CN109347697B - 机会网络链路预测方法、装置及可读存储介质 - Google Patents

机会网络链路预测方法、装置及可读存储介质 Download PDF

Info

Publication number
CN109347697B
CN109347697B CN201811179515.7A CN201811179515A CN109347697B CN 109347697 B CN109347697 B CN 109347697B CN 201811179515 A CN201811179515 A CN 201811179515A CN 109347697 B CN109347697 B CN 109347697B
Authority
CN
China
Prior art keywords
node
connection
network
time
bayes
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
Application number
CN201811179515.7A
Other languages
English (en)
Other versions
CN109347697A (zh
Inventor
马玉良
舒坚
刘琳岚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN201811179515.7A priority Critical patent/CN109347697B/zh
Publication of CN109347697A publication Critical patent/CN109347697A/zh
Application granted granted Critical
Publication of CN109347697B publication Critical patent/CN109347697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G06N7/046—Implementation by means of a neural network
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种机会网络链路预测方法、装置及可读存储介质，该方法包括：对样本数据进行切片处理，得到多个子样本数据，并将每个子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中；将每个网络快照中节点对的连接次数和连接时间转换为连接权重，并将每个网络快照中的节点对的标识、节点对连接权重映射形成一时序向量序列；分别获取每个网络快照中的节点属性信息构建属性向量，并构建属性向量序列；构建贝叶斯深度学习模型，利用时序向量序列和属性向量序列对该模型进行训练测试，以得到目标模型，并利用目标模型对机会网络链路进行预测。本发明可准确地把握机会网络节点对在时域上的演变规律，准确的对机会网络链路进行预测。

Description

机会网络链路预测方法、装置及可读存储介质
技术领域
本发明涉及机会网络技术领域，特别是涉及一种机会网络链路预测方法、装置及可读存储介质。
背景技术
机会网络利用节点移动逐跳将数据从源节点传输到目标节点形成的通信通路，以“存储-携带-转发”的路由模式实现节点间通信。机会网络这种动态性和不要求网络全连通的特点，更适合实际的自组网需求，且更具有普适性并能满足恶劣条件下的网络通信需要，因此在军事和民用无线通信领域都具有重要的研究和应用价值，相关研究的开展也越来越广泛。
机会网络的路由模式导致网络拓扑结构、节点通信存在时变性，使得机会网络的链路演变规律难以捕捉，对机会网络的路由选择带来困难，从而导致对机会网络链路难以预测的问题。
发明内容
鉴于上述状况，有必要针对现有技术中机会网络链路预测困难的问题，提供一种机会网络链路预测方法、装置及可读存储介质。
一种机会网络链路预测方法，包括：
采用时间序列分析方法，对样本数据进行切片处理，得到多个子样本数据，并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中；
将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重，并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量，以形成一时序向量序列；
分别获取每个网络快照中的节点属性信息构建属性向量，并按照时间顺序构建连续的属性向量序列，所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值；
构建贝叶斯深度学习模型，并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试，以得到目标模型，并利用目标模型对所述机会网络链路进行预测。
进一步的，上述机会网络链路预测方法，其中，所述利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试的步骤包括：
将所述属性向量中元素作为所述贝叶斯深度学习模型的网络节点、将所述时序向量序列和属性向量序列作为所述贝叶斯深度学习模型的输入，以及节点对下一时刻的连接状态作为所述贝叶斯深度学习模型的输出，对所述贝叶斯深度学习模型进行迭代训练测试。
进一步的，上述机会网络链路预测方法，其中，所述利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试的步骤包括：
将所述时序向量序列和所述属性向量序列分别按照预设比例划分为训练集和测试集；
利用所述训练集中的时序向量序列和属性向量序列对所述贝叶斯深度学习模型进行训练；
利用所述测试集中的时序向量序列和属性向量序列对所述贝叶斯深度学习模型进行测试，以确定所述贝叶斯深度学习模型的性能。
进一步的，上述机会网络链路预测方法，其中，所述贝叶斯深度学习模型包括贝叶斯概率图模型和循环神经网络，所述循环神经网络的参数作为所述贝叶斯概率图模型中的网络节点。
进一步的，上述机会网络链路预测方法，其中，所述连接权重的计算公式为：
其中，A和B表示一个网络快照中的一对节点，N为连接次数，ti为第i次的连接时长。
进一步的，上述机会网络链路预测方法，其中，所述实数向量表示为：
其中，Ni和Nj为节点对的标识，ω为节点对<Ni,Nj>连接权重。
进一步的，上述机会网络链路预测方法，其中，所述属性向量表示为：
其中，TS和TN分别为一所述网络快照对应的时间片段内节点对首次产生连接时间和最后断开连接时间，n为节点对<Ni,Nj>连接次数，t为节点对<Ni,Nj>总连接时长，c为节点对<Ni,Nj>连接共同邻居数均值。
进一步的，上述机会网络链路预测方法，其中，所述循环神经网络采用门控循环单元的神经网络，其激活函数为Logistic Regression分类器。
本发明实施例还提供了一种机会网络链路预测装置，包括：
数据处理模块，用于采用时间序列分析方法，对样本数据进行切片处理，得到多个子样本数据，并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中；
数据转换模块，用于将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重，并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量，以形成一时序向量序列；
获取模块，用于分别获取每个网络快照中的节点属性信息构建属性向量，并按照时间顺序构建连续的属性向量序列，所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值；
模型构建模块，用于构建贝叶斯深度学习模型，并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试，以得到目标模型，并利用目标模型对所述机会网络链路进行预测。
本发明实施例还提供了一种可读存储介质，其上存储有计算机程序所述程序被处理器执行时实现上述机会网络链路预测方法。
本发明实施例结合网络中节点对的历史信息和本身信息对下一时刻节点对连接状态的影响，应用时间序列方法对样本数据切片，对样本数据转化为时序向量序列，将节点属性信息映射成连续的实数向量序列，通过基于贝叶斯深度学习模型对数据进行建模和特征提取，从而准确地把握机会网络节点对在时域上的演变规律，准确的对机会网络链路进行预测。
附图说明
图1为本发明第一实施例中机会网络链路预测方法的流程图；
图2为本发明第一实施例中机会网络链路演化过程的状态图一；
图3为本发明第一实施例中机会网络链路演化过程的状态图二；
图4为本发明第一实施例中机会网络链路演化过程的状态图三；
图5为本发明第一实施例中贝叶斯深度学习模型结构图；
图6为本发明第二实施例中机会网络链路预测方法的流程图；
图7为本发明第三实施例中机会网络链路预测装置的结构框图。
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，为机会网络链路预测方法，用于对机会网络进行链路预测，该方法包括步骤S11～S14。
步骤S11，采用时间序列分析方法，对样本数据进行切片处理，得到多个子样本数据，并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中。
该样本数据为训练和测试用的机会网络中的通讯数据。针对机会网络中的通信数据的时序性、社会性，采用基于时间序列分析方法，对通信数据进行切分，可以得到一系列的时间序列网络快照，从而将一段时间内的动态的机会网络转化成静态网络。
具体实施时，将一时间段内的样本数据按照预设时长进行划分，得到多个子样本数据，分别将每个子样本数据中节点对的连接次数和连接时间划分到一个网络快照中，并将节点对连接时间转化成常见的时间单位(如秒)，从而得到多个网络快照，其中每个子样本数据对应一个网络快照。
如图2至图4所示，定义机会网络为G＝(V，E)，其中V为节点集合，E为边集合，将机会网络G按时间序列划分为一系列网络快照，快照集合为G＝{G1,G2,…,Gt}，其中Gt＝(Vt，Et)，Gt表示t时刻的网络拓扑结构图，Vt表示t时刻节点的集合，Et表示t时刻边的集合。
步骤S12，将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重，并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量，以形成一时序向量序列。
其中，每个网络快照中子样本数据的连接权重的计算公式为：
其中，A和B表示一个网络快照中的一对节点，N为连接次数，ti为第i次的连接时长。当连接权重为0时，表示节点对无连接，否则，表示节点对连接。
由于连接权重只能代表某一个时刻中两个节点的一个状态，是一个值，无法体现对应哪两个节点，也无法体现机会网络的动态性，不能直接应用在贝叶斯深度学习模型中。因此将每个网络快照的子样本数据中的节点对的标识、节点对连接权重映射成一个连续的实数向量。按照时间顺序，多个网络快照的实数向量构成了一个时序向量序列。其中，实数向量表示为：
其中，Ni和Nj为节点对的标识，ω为节点对<Ni,Nj>连接权重。
步骤S13，分别获取每个网络快照中的节点属性信息构建属性向量，并按照时间顺序构建连续的属性向量序列，所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值。
具体的，属性向量表示为：
其中，TS和TN分别为一网络快照对应的时间片段内节点对<Ni,Nj>首次产生连接时间和最后断开连接时间，n为节点对<Ni,Nj>连接次数，t为节点对<Ni,Nj>总连接时长，c为节点对<Ni,Nj>连接共同邻居数均值，N表一个网络快照中产生的连接次数，ci表示第i次连接的共同邻居数。
按照时间顺序，将多个网络快照的属性向量构成了一个属性向量序列。
步骤S14，构建贝叶斯深度学习模型，并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试，以得到目标模型，并利用目标模型对所述机会网络链路进行预测。
贝叶斯深度学习模型由贝叶斯概率图模型和深度学习模型组成，优选的，深度学习模型可选用循环神经网络，具体实施时，可选用门控循环单元(Gated Recurrent Unit，GRU)的循环神经网络。其中，贝叶斯网络概率图模型作为主要模型，循环神经网络的参数作为贝叶斯网络中的节点。该贝叶斯深度学习模型的网络节点包含感知变量和任务变量，本实施例中，将循环神经网络的参数作为该贝叶斯深度学习模型的感知变量。
贝叶斯深度学习模型结构如图5所示，xi为循环神经网络输入层，其输入值为时序向量序列，hi为循环神经网络隐藏层并作为下一层的输入，下一时刻的节点对连接状态yi作为输出，其激活函数为Logistic Regression(逻辑回归)分类器；w表示一个贝叶斯网络概率图模型，其网络节点为属性向量中元素和循环神经网络参数，其输入值为属性向量序列
构建得到的贝叶斯深度学习模型为初始模型，其需要进行训练和测试后方可进行链路的预测。本实施例利用样本数据对该贝叶斯深度学习模型进行训练测试，具体实施时，选取属性向量中元素作为贝叶斯深度学习模型的网络节点，将时序向量序列和属性向量序列作为贝叶斯深度学习模型的输入，对贝叶斯深度学习模型进行迭代训练测试，确定循环神经网络的参数，从而到目标模型。其中模型的超参数包括输入序列长度、初始权值等，输入序列长度根据实际数据集进行对比实验得出长度，权值初始化方式为正交初始化方法(orthogonal initialization)。
选用循环神经网络的模型结构、超参数及优化算法等；确定贝叶斯网络结构，将循环神经网络参数和属性向量中元素作为贝叶斯网络概率图模型的网络节点；将时序向量序列和属性向量序列作为模型的原始输入。经过不断地迭代训练并测试以获取最优模型，从而对机会网络链路进行有效预测。
可以理解的，对于不同类型的机会网络，贝叶斯深度学习模型的结构和超参数可根据具体网络数据来确定。
该目标模型即为训练测试后的贝叶斯深度学习模型，利用该目标模型对机会网络进行链路预测。其预测方法与上述过程基本相同，即将待预测的机会网络的通讯数据进行切片处理，并获取该通讯数据的时序向量序列和机会网络节点属性向量序列，将时序向量序列和属性向量序列作为目标模型的输入、将属性向量中元素作为贝叶斯网络节点(任务变量)，并输出yi，即下一时刻的节点对连接状态。其时序向量序列和属性向量序列的计算公式与上述步骤中的相同，此处不予赘述。
本实施例结合网络中节点对的历史信息和本身信息对下一时刻节点对连接状态的影响，应用时间序列方法对样本数据切片，对样本数据转化为时序向量序列，将节点属性信息映射成连续的实数向量序列，通过基于贝叶斯深度学习模型对数据进行建模和特征提取，从而准确地把握机会网络节点对在时域上的演变规律，准确的对机会网络链路进行预测。
请参阅图6，为本发明第二实施例中的机会网络链路预测方法，包括步骤S21～S28。
步骤S21，采用时间序列分析方法，对样本数据进行切片处理，得到多个子样本数据，并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中。
步骤S22，将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重，并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量，以形成一时序向量序列。
步骤S23，分别获取每个网络快照中的节点属性信息构建属性向量，并按照时间顺序构建连续的属性向量序列，所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值。
步骤S24，利用贝叶斯概率图模型和循环神经网络构建贝叶斯深度学习模型。其中，循环神经网络参数作为贝叶斯概率图模型中的网络节点(即感知变量)。
构建贝叶斯深度学习模型中，循环神经网络提取节点间链路随时间变化的高阶特征，贝叶斯网络刻画节点属性信息。在本实施例中，选用基于贝叶斯深度学习模型的目的就是为了提取节点对随时间变化的高阶特征，同时利用节点属性信息更好的对节点对是否连接进行预测。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贝叶斯深度学习模型。
步骤S25，将所述时序向量序列和所述属性向量序列分别按照预设比例划分为训练集和测试集。
步骤S26，将所述训练集中的时序向量序列和属性向量序列作为所述贝叶斯深度学习模型的输入、将所述训练集中的属性向量中元素作为贝叶斯网络节点，以及将下一时刻的节点对连接状态作为所述贝叶斯深度学习模型的输出，对所述贝叶斯深度学习模型进行训练。
步骤S27，将所述测试集中的时序向量序列和属性向量序列作为所述贝叶斯深度学习模型的输入、将所述测试集中的属性向量中元素作为贝叶斯网络节点，对所述贝叶斯深度学习模型进行测试，以确定所述贝叶斯深度学习模型的性能。
具体的，时序向量序列和属性向量序列分别作为贝叶斯深度学习模型中循环神经网络和贝叶斯概率图模型的输入。
步骤S28，将测试成功的贝叶斯深度学习模型作为目标模型，并利用该目标模型对所述机会网络链路进行预测。
链路预测问题其实质就是探测网络中节点间存在的潜在的关系，为上层路由算法提供支撑。本发明中使用节点间链路预测精度来衡量特征提取的优劣，选用Zhusuan框架作为模型训练工具，将计算得到原始数据集按预设的比例划分为训练集和测试集，训练集中的数据用于贝叶斯深度学习模型的训练，以确定模型的参数。训练结束后，通过测试集中的数据来验证模型，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。
该预设比例看可根据实际需要进行设置，例如为7：3，即按7：3的比例划分为训练集和测试集。
本发明把原始样本数据进行切片，对样本数据转化为时序向量序列，将节点属性信息映射成连续的实数向量序列，最后选用特征提取能力强、数据表征效果好的循环神经网络和贝叶斯网络，构建基于贝叶斯深度学习的链路预测模型自发地提取机会网络中节点间链路的高阶特征，从而对机会网络链路进行预测。
请参阅图7，为本发明第三实施例中的机会网络链路预测装置，包括：
数据处理模块100，用于采用时间序列分析方法，对样本数据进行切片处理，得到多个子样本数据，并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中；
数据转换模块200，用于将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重，并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量，以形成一时序向量序列；
获取模块300，用于分别获取每个网络快照中的节点属性信息构建属性向量，并按照时间顺序构建连续的属性向量序列，所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值；
模型构建模块400，用于构建贝叶斯深度学习模型，并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试，以得到目标模型，并利用目标模型对所述机会网络链路进行预测。
本发明实施例所提供的机会网络链路预测装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明还提出一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的机会网络链路预测方法。
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 (10)

1.一种机会网络链路预测方法，其特征在于，包括：
采用时间序列分析方法，对样本数据进行切片处理，得到多个子样本数据，并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中；
将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重，并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量，以形成一时序向量序列；
分别获取每个网络快照中的节点属性信息构建属性向量，并按照时间顺序构建连续的属性向量序列，所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值；
构建贝叶斯深度学习模型，并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试，以得到目标模型，并利用所述目标模型对所述机会网络链路进行预测。
2.如权利要求1所述的机会网络链路预测方法，其特征在于，所述利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试的步骤包括：
将所述属性向量中元素作为所述贝叶斯深度学习模型的网络节点、将所述时序向量序列和属性向量序列作为所述贝叶斯深度学习模型的输入，以及节点对下一时刻的连接状态作为所述贝叶斯深度学习模型的输出，对所述贝叶斯深度学习模型进行迭代训练测试。
3.如权利要求1所述的机会网络链路预测方法，其特征在于，所述利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试的步骤包括：
将所述时序向量序列和所述属性向量序列分别按照预设比例划分为训练集和测试集；
利用所述训练集中的时序向量序列和属性向量序列对所述贝叶斯深度学习模型进行训练；
利用所述测试集中的时序向量序列和属性向量序列对所述贝叶斯深度学习模型进行测试，以确定所述贝叶斯深度学习模型的性能。
4.如权利要求1所述的机会网络链路预测方法，其特征在于，所述贝叶斯深度学习模型包括贝叶斯概率图模型和循环神经网络，所述循环神经网络的参数作为所述贝叶斯概率图模型中的网络节点。
5.如权利要求1所述的机会网络链路预测方法，其特征在于，所述连接权重的计算公式为：
其中，A和B表示一个网络快照中的一对节点，N为连接次数，ti为第i次的连接时长。
6.如权利要求1所述的机会网络链路预测方法，其特征在于，所述实数向量表示为：
其中，Ni和Nj为节点对的标识，ω为节点对<Ni,Nj>连接权重。
7.如权利要求1所述的机会网络链路预测方法，其特征在于，所述属性向量表示为：
其中，TS和TN分别为一所述网络快照对应的时间片段内节点对首次产生连接时间和最后断开连接时间，n为节点对<Ni,Nj>连接次数，t为节点对<Ni,Nj>总连接时长，c为节点对<Ni,Nj>连接共同邻居数均值，N表一个网络快照中产生的连接次数，ci表示第i次连接的共同邻居数。
8.如权利要求4所述的机会网络链路预测方法，其特征在于，所述循环神经网络采用门控循环单元的神经网络，其激活函数为Logistic Regression分类器。
9.一种机会网络链路预测装置，其特征在于，包括：
数据处理模块，用于采用时间序列分析方法，对样本数据进行切片处理，得到多个子样本数据，并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中；
数据转换模块，用于将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重，并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量，以形成一时序向量序列；
获取模块，用于分别获取每个网络快照中的节点属性信息构建属性向量，并按照时间顺序构建连续的属性向量序列，所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值；
模型构建模块，用于构建贝叶斯深度学习模型，并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试，以得到目标模型，并利用所述目标模型对所述机会网络链路进行预测。
10.一种可读存储介质，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8任意一项所述的机会网络链路预测方法。
CN201811179515.7A 2018-10-10 2018-10-10 机会网络链路预测方法、装置及可读存储介质 Active CN109347697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811179515.7A CN109347697B (zh) 2018-10-10 2018-10-10 机会网络链路预测方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811179515.7A CN109347697B (zh) 2018-10-10 2018-10-10 机会网络链路预测方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN109347697A CN109347697A (zh) 2019-02-15
CN109347697B true CN109347697B (zh) 2019-12-03

Family

ID=65308791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811179515.7A Active CN109347697B (zh) 2018-10-10 2018-10-10 机会网络链路预测方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN109347697B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947870A (zh) * 2019-03-26 2019-06-28 第四范式（北京）技术有限公司 特定类型人员的预测装置及方法、计算设备与存储介质
CN110083778A (zh) * 2019-04-08 2019-08-02 清华大学 学习分离表征的图卷积神经网络构建方法及装置
CN110289980A (zh) * 2019-05-13 2019-09-27 南昌航空大学 采用学习自动机预测口袋交换网络链路的方法及系统
CN111951543B (zh) * 2019-05-15 2022-04-26 杭州海康威视数字技术股份有限公司 流量预测方法及装置
US11514311B2 (en) * 2019-07-03 2022-11-29 International Business Machines Corporation Automated data slicing based on an artificial neural network
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
CN113014414B (zh) * 2019-12-20 2023-02-24 北京金山云网络技术有限公司 网络数据的预测方法、装置、系统和服务器
CN111753978B (zh) * 2020-01-19 2024-03-01 杭州海康威视数字技术股份有限公司 一种前向耗时的确定方法、装置及设备
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
CN112347369B (zh) * 2020-10-12 2023-09-08 中国电子科技集团公司电子科学研究院 基于网络表征的集成学习动态社会网络链路预测方法
TWI752850B (zh) * 2021-03-18 2022-01-11 英業達股份有限公司 時間序列預測模型的超參數配置方法
CN113784414B (zh) * 2021-09-07 2023-05-05 南昌航空大学 一种采用图对比学习的机会网络节点嵌入方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106100870A (zh) * 2016-05-31 2016-11-09 武汉大学 一种基于链路预测的社会网络事件检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2484085B (en) * 2010-09-28 2014-05-07 Cassidian Ltd Telecommunications network routing
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106100870A (zh) * 2016-05-31 2016-11-09 武汉大学 一种基于链路预测的社会网络事件检测方法

Also Published As

Publication number Publication date
CN109347697A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109347697B (zh) 机会网络链路预测方法、装置及可读存储介质
CN110232434A (zh) 一种基于属性图优化的神经网络架构评估方法
Kanawati Licod: Leaders identification for community detection in complex networks
CN104217251B (zh) 基于k2算法的装备故障贝叶斯网络预测方法
CN106533759B (zh) 一种多层网络中的基于路径熵的链路预测方法
Hassan et al. Community detection algorithm based on artificial fish swarm optimization
Liao et al. Network distance prediction based on decentralized matrix factorization
CN111371644A (zh) 基于gru的多域sdn网络流量态势预测方法及系统
Zhang et al. Quotient FCMs-a decomposition theory for fuzzy cognitive maps
CN106202113B (zh) 应用于组队运动的信息提供方法和装置
Zhang et al. Traffic fluctuations on weighted networks
CN110442800A (zh) 一种融合节点属性和图结构的半监督社区发现方法
Truong et al. Modeling a surveillance network based on unit disk graph technique–application for monitoring the invasion of insects in Mekong Delta region
CN105590145A (zh) 变电站内的一次设备之间的最短连通距离的识别方法和装置
Lin et al. Assessing percolation threshold based on high-order non-backtracking matrices
Sihag et al. Detecting community structure based on traffic at node in networks
Bagnoli et al. Community-detection cellular automata with local and long-range connectivity
Di Nuovo et al. A study on evolutionary multi-objective optimization with fuzzy approximation for computational expensive problems
Gómez et al. A divide-link algorithm based on fuzzy similarity for clustering networks
CN109635848A (zh) 一种基于特征聚类的深度学习方法
Li et al. Reconstruction of transition firing sequences based on asynchronous observations of place token changes
CN110417594A (zh) 网络构建方法、装置、存储介质及电子设备
CN113626331B (zh) 通信算法的选择方法、装置、计算机设备及存储介质
Andonov et al. Conceptual Optimization of a Generalized Net Model of a Queuing System
Fiorini Analytic approximations of fork-join queues

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