CN110417572A - 一种基于目标节点相遇概率预测消息传递节点的方法 - Google Patents

Abstract

本发明提出了一种基于目标节点相遇概率预测消息传递节点的方法，基于节点的各种关系特征建立模糊相似度矩阵，通过形成模糊相似矩阵对移动节点的不同属性深入研究，挖掘其社会属性变化规律，动态自适应地分配不同属性的权重大小。进一步量化节点的社会关系和合作关系。最后，通过实验验证本文所提相遇模型来筛选可信任节点作为数据传输的下一跳节点具有良好的效果，使数据在网络中始终沿着可信的合作节点进行传递，同时减少由于恶意节点不合作对网络的性能的影响。

Description

一种基于目标节点相遇概率预测消息传递节点的方法

技术领域

本发明属于计算机技术领域，特别涉及一种基于目标节点相遇概率预测消息传递节点的方法。

背景技术

随着智能手机在日常生活中的高度普及以及这些智能设备日益增长的功能，移动社交网络(MSN)已经成为一种通用的数据传递的平台，移动设备的普及使得社交网络中的各种新型服务得以实现。许多社交工具，如Google Plus，Facebook和Twitter，它们拥有大量用户并且每时每刻生产数据。因此，移动社交网络带来了大量崭新的研究和应用机会，例如位置服务、出租车异常轨迹识别与检测等。由于在线数据的多样化，处理大数据多样化传输和接收的传统社交网络方法面临极大挑战。许多用于传递信息的无线设备面临数据过载问题，这将成为信息互通和信息共享的障碍。而无线环境通信具有诸如传输延迟，间歇连接和高误码率的特性。

但是，缺少端到端的完整路径并不意味着无法进行通信。为了在这个复杂动态的环境中实现有效的沟通，研究人员提出了机会传输的方式。通常，通过节点移动性为缺乏连续端到端连接的网络提供通信服务的机会来实现信息传递。准确地说，节点使用在移动过程中遇到其他节点后建立的临时连接来进行数据传输，并以更灵活的方式实现数据转发，更适合复杂的网络环境。目前，使用移动终端设备来访问社交网络逐渐成为主流。同时，利用车载GPS、手机、公共交通卡等移动终端提供的行为轨迹信息，可以对一些事件进行预测，或对基础设施等方案作出合理性评估。针对移动社交网络数据的管理与挖掘，已经成为学术界的一个研究热点。因此，为了适应无线设备机会传输的方式和大量的数据传输需求，基于社交网络探索用户的相遇概率关系以传递数据成为一个有趣的研究内容。

社会网络本身属于复杂网络，面临的挑战是用户每天的发送和接收数据很难估计。如果只靠个人的PDA设备很难满足大量的数据的决策，传输和存储，可能造成传输设备的低传输成功率和能源消耗过量。如果能够通过基站或边缘等设备的协助决策，能够提高传输成功率，减少数据的传输能耗，提高网络的通信质量。对于数据转发问题，大多数现有的工作要么假设用户是完全无私的，即，他们愿意帮助任何用户传递信息，或者假设用户是绝对自私的，需要鼓励用户参与数据传输。然而，在现实场景中，用户并非绝对自私或绝对无私。他们的自私程度可能是随机的，也可能与社会关系有关。因此，他们提出的方法并不完全适用于现实场景。此外，由于设备移动、故障、或不合作等问题而导致节点缺失引起网络被分割成多片互不连通的子网，这样的节点称为关键节点。关键节点的缺失会引起网络的不连通，进而导致网络中重要数据的丢失。研究者提出概率路由的概念，每个节点都维护一张自身到达网络中其他任意节点的链路概率表，通过比较概率大小来决定消息传递的关键节点。但是，这种方法在面对信息量暴增的情况下，计算概率值方式过于简单且每次数据传输，节点都要进行计算和决策过于麻烦。甚至，维护自身路由表任务开销过大。

发明内容

本文提出了一种基于目标节点相遇概率预测消息传递节点的方法，为了防止数据包泛洪转发导致的数据包转发性能下降而导致网络拥塞，通过引入了相关的特征值，利用信息熵理论获得特征权重的动态分配来量化社会关系和合作关系从而获得节点请求与目的节点相关联的概率表，并选择具有高概率遇到目的节点的节点作为下一跳节点。

一种基于目标节点相遇概率预测消息传递节点的方法，包括以下几个步骤：

步骤1：构建节点间的关系特征，获得节点的关系特征向量；

所述节点间的关系特征包括社会关系特征和合作关系特征，所述社会关系特征至少包括节点间历史相遇概率、节点间位置相关性、节点间历史信任度、节点间社会关系传递特性值；所述合作关系特征至少包括节点偏爱度相关性、节点间联系稳定度、节点间消息传递需求度以及节点合作能力度；

节点的关系特征向量是由某一节点与其余所有节点间的某一关系特征值组成的向量，节点本身之间的关系特征值为1；

步骤2：利用节点的关系特征向量，构建节点模糊相似矩阵；

步骤3：获取模糊相似矩阵的传递闭包矩阵，利用传递闭包矩阵对节点进行分类，记录节点分类结果；删除节点间的关系特征，重新构建模糊相似矩阵，并获得删除关系特征后的节点分类结果；

所述利用传递闭包矩阵对节点进行分类是指从节点模糊相似矩阵中寻找与指定阈值相同的元素，将与所找到的元素对应的节点对的等价类关系中对应的节点合并；

步骤4：计算每个关系特征的可信度，并利用可信度获得每个关系特征的权重；

利用关系特征删除前后对应的模糊相似矩阵，计算对应节点分类结果之间的互信息量，获得每个关系特征的可信度；

步骤5：利用关系特征权重对各关系特征进行加权，计算节点之间的相遇合作概率；

步骤6：利用步骤5为每个节点在与其它节点机会相遇时，选出相遇合作概率最高的节点作为下一跳节点，进行信息传递。

进一步地，所述节点之间的相遇合作概率按以下公式计算：

MC(u，v)＝αM(u，υ)+βH(u，υ)

s.t.0≤ω_i≤1 s.t.0≤ω_k≤1

u，υ∈N，u，υ∈N

其中，MC(u，v)表示两节点u和v之间的相遇合作概率，M(u，υ)和H(u，υ)分别表示两节点u和v之间的社会关系值和合作关系值；f_i表示第i个社会关系特征，ω_i表示第i个社会关系特征的权重，m是社会关系特征数量，N是网络中的节点集；h_k(u，υ)表示第k个合作关系特征，ω_k表示第k个合作关系特征的权重，z是合作关系特征数量；α和β分别表示社会关系值和合作关系值在概率评估过程中所占的重要性程度，取值范围均为0-1。

进一步地，α和β分别表示所有社会关系特征和所有合作关系特征的互信息量占据所有关系特征的互信息量的比值。

进一步地，所述每个关系特征的可信度按照以下公式计算：

其中，表示利用关系特征s删除前后对应的模糊相似矩阵，计算对应节点分类结果c_i、之间的互信息量；A_i表示节点集中某一等价关系的一个等价类，P(A_i)表示等价类A_i所含节点数量所占同一等价关系中全部等价类中的所有节点数量的比例；P(B_j)表示等价类B_j所含节点数量所占同一等价关系中全部等价类中的所有节点数量的比例，P(A_i|B_j)表示节点集合中存在等价类B_j的条件概率下，同时存在等价类A_i的概率，B_j表示节点集中另一等价关系中的一个等价类。

进一步地，所述节点间的关系特征计算公式如下：

1)节点间历史相遇概率：

其中，m_ij表示节点i和节点j之间的历史相遇概率，ω_ij表示节点i和节点j在时间周期T内的历史相遇次数，adj表示节点i在时间周期T内相遇的节点集，|adj|表示节点i在时间周期T内相遇的节点集的节点数量；

2)节点间位置相关性为：

其中，P(i,j)为节点i和节点j之间的位置相关性，表示节点i和j在位置p_i的相似函数，表示节点i的第r_i条轨迹信息，表示节点j的第r_j条轨迹信息；

指在中取最大值，表示在中取最小值，分别表示节点i和节点j在第r_i次和第r_j次到达感知区域的时间，分别表示节点i和节点j在第r_i次和第r_j次离开感知区域的时间；γ表示用于控制到达目标区域的不同节点之间的时间间隔的时间阈值；

感知区域是节点在一定范围内可以传递消息的区域，γ为信息数据量除以消息传递速度获得；

3)节点间历史信任度：

其中，T(i,j)表示节点i和节点j之间的历史信任度，表示节点i和节点j在第次连接时连接度，若节点i和节点j在时间周期T的Z次连接中均成功连接，则取值均为1，若中间出现连接中断，则的取值为 表示衰减函数，

4)节点间社会关系传递特性值：

其中，S(i,j)表示节点i和节点j之间的社会关系传递特性值，η是反馈信息至节点i的节点数量，当节点i和j相遇且没有在网络中提供信息的反馈节点时M(i,j)＝1，S(i,j)＝1；当节点i和j没有在网络中提供信息反馈的节点时且它们没有相遇过，则M(i,j)＝0，S(i,j)＝1；w(b_k)是反馈加权函数；M(a_k,a_next)表示从节点i到节点j的社交关系传递路径中，节点a_k与其下一跳节点a_next之间的社会关系值，l表示信息反馈节点和节点i之间的跳数，两节点初次相遇时，节点之间的社会关系初始值为1；

5)节点偏爱度相关性，

其中，Pref_ij表示节点i与节点j之间的偏爱度相关性，表示在时间周期T内节点i与节点j之间在第k次连接并传递消息的时间占用比，{other}表示与节点i相遇过的节点集合；n_j表示节点i与节点j在时间周期T内的连接次数，n_other表示节点i与节点other在时间周期T内的连接次数；

6)节点间在平均间隔时间传递消息时的相关性，

其中，Rel_ij表示节点i和节点j之间在平均间隔时间传递消息时的相关性，和分别表示在时间周期T内，第1次和k次传输消息的时刻；

7)节点间消息传递需求度，

其中，Need_ij表示节点i对节点j的消息传递需求度，表示节点i传递给节点j消息时，节点j给出的数据需求度反馈评分，评分设定为0-Q，如果数据是节点j所需要的，反馈最高评分Q，完全不需要则反馈最低评分0；

8)节点合作能力度：

其中，E_i表示节点i的合作能力度，E_r表示节点的能量，E_d数据包传送所需的能量。

进一步地，所述节点模糊相似矩阵为R，

其中，a_ki和a_kj分别为关系特征矩阵A中的第k行第i列和第j列的元素， 表示第1个节点的第1个关系特征向量，表示第n个节点的第m个关系特征向量；∧和∨分别表示布尔减运算和布尔加运算；n表示社会网络中的节点数量，m表示关系特征数量。

进一步地，所述利用传递闭包矩阵对节点进行分类的过程如下：

步骤A：将未删除关系特征的节点模糊相似矩阵中的λ_ij从大到小排序；

步骤B：将最大λ_ij作为指定阈值；

步骤C：从模糊相似矩阵中(λ_ij)_n×n找到相似度等于指定阈值的元素对(a_i,a_j)，将[a_i]_t(R)和[a_j]_t(R)合并，获得一次分类结果，[a_i]_t(R)和[a_j]_t(R)表示包含元素a_i∈N在传递闭包关系t(R)中的两个不同的等价类；

步骤D：从排序好的{λ_ij}中依次取值作为指定阈值，重复步骤C，直到前后两次分类结果相差不超过设定最小阈值；

步骤E：取消最后一次合并，并形成最终分类结果C_i，i＝1,2,…,ζ，ζ表示分类次数。

有益效果

本发明提出一种基于目标节点相遇概率预测消息传递节点的方法，通过深入研究节点活动规则与社会关系、合作关系之间的内在关系，建立节点消息转发的信任路由表，发现并选择能够将消息转发到目标节点的合作节点。

该方法使得网络中的数据包总是沿着可信节点传输，从而降低了其他社会网络方法传输信息的盲目性。该方法最大限度地减小了不合作节点对网络的负面影响，提高了网络的整体性能。并且在计算节点之间的社会关系价值时，不再只针对单一的社会属性，也不再采用平均权重法等主观方法。使用信息熵的方法动态计算两个节点各个关系特征的权重，减少了赋予特征权重的主观因素，提高了筛选移动节点传输信息的可行性。因此，计算社会关系的价值时，基于社会关系是随着时间而动态变化的，增加了社会关系的灵活性。在新一轮的消息信息传输过程中，根据社会关系的动态变化在不同的时间，将重新生成一个新的节点相遇概率表。

通过实验验证本文所提的方法来筛选可信任节点作为数据传输的下一跳节点具有良好的效果，使数据在网络中始终沿着可信的合作节点进行传递，同时减少由于恶意节点不合作对网络的性能的影响。且在信息传递过程中具有较好的动态适应性、较高的传输成功率和较低的平均传输时延，使得不合作节点对网络的负面影响降至最低、提高网络的整体性能。解决了机会主义社交网络中信息泛滥和节点不合作的问题，提高了节点间信息传递的实时性和可靠性，也避免大量数据的冗余和网络流量的集中。

附图说明

图1是本研究提出的一种用户行为特征和移动特性的社会网络中目标节点相遇概率预测方法的流程图；

图2是实施例1中选取的斯坦福大学某处地图的拓扑图；

图3是实施例1中PEBN，SISW，CAOF和SlaOR这4种不同的方法选取的网络中的不同的节点数所获得的传输成功率的对比图；

图4是实施例1中PEBN，SISW，CAOF和SlaOR这4种不同的方法选取的网络的仿真时间和传输成功率的对比图；；

图5是实施例1中PEBN，SISW，CAOF和SlaOR这4种不同的方法选取的网络中的不同的节点数与消息到达目标节点的平均跳数的对比图；

图6是实施例1中PEBN，SISW，CAOF和SlaOR这4种不同的方法选取的网络的仿真时间和消息到达目标节点的平均跳数的对比图。

图7是实施例1中PEBN，SISW，CAOF和SlaOR这4种不同的方法选取的网络中的不同的节点数与路由开销的对比图；

图8是实施例1中PEBN，SISW，CAOF和SlaOR这4种不同的方法选取的网络的仿真时间和路由开销的对比图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的说明。

当数据量暴涨在5G网络中，为了满足用户的需求，我们需要对大量的数据进行分析处理和决策。我们需要更复杂的决策方式来解决更方便的数据传输问题，移动社交网络扮演着越来越重要的角色。用户可以使用它来形成信息共享和数据传输。然而，移动网络中节点的相遇是随机的。最新的概率路由方法可能不考虑节点的社会性和合作性，不能很好地应用于社交网络大量数据传输问题。为了解决这个问题，本发明的实施方式基于节点社交特征关系预测相遇和合作概率的方法(PEBN)基于节点的各种特征建立模糊相似度矩阵。每个节点连续地并且迭代地删除过滤的特征属性以根据置信水平形成多维相似度矩阵，并确定不同特征属性下的权重。然后，进一步量化节点的社会关系和合作关系。实验结果表明，与传统的路由算法相比，PEBN算法能够有效提高传输成功率，减少传输延迟，保证网络中信息的安全可靠传输。

具体过程如图1所示，一种基于目标节点相遇概率预测消息传递节点的方法，包括以下几个步骤：

步骤1：构建节点间的关系特征，获得节点的关系特征向量；

所述节点间的关系特征包括社会关系特征和合作关系特征，所述社会关系特征至少包括节点间历史相遇概率、节点间位置相关性、节点间历史信任度、节点间社会关系传递特性值；所述合作关系特征至少包括节点偏爱度相关性、节点间联系稳定度、节点间消息传递需求度以及节点合作能力度；

节点的关系特征向量是由某一节点与其余所有节点间的某一关系特征值组成的向量，节点本身之间的关系特征值为1；

1)节点间历史相遇概率：

其中，m_ij表示节点i和节点j之间的历史相遇概率，w_ij表示节点i和节点j在时间周期T内的历史相遇次数，adj表示节点i在时间周期T内相遇的节点集，|adj|表示节点i在时间周期T内相遇的节点集的节点数量；

2)通过移动节点的轨迹信息来分析节点位置的相关性，其中轨迹信息包括感知区域的位置信息，节点到达和离开该区域的时间以及控制不同节点到达目标区域的时间阈值。具体的，在时间周期T中，移动节点的轨迹信息表示为L＝U L_i，p_i，L_i＝{q_i,c_i，γ_i}。其中q_i,c_i分别是节点i到达和离开感知区域的时间集，p_i表示感测区域的位置信息，γ_i是时间阈值，它用于控制不同节点到达目标区域的时间间隔。当p_i＝p_j时，节点i和节点j之间的位置相关性如下：

节点间位置相关性为：

其中，P(i,j)为节点i和节点j之间的位置相关性，表示节点i和j在位置p_i的相似函数，表示节点i的第r_i条轨迹信息，表示节点j的第r_j条轨迹信息；

指在中取最大值，表示在中取最小值，分别表示节点i和节点j在第r_i次和第r_j次到达感知区域的时间，分别表示节点i和节点j在第r_i次和第r_j次离开感知区域的时间；γ表示用于控制到达目标区域的不同节点之间的时间间隔的时间阈值；

感知区域是节点在一定范围内可以传递消息的区域，γ为信息数据量除以消息传递速度获得；

假设在Z次连接中移动节点i对j的评估被记录为连接很稳定则为1，没有过连接则为0。连接中断一次则减少0.1的值。直到降为0.1为止。其中的元素是根据历史交互时间排列，Z是历史交互记录阈值。

3)节点间历史信任度：

其中，T(i,j)表示节点i和节点j之间的历史信任度，表示节点i和节点j在第次连接时连接度，若节点i和节点j在时间周期T的Z次连接中均成功连接，则取值均为1，若中间出现连接中断，则的取值为 表示衰减函数，

4)假设节点接收信息并反馈的集合为{b₁,b₂,…,b_n}，并且M(b_k,j)表示第k个信息反馈节点和移动节点j之间的社交关系值；

节点间社会关系传递特性值：

其中，S(i,j)表示节点i和节点j之间的社会关系传递特性值，η是反馈信息至节点i的节点数量，当节点i和j相遇且没有在网络中提供信息的反馈节点时M(i,j)＝1，S(i,j)＝1；当节点i和j没有在网络中提供信息反馈的节点时且它们没有相遇过，则M(i,j)＝0，S(i,j)＝1；w(b_k)是反馈加权函数；M(a_k,a_next)表示从节点i到节点j的社交关系传递路径中，节点a_k与其下一跳节点a_next之间的社会关系值，l表示信息反馈节点和节点i之间的跳数，两节点初次相遇时，节点之间的社会关系初始值为1；

5)节点偏爱度不同于节点相遇频繁度，是指一段时间内两个节点之间建立连接并传递消息的时间占用比。时间越长表明两个节点之间的合作越密切。

节点偏爱度相关性，

其中，Pref_ij表示节点i与节点j之间的偏爱度相关性，表示在时间周期T内节点i与节点j之间在第k次连接并传递消息的时间占用比，{other}表示与节点i相遇过的节点集合；n_j表示节点i与节点j在时间周期T内的连接次数，n_other表示节点i与节点other在时间周期T内的连接次数；

6)节点联系稳定度是指节点和节点之间发送的信息平均间隔多长时间。通过它我们可以预测未来节点在多长的一段时间内建立连接的可能性。这意味着最近的一段时间连接时间间隔越短，未来一段时间连接建立的可能性就越大。在一段时间内，间隔时间越长表明节点长时间内具有稳定的合作。

节点间在平均间隔时间传递消息时的相关性，

其中，Rel_ij表示节点i和节点j之间在平均间隔时间传递消息时的相关性，和分别表示在时间周期T内，第1次和k次传输消息的时刻；

7)考虑到节点更愿意合作传递有共同需求的数据。在消息传递的时候，节点给出消息需求度的评分反馈。我们认为节点更愿意接收并转发对自己有用的数据。因此，如果在一段时间内，节点反馈的评分越高，表明邻居节点愿意合作转发消息的概率越大。增加这一参数可以帮助预测未来节点之间合作的可能性。

节点间消息传递需求度，

其中，Need_ij表示节点i对节点j的消息传递需求度，表示节点i传递给节点j消息时，节点j给出的数据需求度反馈评分，评分设定为0-Q，如果数据是节点j所需要的，反馈最高评分Q，完全不需要则反馈最低评分0；

8)节点合作能力度：

其中，E_i表示节点i的合作能力度，E_r表示节点的能量，E_d数据包传送所需的能量。

进一步地，所述节点模糊相似矩阵为R，

其中，a_ki和a_kj分别为关系特征矩阵A中的第k行第i列和第j列的元素， 表示第1个节点的第1个关系特征向量，表示第n个节点的第m个关系特征向量；∧和分别表示布尔减运算和布尔加运算；n表示社会网络中的节点数量，m表示关系特征数量。

步骤2：利用节点的关系特征向量，构建节点模糊相似矩阵；

考虑关系特征的权重分配，在关系特征量化过程中，权重的大小反映了关系特征决策量化中每个属性指标的状态，直接影响后续节点信息传递的服务质量。因此，解决社会关系量化问题和合作关系量化问题的一个重要前提是设计一种合理有效的权重分配方法。粗糙集理论是处理知识不确定性的工具，信息熵通常用于描述知识的不确定性。因此，使用这两种方法来进行权重分配。

步骤3：获取模糊相似矩阵的传递闭包矩阵，利用传递闭包矩阵对节点进行分类，记录节点分类结果；删除节点间的关系特征，重新构建模糊相似矩阵，并获得删除关系特征后的节点分类结果；

所述利用传递闭包矩阵对节点进行分类是指从节点模糊相似矩阵中寻找与指定阈值相同的元素，将与所找到的元素对应的节点对的等价类关系中对应的节点合并；

所述利用传递闭包矩阵对节点进行分类的过程如下：

步骤A：将未删除关系特征的节点模糊相似矩阵中的λ_ij从大到小排序；

步骤B：将最大λ_ij作为指定阈值；

步骤C：从模糊相似矩阵中(λ_ij)_n×n找到相似度等于指定阈值的元素对(a_i,a_j)，将[a_i]_t(R)和[a_j]_t(R)合并，获得一次分类结果，[a_i]_t(R)和[a_j]_t(R)表示包含元素a_i∈N在传递闭包关系t(R)中的两个不同的等价类；

步骤D：从排序好的{λ_ij}中依次取值作为指定阈值，重复步骤C，直到前后两次分类结果相差不超过设定最小阈值；

步骤E：取消最后一次合并，并形成最终分类结果C_i，i＝1,2,…,ζ，ζ表示分类次数。

步骤4：计算每个关系特征的可信度，并利用可信度获得每个关系特征的权重；

利用关系特征删除前后对应的模糊相似矩阵，计算对应节点分类结果之间的互信息量，获得每个关系特征的可信度；

所述每个关系特征的可信度按照以下公式计算：

其中，表示利用关系特征s删除前后对应的模糊相似矩阵，计算对应节点分类结果c_i、之间的互信息量；A_i表示节点集中某一等价关系的一个等价类，P(A_i)表示等价类A_i所含节点数量所占同一等价关系中全部等价类中的所有节点数量的比例；P(B_j)表示等价类B_j所含节点数量所占同一等价关系中全部等价类中的所有节点数量的比例，P(A_i|B_j)表示节点集合中存在等价类B_j的条件概率下，同时存在等价类A_i的概率，B_j表示节点集中另一等价关系中的一个等价类。

步骤5：利用关系特征权重对各关系特征进行加权，计算节点之间的相遇合作概率；

所述节点之间的相遇合作概率按以下公式计算：

MC(u，v)＝αM(u，v)+βH(u，v)

s.t.0≤u_i≤1 s.t.0≤ω_k≤1

u，v∈N，u，v∈N

其中，MC(u_,υ)表示两节点u和v之间的相遇合作概率，M(u_,υ)和H(u_,υ)分别表示两节点u和v之间的社会关系和合作关系；f_i表示第i个社会关系特征，ω_i表示第i个社会关系特征的权重，m是社会关系特征数量，N是网络中的节点集；h_k(u，υ)表示第k个合作关系特征，w_k表示第k个合作关系特征的权重，z是合作关系特征数量；α和β分别表示社会关系值和合作关系值在概率评估过程中所占的重要性程度，取值范围均为0-1。

α和β分别表示所有社会关系特征和所有合作关系特征的互信息量占据所有关系特征的互信息量的比值。

步骤6：利用步骤5为每个节点在与其它节点机会相遇时，选出相遇合作概率最高的节点作为下一跳节点，进行信息传递。

实施例1：

在该实施例中，本研究采用One Simulator对所提方法进行实施，从传输成功率，路由开销和传输跳数方面评估PEBN算法的性能。在实验中采用斯坦福大学拓扑图作模拟场景，如图2所示。并且在模拟场景中使用的数据是斯坦福大学的真实数据集。我们设计了不同数量的行人，汽车和电子轨道，以模拟节点数量，模拟时间和节点缓存对模拟结果的影响。

我们选择的斯坦福大学真实地图区域为1070米×810米。模拟时间为1小时至12小时。模拟节点设置为100–1300，行人，汽车和有轨电车的速度分别为5km/h，100km/h和60km/h。到达目的地后，节点会在那里停留一段时间。节点的传感半径为50米。消息生成间隔为25到35秒，传输间隔为17-18分钟。生存时间设置为100分钟。节点的传输模式是社交模型，默认节点数为500，每个节点的缓存为8M。频率范围从25HZ到35HZ，数据包类型是随机数组。

由图3可知，由于在发送消息时有更好的选择，PEBN协议的消息传递成功率高于其他方法。这是因为我们的实施方案为每个节点设置了不同程度的自私。其他方法很容易导致消息丢失，因为它们无法充分考虑节点的协作因素和社会关系因素，甚至无法获得有关节点的更多信息。因此，我们的算法可以获得更准确的预测，以便在筛选节点的过程中有更好的选择。此外，随着节点数量的增加，由于节点社交信息的增加，我们获得的节点之间的信息记录更多，通过动态调整权重以及社会关系和合作关系的权衡，使我们预测与消息传输的目的节点的相遇概率更加广泛和准确。因此，更有可能选择到最佳消息传输节点。从图4中可以看出，PEBN协议的传送性能优于其他方法。因为我们不仅要考虑遇到目标节点的概率，还要考虑到目标节点的传输路径和节点之间的信任关系，因此不太可能丢失数据包。此外，随着模拟时间的增加，消息传递速率也会增加，并且消息将有更多时间等待下一个最佳节点。

由图5可以知道，PEBN协议在比较方案中具有最小的平均跳数，因为它比其他方法更有效地优化消息传输的路由。随着节点数量的增加，节点之间的关系变得更加复杂，单纯地依靠相遇关系去判断社会关系是不合适的。由于我们认为关系近的节点有更高相遇概率。因此，我们通过节点之间的关系传递性，可以挖掘节点之间的更多隐藏关系。从而提高关系预测的准确度，减少从源节点到目的节点的跳数。但是，其他方法可能没有很多参数来增强模型的动态适应性。从图6中可以看出，我们提出的方案比其他方案具有更少的跳数。随着模拟时间的增加，节点可以捕获有关节点移动的更多信息，这可以为选择关键节点的过程添加更多附加信息，使模型更加健壮。我们的解决方案收集并处理节点特征信息，因此我们可以获得尽可能多的数据，以更准确地预测节点之间的相遇合作概率。因此，节点的平均跳数逐渐减少并趋于稳定。

从图7中可以看出，我们的方法的开销与其他方法结果相比，PEBN具有比其他方法更好的性能。由于我们将节点合作应用于我们提出的模型，因此我们也可以在节点具有自私度的情况下表现良好。PNEC可以比其他模型更好地预测传输的邻居节点，选择具有高概率遇到目的节点的节点作为下一跳节点，这有效地降低了将消息发送到非合作节点的成本损失。此外，我们还可以观察到，随着节点数量的增加，路由开销量也会增加。节点数量的增加意味着用于消息选择的候选节点的数量增加。消息需要传递给更多节点，从而增加了通过网络信息扩散的开销。此外，在图8中可以看到相同的观察结果，其表明随着模拟时间的增加，由于节点不需要在信息传输过程中通过所提出的模型连续计算和决策，节点的传输任务变得更简单。此外，我们有更复杂的概率模型来选择邻居节点，因此随着模拟时间的增加，我们的开销增长率相对小于其他模型。

从以上实验可知，PEBN算法在预测概率时添加社交关系和合作关系，使得节点可以向具有高概率遇到目的节点的协作节点传递消息。实验表明，PEBN算法在传输成功率，开销和跳数方面优于其他算法。具体地，该算法不仅提高了网络中的数据传输效率，而且在网络拓扑动态变化时，还采用更新的信息来适应当前的网络环境。此外，我们在消息传输中提出通过基站或边缘设备处理复杂的传输决策减少了节点开销。同时，动态分配的权重值可以减少某一参数动态变化中对决策产生过度的影响，解决由于考虑社会因素的传输方法中会导致的数据流量集中问题。通过将节点之间的社交和协作关系进行权衡可以更加适应网络环境的动态变化，可以选择更好的传输路径以减少到目的节点的跳数。因此，我们的方案可以改善传输环境中的性能。

Claims (7)

1.一种基于目标节点相遇概率预测消息传递节点的方法，其特征在于，包括以下几个步骤：

步骤1：构建节点间的关系特征，获得节点的关系特征向量；

所述节点间的关系特征包括社会关系特征和合作关系特征，所述社会关系特征至少包括节点间历史相遇概率、节点间位置相关性、节点间历史信任度、节点间社会关系传递特性值；所述合作关系特征至少包括节点偏爱度相关性、节点间联系稳定度、节点间消息传递需求度以及节点合作能力度；

节点的关系特征向量是由某一节点与其余所有节点间的某一关系特征值组成的向量，节点本身之间的关系特征值为1；

步骤2：利用节点的关系特征向量，构建节点模糊相似矩阵；

步骤3：获取模糊相似矩阵的传递闭包矩阵，利用传递闭包矩阵对节点进行分类，记录节点分类结果；删除节点间的关系特征，重新构建模糊相似矩阵，并获得删除关系特征后的节点分类结果；

所述利用传递闭包矩阵对节点进行分类是指从节点模糊相似矩阵中寻找与指定阈值相同的元素，将与所找到的元素对应的节点对的等价类关系中对应的节点合并；

步骤4：计算每个关系特征的可信度，并利用可信度获得每个关系特征的权重；

利用关系特征删除前后对应的模糊相似矩阵，计算对应节点分类结果之间的互信息量，获得每个关系特征的可信度；

步骤5：利用关系特征权重对各关系特征进行加权，计算节点之间的相遇合作概率；

步骤6：利用步骤5为每个节点在与其它节点机会相遇时，选出相遇合作概率最高的节点作为下一跳节点，进行信息传递。

2.根据权利要求1所述的方法，其特征在于，所述节点之间的相遇合作概率按以下公式计算：

MC(u,υ)＝αM(u,υ)+βH(u,υ)

s.t.0≤w_i≤1 s.t.0≤w_k≤1

u,υ∈N，u,υ∈N

其中，MC(u_,υ)表示两节点u和v之间的相遇合作概率，M(u_,υ)和H(u_,υ)分别表示两节点u和v之间的社会关系值和合作关系值；f_i表示第i个社会关系特征，ω_i表示第i个社会关系特征的权重，m是社会关系特征数量，N是网络中的节点集；h_k(u,υ)表示第k个合作关系特征，w_k表示第k个合作关系特征的权重，z是合作关系特征数量；α和β分别表示社会关系值和合作关系值在概率评估过程中所占的重要性程度，取值范围均为0-1。

3.根据权利要求2所述的方法，其特征在于，α和β分别表示所有社会关系特征和所有合作关系特征的互信息量占据所有关系特征的互信息量的比值。

4.根据权利要求1所述的方法，其特征在于，所述每个关系特征的可信度按照以下公式计算：

其中，表示利用关系特征s删除前后对应的模糊相似矩阵，计算对应节点分类结果c_i、之间的互信息量；A_i表示节点集中某一等价关系的一个等价类，P(A_i)表示等价类A_i所含节点数量所占同一等价关系中全部等价类中的所有节点数量的比例；P(B_j)表示等价类B_j所含节点数量所占同一等价关系中全部等价类中的所有节点数量的比例，P(A_i|B_j)表示节点集合中存在等价类B_j的条件概率下，存在等价类A_i的概率，B_j表示节点集中另一等价关系中的一个等价类。

5.根据权利要求1所述的方法，其特征在于，所述节点间的关系特征计算公式如下：

1)节点间历史相遇概率：

其中，m_ij表示节点i和节点j之间的历史相遇概率，w_ij表示节点i和节点j在时间周期T内的历史相遇次数，adj表示节点i在时间周期T内相遇的节点集，|adj|表示节点i在时间周期T内相遇的节点集的节点数量；

2)节点间位置相关性为：

其中，P(i,j)为节点i和节点j之间的位置相关性，表示节点i和j在位置p_i的相似函数，表示节点i的第r_i条轨迹信息，表示节点j的第r_j条轨迹信息；

指在中取最大值，表示在中取最小值，分别表示节点i和节点j在第r_i次和第r_j次到达感知区域的时间，分别表示节点i和节点j在第r_i次和第r_j次离开感知区域的时间；γ表示用于控制到达目标区域的不同节点之间的时间间隔的时间阈值；

3)节点间历史信任度：

其中，T(i,j)表示节点i和节点j之间的历史信任度，表示节点i和节点j在第次连接时连接度，若节点i和节点j在时间周期T的Z次连接中均成功连接，则取值均为1，若中间出现连接中断，则的取值为 表示衰减函数，

4)节点间社会关系传递特性值：

其中，S(i,j)表示节点i和节点j之间的社会关系传递特性值，η是反馈信息至节点i的节点数量，当节点i和j相遇且没有在网络中提供信息的反馈节点时M(i,j)＝1，S(i,j)＝1；当节点i和j没有在网络中提供信息反馈的节点时且它们没有相遇过，则M(i,j)＝0，S(i,j)＝1；w(b_k)是反馈加权函数；M(a_k,a_next)表示从节点i到节点j的社交关系传递路径中，节点a_k与其下一跳节点a_next之间的社会关系值，l表示信息反馈节点和节点i之间的跳数，两节点初次相遇时，节点之间的社会关系初始值为1；

5)节点偏爱度相关性，

其中，Pref_ij表示节点i与节点j之间的偏爱度相关性，表示在时间周期T内节点i与节点j之间在第k次连接并传递消息的时间占用比，{other}表示与节点i相遇过的节点集合；n_j表示节点i与节点j在时间周期T内的连接次数，n_other表示节点i与节点other在时间周期T内的连接次数；

6)节点间在平均间隔时间传递消息时的相关性，

其中，Rel_ij表示节点i和节点j之间在平均间隔时间传递消息时的相关性，和分别表示在时间周期T内，第1次和k次传输消息的时刻；

7)节点间消息传递需求度，

其中，Need_ij表示节点i对节点j的消息传递需求度，表示节点i传递给节点j消息时，节点j给出的数据需求度反馈评分，评分设定为0-Q，如果数据是节点j所需要的，反馈最高评分Q，完全不需要则反馈最低评分0；

8)节点合作能力度：

其中，E_i表示节点i的合作能力度，E_r表示节点的能量，E_d数据包传送所需的能量。

6.根据权利要求1所述的方法，其特征在于，所述节点模糊相似矩阵为R，R＝(λ_ij)_n×n，

其中，a_ki和a_kj分别为关系特征矩阵A中的第k行第i列和第j列的元素， 表示第1个节点的第1个关系特征向量，表示第n个节点的第m个关系特征向量；∧和∨分别表示布尔减运算和布尔加运算；n表示社会网络中的节点数量，m表示关系特征数量。

7.根据权利要求1所述的方法，其特征在于，所述利用传递闭包矩阵对节点进行分类的过程如下：

步骤A：将未删除关系特征的节点模糊相似矩阵中的λ_ij从大到小排序；

步骤B：指定阈值λ作为结束依据；

步骤C：从模糊相似矩阵中(λ_ij)_n×n找到相似度等于λ_ij中未被选取过的最大值的元素对(a_i,a_j)，将[a_i]_t(R)和[a_j]_t(R)合并，获得一次分类结果，[a_i]_t(R)和[a_j]_t(R)表示包含元素a_i∈N在传递闭包关系t(R)中的两个不同的等价类；

步骤D：从排序好的{λ_ij}中依次取值作为指定阈值，重复步骤C，直到λ_ij中未被选取过的最大值小于指定阈值λ；

步骤E：取消最后一次合并，并形成最终分类结果C_i，i＝1,2,…,ζ，ζ表示分类次数。