CN112887396B - 用于动态时序网络中节点间相似度生成的方法 - Google Patents
用于动态时序网络中节点间相似度生成的方法 Download PDFInfo
- Publication number
- CN112887396B CN112887396B CN202110088758.5A CN202110088758A CN112887396B CN 112887396 B CN112887396 B CN 112887396B CN 202110088758 A CN202110088758 A CN 202110088758A CN 112887396 B CN112887396 B CN 112887396B
- Authority
- CN
- China
- Prior art keywords
- time
- nodes
- meeting
- node
- encounter
- 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
Images
Classifications
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种用于动态时序网络中节点间相似度生成的方法,包括以下步骤:a、在一段时间内对节点间的相遇历史进行采样;b、分析节点间的相遇频率、相遇分布情况以及相遇时刻与当前时刻的间隔;c、根据所述步骤(b)的分析结果生成节点间的相似度。本发明耦合了节点间的相遇频率、相遇分布情况以及相遇时刻与当前时刻的间隔来生成节点间的相似度,这样生成的相似度能够准确反映出节点的相遇特性,从而适应于动态网络的社区检测需求。
Description
技术领域
本发明涉及一种用于动态时序网络中节点间相似度生成的方法。
背景技术
在传统的通信网络中,实现节点与节点之间的通信,需要建立两个节点之间的完整连通路径。该路径通常包含多个中间节点,用以存储、转发信息。但是,在移动车载网、星际网络、空间通信网等网络中,由于节点高速移动、交替活跃、遭受攻击等原因,通信网络的拓扑结构快速变化,从而导致节点之间无法建立稳定的端到端连接。
针对这类网络的特点,现有技术中存在大量路由算法,用以实现网络中节点间的信息传输。在这些算法中,采用了网络结构先验知识的路由算法能够取得更好的效果,其中包括基于网络社区结构的路由算法。该算法基于社区间与社区内的网络特点,分别采用了不同的路由算法,从而达到较好的路由结果。采用基于网络社区结构路由算法的前提是能够有效地对动态网络进行社区检测,而社区检测的关键是对节点之间的相似度进行有效评估。
目前来看,绝大多数的相似度生成算法都只通过节点间的相遇时间与当前时刻的远近生成相似度,考虑的不够全面,无法生产可靠的节点间相似度供社区检测算法使用,且无法完全反映节点相遇特点。
发明内容
本发明的目的在于提供一种用于动态时序网络中节点间相似度生成的方法。
为实现上述发明目的,本发明提供一种用于动态时序网络中节点间相似度生成的方法,包括以下步骤:
a、在一段时间内对节点间的相遇历史进行采样;
b、分析节点间的相遇频率、相遇分布情况以及相遇时刻与当前时刻的间隔;
c、根据所述步骤(b)的分析结果生成节点间的相似度。
根据本发明的一个方面,在所述步骤(a)中,对于所有采样时刻都不存在节点相遇的情况,设置节点i与节点j之间的相似度ωi,j为0;
其他情况为公式(1):
其中,t为对应采样时刻在采样时间段T内的位置点,tMax为采样时间段T内的采样总数。
根据本发明的一个方面,定义tBefore为t的存在相遇情况的最大前一时刻,则:
当tBefore不存在时,则为0;
定义tNext为t的存在相遇情况的最小后一时刻,则:
当tNext不存在时,则设为tMax+1;
其中,t-为t之前的时刻,t+为t之后的时刻。
根据本发明的一个方面,在所述步骤(b)中,相遇时刻与当前时刻的间隔控制函数h(t)表示为:
h(t)=k1t+ε(k1>0);
其中,k1为斜率,ε为偏移。
根据本发明的一个方面,在所述步骤(b)中,相遇频率控制函数Ω(t)表示为:
根据本发明的一个方面,在所述步骤(b)中,相遇分布均匀度控制函数f(t)表示为:
根据本发明的一个方面,在所述步骤(c)中,将h(t)、Ω(t)、f(t)代入所述公式(1)中得到相似度ωi,j。
根据本发明的一个方案,通过节点间过去一段时间内的相遇历史生成相似度,其中,不仅分析节点相遇时刻与当前时刻的远近,还考虑相遇频率和相遇时刻的分布均匀情况。这样,相遇时刻与当前时刻越接近,相遇频率越高,相遇时刻分布越均匀,其计算出的相似度均会越高。由此计算生成的相似度能够从多方面完全反映节点相遇特点,从而可供社区检测算法使用,可靠性较高。
附图说明
图1示意性表示本发明的一种实施方式的用于动态时序网络中节点间相似度生成的方法的流程图;
图2示意性表示本发明的一种实施方式的用于动态时序网络中节点间相似度生成的方法中的采样示意图;
图3分别示出六种不同节点相遇情况的示意图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员而言,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。
下面结合附图和具体实施方式对本发明作详细地描述,实施方式不能在此一一赘述,但本发明的实施方式并不因此限定于以下实施方式。
参见图1,本发明的用于动态时序网络中节点间相似度生成的方法,首先需要在一段时间内对节点间的相遇历史进行离散采样。根据本发明的构思,为了保证相似度能够充分体现节点间的相遇特性,不仅考虑节点的相遇时刻与当前时刻的远近,还要分析节点间的相遇频率以及相遇分布(均匀)情况,从而可以根据这些分析结果生成可供社区检测算法使用的可靠的节点间的相似度。
参见图2,图中tc为实际当前时刻,tc-T代表当前时刻之前采样T时段内的点,即所有采样点在当前时刻之前。以节点i与节点j为例,采集二者在一段时间间隔内的相遇历史,应选取离当前时刻最近的一段时间T。图2中出现矩形的时刻代表该时间段节点i与节点j之间存在相遇(以下简称连接)情况,反之则代表节点间不存在相遇情况。在采样过程中,对于所有采样时刻都不存在相遇的情况,直接设置节点i与节点j之间的相似度ωi,j为0,其他情况为公式(1):
其中,t为对应采样时刻在采样时间段T内的位置点,tMax为采样时间段T内的采样总数。
定义tBefore为t的存在连接的最大前一时刻,则:
当tBefore不存在时,则为0;
定义tNext为t的存在连接的最小后一时刻,则:
其中,t-为t之前的时刻,t+为t之后的时刻。
对于一个采样周期而言,存在tNext为最大时刻tMax的情况。这种情况代表下一连接时刻即为离当前时刻最近的时刻(结合图2)。但是,当某一时刻后再也没有下一连接时刻,这种情况更为“糟糕”,即不存在tNext,代表本次时间段内再无相遇时刻,此时应加大惩罚(即tNext越大,则f(t)越小,相似度越小),此时将tNext设置为tMax+1。
本发明利用以下三个函数来分别反映节点相遇历史的特征:
相遇时刻与当前时刻的间隔控制函数h(t)表示为:
h(t)=k1t+ε(k1>0);
其中,k1为(自定义)斜率,ε为(自定义)偏移,二者用于调整离当前时刻更近的连接的重要程度。
相遇频率控制函数Ω(t)表示为:
当然,由上式可知,函数Ω(t)实际也是为了控制相遇时刻与当前时刻的间隔,但还能在一定程度上控制相遇频率(即连接次数)。
相遇分布均匀度控制函数f(t)表示为:
将h(t)、Ω(t)、f(t)代入所述公式(1)中得到相似度ωi,j。由此,本发明根据相遇时刻与当前时刻的间隔(或称远近)、相遇频率(即连接次数)和相遇时刻的分布均匀情况来共同计算得到节点间的相似度。
参见图3,图3a的采样周期内的相遇次数多于图3e,因此图3a优于图3e,即当节点间的相遇频率越高,生成的相似度值越大。图3a与图3b具有相同的连接次数,但是图3a的连接时刻分布更加均匀,因此这种结构优于图3b,即节点间相遇的分布越均匀,生成的相似度值越大。函数f(t)的作用就是控制结构,即,对于较长的连续未连接时段,函数f(t)中的(tNext-t)-1会给以较大惩罚(即tNext与t的差值变大,f(t)变小,相似度变小)。图3c和图3d的相遇次数相同,且分布均匀情况也较为相近,但图3d更接近当前时刻,因此图3d的结构较于图3c更优。当然,具体可通过Ω(t)和h(t)来控制。图3a和图3f相比,图3a分布更加均匀,但图3f更接近当前时刻,同时,两者的权重计算结果也很相近。因此无法通过直观的判断得出图3a和图3f哪种结构最优。对此,可通过h(t)和f(t)来控制。由上述可知,在相似度计算时,相遇时刻与当前时刻的间隔所占比重较大,对于公式h(t)=k1t+ε而言,则意味着k1越大则越能体现其所占权重越大。同时在f(t)中,当(tBefore+tNext-1)<tMax时,f(t)最小为因为此时h(t)通常比较小,可以适当增加f(t),这种操作能够体现计算相似度时更在意离当前时刻更近的连接情况,即节点间的相遇越接近当前时刻,生成的相似度值越大。
综上所述,本发明的用于社区检测的节点间相似度生成方法,基于节点间的相遇历史,分布式地、快速简便地计算生成节点间相似度。本方法耦合了节点间相遇的频率、分布情况与离当前时刻的远近,在这三者的共同影响下,生成相似度值,从而能够有效地反映节点间的相遇历史特征。从而使得本方法可以有效适用于快速变化的通信网络,通过节点间的相遇历史。尤其在一些快速变化的动态网络中,如移动车载网、星际网络、空间通信网络,由于节点的快速移动,网络拓扑结构快速变化。在这些动态网络中存在社区特性,因此本方法能够完美的适应上述动态网络的社区检测,解决社区检测网络中相似度有效评估问题。
以上所述仅为本发明的一个实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
4.根据权利要求3所述的方法,其特征在于,在所述步骤b中,相遇时刻与当前时刻的间隔控制函数h(t)表示为:
h(t)=k1t+ε(k1>0);
其中,k1为斜率,ε为偏移。
7.根据权利要求6所述的方法,其特征在于,在所述步骤c中,具体包括:
将h(t)、Ω(t)、f(t)代入所述公式(1)中得到相似度ωi,j。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110088758.5A CN112887396B (zh) | 2021-01-22 | 2021-01-22 | 用于动态时序网络中节点间相似度生成的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110088758.5A CN112887396B (zh) | 2021-01-22 | 2021-01-22 | 用于动态时序网络中节点间相似度生成的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112887396A CN112887396A (zh) | 2021-06-01 |
CN112887396B true CN112887396B (zh) | 2022-11-25 |
Family
ID=76050316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110088758.5A Active CN112887396B (zh) | 2021-01-22 | 2021-01-22 | 用于动态时序网络中节点间相似度生成的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887396B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103200041A (zh) * | 2013-03-04 | 2013-07-10 | 北京航空航天大学 | 基于历史数据的容迟容断网络节点相遇概率预测方法 |
CN104579957A (zh) * | 2014-12-04 | 2015-04-29 | 北京理工大学 | 基于亲密度和时间约束转发的容迟网络路由方法 |
WO2017120797A1 (zh) * | 2016-01-13 | 2017-07-20 | 华为技术有限公司 | 消息转发方法及装置 |
CN107801226A (zh) * | 2017-11-13 | 2018-03-13 | 北京邮电大学 | 基于节点社会相似性和个体中心性的数据转发方法和装置 |
-
2021
- 2021-01-22 CN CN202110088758.5A patent/CN112887396B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103200041A (zh) * | 2013-03-04 | 2013-07-10 | 北京航空航天大学 | 基于历史数据的容迟容断网络节点相遇概率预测方法 |
CN104579957A (zh) * | 2014-12-04 | 2015-04-29 | 北京理工大学 | 基于亲密度和时间约束转发的容迟网络路由方法 |
WO2017120797A1 (zh) * | 2016-01-13 | 2017-07-20 | 华为技术有限公司 | 消息转发方法及装置 |
CN107801226A (zh) * | 2017-11-13 | 2018-03-13 | 北京邮电大学 | 基于节点社会相似性和个体中心性的数据转发方法和装置 |
Non-Patent Citations (2)
Title |
---|
Exploiting Mobile Social Networks From Temporal Perspective: A Survey;HUAN ZHOU等;《SPECIAL SECTION ON INTELLIGENT DATA SENSING, COLLECTION AND DISSEMINATION IN MOBILE COMPUTING》;20191213;全文 * |
一种基于记忆认知启发机会网络动态社区检测方法;黄书朋;《中国优秀博硕士学位论文全文数据库(硕士)基础科技辑》;20171115(第11期);第三章 * |
Also Published As
Publication number | Publication date |
---|---|
CN112887396A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
You et al. | Toward packet routing with fully distributed multiagent deep reinforcement learning | |
Li et al. | QTCP: Adaptive congestion control with reinforcement learning | |
Ioannidis et al. | Adaptive caching networks with optimality guarantees | |
Zhang et al. | Enhancing the transmission efficiency by edge deletion in scale-free networks | |
Johansson et al. | A randomized incremental subgradient method for distributed optimization in networked systems | |
Sankar et al. | Maximum lifetime routing in wireless ad-hoc networks | |
Aysal et al. | Convergence of consensus models with stochastic disturbances | |
US9426040B2 (en) | Mixed distributed/centralized routing techniques based on closed-loop feedback from a learning machine to avoid dark zones | |
Lee et al. | Reliability in layered networks with random link failures | |
Baldine et al. | Traffic adaptive WDM networks: A study of reconfiguration issues | |
Borkar et al. | Dynamic Cesaro-Wardrop equilibration in networks | |
Haider et al. | Performance analysis of reactive connectivity restoration algorithms for wireless sensor and actor networks | |
Sitanayah et al. | A fault-tolerant relay placement algorithm for ensuring k vertex-disjoint shortest paths in wireless sensor networks | |
Ghosh et al. | A cognitive routing framework for reliable communication in IoT for industry 5.0 | |
Bernárdez et al. | Is machine learning ready for traffic engineering optimization? | |
Khalifa et al. | A distributed self-healing coverage hole detection and repair scheme for mobile wireless sensor networks | |
Ak et al. | T6conf: Digital twin networking framework for ipv6-enabled net-zero smart cities | |
US10630533B2 (en) | Distributed network query using walker agents | |
Yi et al. | A safe and reliable heterogeneous controller deployment approach in SDN | |
CN112887396B (zh) | 用于动态时序网络中节点间相似度生成的方法 | |
Zhang et al. | How advantageous is it? An analytical study of controller-assisted path construction in distributed SDN | |
Doyle et al. | Ad hoc networking, Markov random fields, and decision making | |
Pereira et al. | A framework for robust traffic engineering using evolutionary computation | |
Sun et al. | Network function placement under randomly arrived networking traffic | |
Sharma et al. | Optimized Tuning of LOADng Routing Protocol Parameters for IoT. |
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 |