in the Heterogeneous Internet of Things |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |