CN113301627B - 一种基于贝叶斯分类的环境自适应路由方法、系统和介质 - Google Patents

一种基于贝叶斯分类的环境自适应路由方法、系统和介质 Download PDF

Info

Publication number
CN113301627B
CN113301627B CN202110395123.XA CN202110395123A CN113301627B CN 113301627 B CN113301627 B CN 113301627B CN 202110395123 A CN202110395123 A CN 202110395123A CN 113301627 B CN113301627 B CN 113301627B
Authority
CN
China
Prior art keywords
node
data
time
cooperation
matrix
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
CN202110395123.XA
Other languages
English (en)
Other versions
CN113301627A (zh
Inventor
刘丽
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.)
Shandong Womens University
Original Assignee
Shandong Womens 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 Shandong Womens University filed Critical Shandong Womens University
Priority to CN202110395123.XA priority Critical patent/CN113301627B/zh
Publication of CN113301627A publication Critical patent/CN113301627A/zh
Application granted granted Critical
Publication of CN113301627B publication Critical patent/CN113301627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/248—Connectivity information update
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于贝叶斯分类的环境自适应路由方法、系统和介质，构建动态网络环境学习模型，对每个节点分别进行动态感知，得到每个节点的动态感知信息集；选取任一相遇节点对，基于贝叶斯分类方法，根据两个相遇节点的动态感知信息集，得到两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集；按照预设的自适应数据分发策略，根据两个相遇节点的动态感知信息集、合作度信息集及合作类型向量完成两个相遇节点的数据分发；遍历每个相遇节点对，完成社会感知网络的数据分发。本发明有效提高动态变化网络环境的自我感知性、增强数据分发策略的自我适应性以及合作度激励机制的自我调节性，显著提高了数据分发效率。

Description

一种基于贝叶斯分类的环境自适应路由方法、系统和介质
技术领域
本发明涉及通信技术领域，尤其涉及一种基于贝叶斯分类的环境自适应路由方法、系统和介质。
背景技术
随着网络化和智能化时代的到来，移动联网设备全面普及，多网融合成为网络发展的趋势。机会网络不需要基础设施的支持，依靠节点间的协作实现通信，是未来多网融合的有力补充。机会网络在众多领域如野生动物追踪、偏远地区通信、手持设备组网等都有了成熟的应用。手持移动设备性能的提高、在社会生活中的普及以及下一代通信网络5G的支持，使得移动设备可以获取更多的具有多模态、富内容、时空性、人本性等特征的数据，节点间的社交关系也更易于分析获取，成为数据转发的重要依据，从而支持更加丰富的应用，如移动群智感知、社会车联网、D2D应用等。这种以移动设备之间的社交特征和丰富的感知能力作为主要依据进行自组织网络通信协议设计的新模式称为社会感知网络(Socially-aware networking，SAN)。
社会感知网络中消息传递使用的是“存储-携带-分发”的模式，因此路由方法的基础就是数据分发。在数据分发中，消息的目的地并不唯一，往往是一个群体，涉及的移动节点较多，因此在移动蜂窝网络的流量负载中占有相当大的比重。社会感知网络通过分析节点间的社交联系，寻找节点间的群体特性，可以更好的进行携带数据的选择，有效地减少消息副本数量，满足移动节点对数据的需求，提高数据分发的效率。
目前，社会感知网络中的数据分发问题受到国内外研究者的广泛关注，并取得了一定的研究成果。然而，针对数据分发技术的自适应问题的研究尚不深入，仍存在若干问题，主要表现在：
(1)对动态变化网络环境的实时感知能力不足
基于Pub/Sub的数据分发模式主要依据节点对数据的兴趣确定数据的目的节点群体。节点对数据的兴趣以及节点之间的社会关系是以往研究中制定数据分发策略的主要依据。由于节点常处于频繁移动的状态，使网络的拓扑结构不断变化。而且节点的社会关系也存在这重叠性、周期性、变化性。因此对于分布式的移动环境以及资源稀缺的移动设备来说，检测和维护动态变化的网络环境非常困难。而对网络环境的实时感知能力直接影响了节点对网络环境的判断，从而影响到数据分发策略的效率。
(2)理性节点的合作度调节能力不足
节点的合作/自私行为对数据分发效率有很大的影响。理性的节点会考虑自身的需求、存在的社交联系以及数据分发的需求等因素来考虑其采取合作还是自私策略。针对自私节点的激励策略中，既要考虑节点自私的本质，又要考虑节点以及系统的性能需求。
(3)数据分发策略的自适应调节能力不足
随着数据分发的进行，各类数据在网络中的持有状况也在不断变化。需要整体把控各类数据的分发状况，以提高各类数据的整体分发性能。如当一类数据被接收的比例不断提高时，其他中间节点可以减少对其的携带。反之，需要调节策略增加中间节点对其的携带。
因此，在社会感知网络中，提高数据分发机制对动态变化网络环境的自我感知性、增强数据分发策略的自我适应性以及激励机制的自我调节性是当前该领域迫切需要解决的问题。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于贝叶斯分类的环境自适应路由方法、系统和介质，能实现高效的动态社会感知网络中的数据分发，能适应动态变化的网络环境，激励理性节点有效合作，提高数据分发机制的自适应性，进而达到有效提高数据分发效率的目的。
本发明解决上述技术问题的技术方案如下：
一种基于贝叶斯分类的环境自适应路由方法，包括以下步骤：
步骤1：构建社会感知网络的动态网络环境学习模型，利用所述动态网络环境学习模型对所述社会感知网络中每个节点分别进行动态感知，得到每个节点的动态感知信息集；
步骤2：选取所述社会感知网络中的任一相遇节点对，基于贝叶斯分类方法，根据选取的相遇节点对中两个相遇节点的动态感知信息集，得到选取的两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集；
步骤3：按照预设的自适应数据分发策略，根据选取的相遇节点对中两个相遇节点的动态感知信息集、合作度信息集，以及两个相遇节点之间的合作类型向量，完成选取的相遇节点对中两个相遇节点之间的数据分发；
步骤4：遍历所述社会感知网络中的每个相遇节点对，按照所述步骤2至所述步骤3的方法，完成所述社会感知网络的数据分发。
依据本发明的另一方面，还提供了一种基于贝叶斯分类的环境自适应路由系统，应用于本发明的基于贝叶斯分类的环境自适应路由方法中，包括建模感知模块、合作判断模块、自适应分发模块和遍历模块；
所述建模感知模块，用于构建社会感知网络的动态网络环境学习模型，利用所述动态网络环境学习模型对所述社会感知网络中每个节点分别进行动态感知，得到每个节点的动态感知信息集；
所述合作判断模块，用于选取所述社会感知网络中的任一相遇节点对，基于贝叶斯分类方法，根据选取的相遇节点对中两个相遇节点的动态感知信息集，得到选取的两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集；
所述自适应分发模块，用于按照预设的自适应数据分发策略，根据选取的相遇节点对中两个相遇节点的动态感知信息集、合作度信息集，以及两个相遇节点之间的合作类型向量，完成选取的相遇节点对中两个相遇节点之间的数据分发；
所述遍历模块，用于遍历所述社会感知网络中的每个相遇节点对，并循环执行所述合作判断模块和所述自适应分发模块的功能，完成所述社会感知网络的数据分发。
依据本发明的另一方面，提供了一种基于贝叶斯分类的环境自适应路由系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明中的基于贝叶斯分类的环境自适应路由方法中的步骤。
依据本发明的另一方面，提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现本发明的基于贝叶斯分类的环境自适应路由方法中的步骤。
本发明的基于贝叶斯分类的环境自适应路由方法、系统和介质的有益效果是：首先构建动态网络环境学习模型，可以动态跟踪社会感知网络的状况，基于该动态网络环境学习模型进行动态感知，得到每个节点的动态感知信息集进行后续的合作度调节和数据自适应分发，可以更好地自适应社会感知网络中节点频繁移动的状态，有效提高了动态网络环境的实时感知能力，便于提高数据分发的效率；当社会感知网络中的两个节点相遇时(即为一个相遇节点对)，即可能进行该相遇节点对之间的数据分发，基于贝叶斯分类方法和得到的动态感知信息集，可以判断出该相遇节点对中两个相遇节点之间的合作类型向量以及能影响后续数据分发的合作度信息集，能更好地考虑节点的合作或自私行为对数据分发效率的影响；通过合作类型向量和合作度信息集来结合预设的自适应数据分发策略，实现每个相遇节点对之间的数据分发，有效提高了理性节点的合作度调节能力和数据分发策略的自适应调节能力；
本发明的基于贝叶斯分类的环境自适应路由方法、系统和介质，能实现高效的动态社会感知网络中的数据分发，有效提高动态变化网络环境的自我感知性、增强数据分发策略的自我适应性以及合作度激励机制的自我调节性，进而显著提高了社会感知网络中的数据分发效率，具有重要的应用价值。
附图说明
图1为本发明实施例一中一种基于贝叶斯分类的环境自适应路由方法的流程示意图；
图2为本发明实施例一中得到合作类型向量的处理模型示意图；
图3为本发明实施例一中完成两个相遇节点之间的数据分发的流程示意图；
图4为本发明实施例一中仿真实验得到的数据传输率的曲线图；
图5为本发明实施例一中仿真实验得到的负载的曲线图；
图6为本发明实施例一中仿真实验得到的延迟的曲线图；
图7为本发明实施例一中仿真实验得到的平均跳数的曲线图；
图8为本发明实施例二中一种基于贝叶斯分类的环境自适应路由系统的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面结合附图，对本发明进行说明。
实施例一、如图1所示，一种基于贝叶斯分类的环境自适应路由方法，包括以下步骤：
S1：构建社会感知网络的动态网络环境学习模型，利用所述动态网络环境学习模型对所述社会感知网络中每个节点分别进行动态感知，得到每个节点的动态感知信息集；
S2：选取所述社会感知网络中的任一相遇节点对，基于贝叶斯分类方法，根据选取的相遇节点对中两个相遇节点的动态感知信息集，得到选取的两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集；
S3：按照预设的自适应数据分发策略，根据选取的相遇节点对中两个相遇节点的动态感知信息集、合作度信息集，以及两个相遇节点之间的合作类型向量，完成选取的相遇节点对中两个相遇节点之间的数据分发；
S4：遍历所述社会感知网络中的每个相遇节点对，按照S2至S3的方法，完成所述社会感知网络的数据分发。
首先构建动态网络环境学习模型，可以动态跟踪社会感知网络的状况，基于该动态网络环境学习模型进行动态感知，得到每个节点的动态感知信息集进行后续的合作度调节和数据自适应分发，可以更好地自适应社会感知网络中节点频繁移动的状态，有效提高了动态网络环境的实时感知能力，便于提高数据分发的效率；当社会感知网络中的两个节点相遇时(即为一个相遇节点对)，即可能进行该相遇节点对之间的数据分发，基于贝叶斯分类方法和得到的动态感知信息集，可以判断出该相遇节点对中两个相遇节点之间的合作类型向量以及能影响后续数据分发的合作度信息集，能更好地考虑节点的合作或自私行为对数据分发效率的影响；通过合作类型向量和合作度信息集来结合预设的自适应数据分发策略，实现每个相遇节点对之间的数据分发，有效提高了理性节点的合作度调节能力和数据分发策略的自适应调节能力；
本实施例的基于贝叶斯分类的环境自适应路由方法，能实现高效的动态社会感知网络中的数据分发，有效提高动态变化网络环境的自我感知性、增强数据分发策略的自我适应性以及合作度激励机制的自我调节性，进而显著提高了社会感知网络中的数据分发效率，具有重要的应用价值。
具体地，动态感知信息集包括节点的节点自身兴趣分时矩阵和兴趣社区分时矩阵，以及节点对每种数据兴趣的数据需求率和数据接收率。
节点自身兴趣分时矩阵能体现出模型对节点自身兴趣感知的主要信息，兴趣社区分时矩阵则能体现出模型对节点所属兴趣社区感知的主要信息，数据需求率和数据接收率则能体现出模型对节点的数据分发状况进行感知的主要信息，通过上述内容构成的动态感知信息集，能体现出社会感知网络的动态网络环境学习模型较强的动态感知能力，便于提高数据分发效率。
优选地，在S1中，得到每个节点的动态感知信息集的具体步骤包括：
S11：预先设置所述动态网络环境学习模型的感知周期，并将所述感知周期划分为多个时间段；
S12：选取所述社会感知网络中的任一个节点，利用所述动态网络环境学习模型，获取选取的节点的历史数据兴趣收发信息以及选取的节点在所述感知周期内每个时间段的实时数据兴趣收发信息；
S13：采用预设矩阵构建方法，根据选取的节点的历史数据兴趣收发信息构建选取的节点的历史接收数据矩阵和历史分发数据矩阵，并根据选取的节点的实时数据兴趣收发信息构建选取的节点的实时接收数据矩阵和实时分发数据矩阵；
其中，历史接收数据矩阵的所有行、历史分发数据矩阵的所有行、实时接收数据矩阵的所有行和实时分发数据矩阵的所有行均分别与预先划分的所有时间段一一对应，历史接收数据矩阵的所有列、历史分发数据矩阵的所有列、实时接收数据矩阵的所有列和实时分发数据矩阵的所有列均分别与所有种类的数据兴趣一一对应；
S14：根据选取的节点的历史接收数据矩阵和实时接收数据矩阵，计算得到对应的节点自身兴趣分时矩阵；根据选取的节点的实时分发数据矩阵计算得到对应的节点对每种数据兴趣的数据接收率，并根据选取的节点的历史分发数据矩阵和实时分发数据矩阵，计算得到对应的兴趣社区分时矩阵以及对应的节点对每种数据兴趣的数据需求率；
S15：遍历所述社会感知网络中的每个节点，按照S12至S14的方法，得到每个节点的节点自身兴趣分时矩阵、兴趣社区分时矩阵以及每个节点对每种数据兴趣的数据需求率和数据接收率。
由于节点所属兴趣社区有重叠性、时空重复性，因此通过将感知周期划分为多个时间段，方便对节点的自身兴趣感知、兴趣社区感知和数据分发状况感知进行分时处理，节点自身兴趣分时矩阵能记录节点自身在不同时间段的兴趣信息，可以捕捉节点自身在不同时间段的个人数据需求；兴趣社区分时矩阵则能发现社会感知网络中存在的潜在兴趣社区及其在不同时间段的变迁情况；数据需求率和数据接收率则能预测网络在不同时段对数据分发能力，对数据分发的整体性能有着关键的指导作用；通过上述先感知后分发的模式，充分分析了节点间的社交联系，寻找节点间的群体特性，可以更好的进行携带数据的选择，有效地减少消息副本数量，满足移动节点对数据的需求，提高数据分发的效率，高效地实现了网络环境的自适应路由。
本实施例在感知上述信息时，首先将划分的时间段作为矩阵的行，将所感兴趣的数据兴趣作为矩阵的列，采集感知周期之前的历史数据兴趣收发信息(即节点在感知周期之前的不同时间段的数据收发信息，包括接收和分发的数据数量以及数据所属的数据兴趣、收发时间等信息，可以是感知周期之前的一个周期内的数据信息)来构建历史接收数据矩阵和历史分发数据矩阵，再通过实时采集的实时数据兴趣收发信息(即节点在感知周期之内的每个时间段的数据收发信息，同样包含接收和分发的数据数量以及数据所属的数据兴趣、收发时间等信息)来构建对应的实时接收数据矩阵和实时分发数据矩阵，通过上述矩阵构建方法，便于对这些数据矩阵进行维护，进而便于后续感知出更加符合动态网络环境的节点自身兴趣分时矩阵、兴趣社区分时矩阵、数据需求率和数据接收率，满足移动节点对数据的需求，有效提高对网络环境的动态感知能力。
具体地，在S13中，历史接收数据矩阵、历史分发数据矩阵、实时接收数据矩阵和实时分发数据矩阵均采用相似的矩阵结构，行维度为时间维(与预设的时间段对应)，列维度为数据兴趣维(与预设的数据兴趣的属性种类对应)。假设将数据兴趣分为N类，表示为Ij(j＝1,2…N)，预设的感知周期为1天，将1天分为M个时间段，表示为Tk(k＝1,2…M)，则矩阵结构如表1所示。
表1本实施例中的各矩阵的结构
<![CDATA[I<sub>1</sub>]]> <![CDATA[I<sub>2</sub>]]> …… <![CDATA[I<sub>N</sub>]]>
<![CDATA[T<sub>1</sub>]]>
<![CDATA[T<sub>2</sub>]]>
……
<![CDATA[T<sub>M</sub>]]>  
需要说明的是，假设当前感知周期为t，则历史接收数据矩阵为感知周期t-1下的实时接收数据矩阵，同理，历史分发数据矩阵为感知周期t-1下的实时分发数据矩阵。其中，感知周期和划分的时间段均可以根据实际情况选择和调整，例如，将感知周期定为1天，每1小时为一个时间段。
节点分时间段和数据兴趣的不同统计所接收和分发的数据的数量，来维护实时接收数据矩阵和实时分发数据矩阵，实时接收数据矩阵和实时分发数据矩阵中的元素均采用下面的公式表示：
Figure BDA0003018307260000101
例如，在第i个节点的实时接收数据矩阵CR中，第k行第j列的元素
Figure BDA0003018307260000102
的元素值为在k个时间段Tk内，属于第j种数据兴趣Ij下的数据的数量；在上述公式中，vj代表数据兴趣值，如果数据属于第j种兴趣，则vj＝1，否则vj＝0。按照上述规则，可以得到第i个节点当前感知周期下的实时接收数据矩阵CR和实时分发数据矩阵CD，以及上一感知周期的实时接收数据矩阵和实时分发数据矩阵，将上一感知周期的实时接收数据矩阵和实时分发数据矩阵作为当前感知周期的历史接收数据矩阵HR和历史分发数据矩阵HD。
节点按照预设的感知周期来定期更新历史接收数据矩阵和历史分发数据矩阵，因此，在当前感知周期结束时刻时，依据历史接收数据矩阵和实时接收数据矩阵可以得到更新接收数据矩阵UR，依据历史分发数据矩阵和实时分发数据矩阵可以得到更新分发数据矩阵UD；利用更新接收数据矩阵UR即可计算出能体现节点在不同时间段的自身兴趣感知的节点自身兴趣分时矩阵SI，利用更新接收数据矩阵UD即可计算出能体现节点在不同时间段的自身兴趣感知的节点自身兴趣分时矩阵CI，具体地，在S14中，计算第i个节点的节点自身兴趣分时矩阵的具体公式为：
Figure BDA0003018307260000103
计算第i个节点的兴趣社区分时矩阵的具体公式为：
Figure BDA0003018307260000104
其中，
Figure BDA0003018307260000105
为第i个节点的节点自身兴趣分时矩阵中第k行第j列的元素；
Figure BDA0003018307260000106
为第i个节点的更新接收数据矩阵中第k行第j列的元素，具体取决于第i个节点的历史接收数据矩阵和实时接收数据矩阵；
Figure BDA0003018307260000107
为第i个节点的更新接收数据矩阵中第k行元素的平均值，
Figure BDA0003018307260000111
为第i个节点的历史接收数据矩阵中第k行第j列的元素，
Figure BDA0003018307260000112
为第i个节点的实时接收数据矩阵中第k行第j列的元素，τ为调节因子；
Figure BDA0003018307260000113
为第i个节点的兴趣社区分时矩阵中第k行第j列的元素；
Figure BDA0003018307260000114
为第i个节点的更新分发数据矩阵中第k行第j列的元素，具体取决于第i个节点的历史分发数据矩阵和实时分发数据矩阵；
Figure BDA0003018307260000115
为第i个节点的历史分发数据矩阵中第k行第j列的元素，
Figure BDA0003018307260000116
为第i个节点的实时分发数据矩阵中第k行第j列的元素；
若令k＝current为第i个节点在当前感知周期内的当前时间段，则第i个节点对第j种数据兴趣的数据接收率是指在当前时间段下，第j种数据兴趣的数据在当前感知周期的过去某一个时间段被第i个节点接收的概率，因此利用实时接收数据矩阵CD即可计算出节点对每种数据兴趣的数据接收率，具体地，在S14中，计算第i个节点对第j种数据兴趣的数据接收率的具体公式为：
Figure BDA0003018307260000117
其中，current-(M-L2)为在所述感知周期内的当前时间段current之前的第M-L2个过去时间段，
Figure BDA0003018307260000118
为第i个节点对第j种数据兴趣的数据接收率，M为所述感知周期的时间段总数；
而第i个节点对第j种数据兴趣的数据需求率是指在当前时间段下，第j种数据兴趣的数据在当前感知周期的未来某一个时间段被第i个节点需要的概率，因此利用更新分发数据矩阵UD即可计算出节点对每种数据兴趣的数据需求率，具体地，在S14中，计算第i个节点对第j种数据兴趣的数据需求率的具体公式为：
Figure BDA0003018307260000119
其中，current+L1为在所述感知周期内的当前时间段current之后的第L个未来时间段，
Figure BDA0003018307260000121
为第i个节点对第j种数据兴趣的数据需求率。
优选地，合作度信息集包括选取的相遇节点对中每个相遇节点的节点自身合作度以及每个相遇节点对每种数据兴趣的社区合作度；在S2中，得到选取的两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集，具体包括以下步骤：
S21：根据选取的相遇节点对中的每个相遇节点对应的节点自身兴趣分时矩阵、实时接收数据矩阵和更新接收数据矩阵，分别构建每个相遇节点对应的节点自身分时评价矩阵；并根据每个相遇节点对应的兴趣社区分时矩阵分别构建对应的分时社区评价矩阵；
S22：根据每个相遇节点对应的节点自身分时评价矩阵分别计算得到对应的节点自身合作度；并根据每个相遇节点对应的分时社区评价矩阵分别计算得到对应的相遇节点对每种数据兴趣的社区合作度；
计算相遇节点i1的节点自身合作度的具体公式为：
Figure BDA0003018307260000122
计算相遇节点i1对第j种数据兴趣的社区合作度的具体公式为：
Figure BDA0003018307260000123
其中，
Figure BDA0003018307260000124
为相遇节点i1的节点自身合作度，
Figure BDA0003018307260000125
为相遇节点i1对第j种数据兴趣的社区合作度，M为当前预设周期t内的时间段总数，N为相遇节点i1的数据兴趣总数，
Figure BDA0003018307260000126
为相遇节点i1的节点自身分时评价矩阵中第k行第j列的元素，
Figure BDA0003018307260000127
为相遇节点i1的分时社区评价矩阵中第k行第j列的元素；
S23：从选取的相遇节点对中确定出待流出节点和待流入节点，依次采用第一预处理函数和第二预处理函数对所述待流出节点的分时社区评价矩阵进行预处理，得到所述待流出节点的社区分时合作向量和社区整体合作向量；采用第三预处理函数对所述待流出节点的节点自身分时评价矩阵进行预处理，得到所述待流出节点的节点分时合作向量；
S24：基于所述贝叶斯分类方法，将所述待流出节点的社区分时合作向量、社区整体合作向量和节点分时合作向量分别输入预设的朴素贝叶斯分类器中，得到所述待流出节点相对于所述待流入节点的合作类型向量。
当网络中两个节点相遇，节点自身合作度体现了节点根据自身的数据需求状况，社区合作度则体现了不同兴趣社区对节点的合作度评价；两个相遇节点之间的合作类型向量能体现出中两个相遇节点的合作类型，基于每个相遇节点的节点自身合作度和对每种数据兴趣的社区合作度，以及两个相遇节点之间的合作类型向量来进行数据分发，可以全面地考虑理性节点的合作度调节能力，既考虑了节点自私的本质，又考虑了节点的性能需求，便于后续实现更好地自适应数据分发。本实施例依据每个相遇节点对应的节点自身兴趣分时矩阵、实时接收数据矩阵和更新接收数据矩阵，来分别构建节点自身分时评价矩阵，并根据每个相遇节点对应的兴趣社区分时矩阵分别构建对应的分时社区评价矩阵，使得后续计算的节点自身合作度和社区合作度也进行了分时处理，便于得到更加准确的合作度信息集，进而便于提高合作度调节能力；两个节点相遇，为了进行数据分发，必然是其中一个节点为待流出节点，另一个为待流入节点，因此通过确定待流出节点和待流入节点，便于后续进行预处理以及基于贝叶斯分类方法来确定出待流出节点相对于待流入节点的合作类型向量，进而便于实现待流入节点对待流出节点的数据分发。
具体地，在S21中，构建选取的相遇节点对的其中一个相遇节点i1的节点自身分时评价矩阵的具体公式为：
Figure BDA0003018307260000131
其中，
Figure BDA0003018307260000141
为相遇节点i1的节点自身分时评价矩阵中第k行第j列的元素，
Figure BDA0003018307260000142
为相遇节点i1的节点自身兴趣分时矩阵中第k行第j列的元素，
Figure BDA0003018307260000143
为相遇节点i1的实时接收数据矩阵中第k行第j列的元素，
Figure BDA0003018307260000144
为相遇节点i1的更新接收数据矩阵中第k行第j列的元素；
构建相遇节点i1的分时社区评价矩阵的具体公式为：
Figure BDA0003018307260000145
其中，
Figure BDA0003018307260000146
为相遇节点i1的分时社区评价矩阵中第k行第j列的元素。
具体地，在S23中，第一预处理函数、第二预处理函数和第三预处理函数分别如下：
Figure BDA0003018307260000147
其中，f1(val)、f2(val)和f3(val)分别为第一预处理函数、第二预处理函数和第三预处理函数，α1、α2和α3均为比较参数，g1(val)、g2(val)和g3(val)均为中间比较函数值，
Figure BDA0003018307260000148
为
Figure BDA0003018307260000149
经过第一预处理函数处理后的矩阵。
具体地，本实施例S23至S24的处理模型图如图2所示。经S24后得到的合作类型向量所指示的合作类型有五种分类，包括全自私节点、分时段自私节点、社区自私节点、半合作节点和全合作节点，具体如下：
全自私节点：节点完全不参与合作分发。
分时段自私节点：节点只在自己需要数据的时间段，参与合作；
社区自私节点：节点只在自己所属的社区参与合作；
半合作节点：节点在除自己社区之外的部分社区也参与合作；
全合作节点：节点任何时候都参与合作。
优选地，S3具体包括以下步骤：
S31：根据所述待流出节点相对于所述待流入节点的合作类型向量判断出所述待流出节点的节点合作类型，若所述节点合作类型为全自私节点，则执行S32；否则执行S33；
S32：拒绝所述待流入节点对所述待流出节点的数据分发；
S33：若所述节点合作类型为全合作节点，则依次执行S34和S35，完成所述待流入节点对所述待流出节点的数据分发；
若所述节点合作类型为半合作节点，则依次执行S34、S36和S37，完成所述待流入节点对所述待流出节点的数据分发；
若所述节点合作类型为分时段自私节点，判断当前预设周期内的当前时间段是否为合作时段，若是，则依次执行S34、S36和S37，完成所述待流入节点对所述待流出节点的数据分发；否则执行S32；
若所述节点合作类型为社区自私节点，判断所述待流入节点是否处于所述待流出节点的合作社区内，若是，则依次执行S34、S36和S37，完成所述待流入节点对所述待流出节点的数据分发；否则执行S32；
S34：确定所述待流入节点对所述待流出节点的数据请求量；
S35：按照所述数据请求量对所述待流出节点中的携带数据进行数据分发；
S36：根据所述待流入节点的节点自身合作度以及所有社区合作度得到所述待流入节点的第一总合作度；根据所述待流出节点的节点自身合作度和所有社区合作度得到所述待流出节点的第二总合作度；并根据所述数量请求量、所述第一总合作度和所述第二总合作度计算所述待流入节点与所述待流出节点之间的数据传输量；
令相遇节点i1为所述待流入节点，相遇节点i2为所述待流出节点，则计算所述第一总合作度和所述第二总合作度的具体公式分别为：
Figure BDA0003018307260000151
Figure BDA0003018307260000161
其中，
Figure BDA0003018307260000162
为所述待流入节点的所述第一总合作度，
Figure BDA0003018307260000163
为所述待流出节点的所述第二总合作度，
Figure BDA0003018307260000164
为所述待流入节点的所有社区合作度的平均值，
Figure BDA0003018307260000165
为所述待流出节点的所有社区合作度的平均值，ω1和ω2均为权重因子；
计算所述待流入节点与所述待流出节点之间的数据传输量的具体公式为：
Figure BDA0003018307260000166
其中，Numtran为所述待流入节点与所述待流出节点之间的数据传输量，Numreq为所述待流入节点对所述待流出节点的数据请求量；
S37：按照所述数据传输量对所述待流出节点中的携带数据进行数据分发。
每个节点将数据存储在存储器buffer中，根据数据是否是此节点感兴趣的数据，可以将buffer分成两部分管理：目的数据和携带数据；目的数据是节点感兴趣的、以此节点为目的地的数据；当节点遇到目的数据时，必然要接收它；携带数据是节点不感兴趣，为了提高数据分发效率，帮助存储转发的数据。当两个节点相遇，依据合作度类型向量和合作度信息集来进行后续的数据分发，能激励节点的合作行为。当依据合作类型向量确定出待流出节点相对于待流入节点的合作类型时，根据类型不同作出不同处理：
1)自私节点：待流入节点拒绝待流出节点的数据分发请求；
2)分时段自私节点：如果处于非合作时段，待流入节点拒绝待流出节点的数据分发请求；如果处于合作时段，则待流入节点根据合作度来进行有限制的数据分发；
3)社区自私节点：如果处于非合作社区，待流入节点拒绝待流出节点的数据分发请求；如果处于合作社区，则待流入节点根据合作度来进行有限制的数据分发；
4)半合作节点：待流入节点根据合作度来进行有限制的数据分发；
5)全合作节点：直接进行数据分发。
其中，根据合作度进行有限制的分发是指根据待流入节点的第一总合作度和待流出节点的第二总合作度以及已确定出的待流入节点对待流出节点的数据请求量，能够确定待流入节点对待流出节点进行分发的数据量；本实施例根据节点的合作类型来进行节点之间不同策略的数据分发，可以降低具有自私行为的节点数据传输量，从而降低其数据满足率，进而激励节点调整自身的合作度，起到激励节点合作的作用，达到显著提高数据分发效率的目的。
优选地，S34具体包括以下步骤：
S341：获取所述待流出节点中每个携带数据的有效分发时间；
S342：选取所述待流出节点中第j种数据兴趣下的任一个携带数据，根据所述待流入节点对第j种数据兴趣的数据需求率和数据接收率，以及选取的携带数据的有效分发时间，计算得到选取的携带数据的数据价值；
令相遇节点i1为所述待流入节点，则选取的携带数据Dm的数据价值的具体计算公式为：
Figure BDA0003018307260000171
其中，Value(Dm)为携带数据Dm的数据价值，
Figure BDA0003018307260000172
为携带数据Dm的有效分发时间，TTL为携带数据Dm预设的生存时间；
Figure BDA0003018307260000173
为在有效分发时间
Figure BDA0003018307260000174
内所述待流入节点对第j种数据兴趣的有效数据需求率，Γj为所述待流入节点对第j种数据兴趣的数据接收率；
S343：遍历所述待流出节点中的每个携带数据，按照S342的方法，得到所述待流出节点的每个携带数据一一对应的数据价值；
S344：对所述待流出节点的所有数据价值进行降序排列，得到价值序列，并根据预设价值阈值从所述价值序列的前端中确定出所述数据请求量。
当两个节点相遇，待流入节点对待流出节点中的携带数据，需要根据数据价值来选择数据分发以及数据请求量时，因此，本实施例通过计算待流出节点的每个携带数据一一对应的数据价值，基于数据价值调节和自适应的分发策略，能调整整个社会感知网络的整体分发性能，提高数据分发效率。每个携带数据对于不同节点的数据价值是不同，本实施例综合考虑有效分发时间、数据需求率和数据接收率来计算每个携带数据的数据价值，能从全方面考虑数据价值，得到每个携带数据相对于待流出节点更加准确的数据价值，对所有数据价值进行降序排列，得到价值序列，再依据预设价值阈值来帮助调节后续数据分发的优先级和数量，从而更能适应动态网络中数据需求的变化，进而有效提高分发效率。预设价值阈值可根据实际情况选择和调整。
具体地，在考虑数据的有效分发时间的过程中，每个数据在产生会生成一个生存时间TTL，当TTL到达时，存储在缓存中的数据会因超过生存时间而被丢弃。因此，携带数据Dm的有效分发时间
Figure BDA0003018307260000181
是指为从接收该数据开始，到TTL为止的这段时间。数据的有效分发时间越长，数据分发的可能性越大，数据的价值就越大；
在考虑数据的数据需求率的过程中，节点是否分发此数据依赖于节点在数据的有效分发时间内能接触到的数据需求率。而数据Dm在有效分发时间
Figure BDA0003018307260000182
内，对第j种数据兴趣的有效数据需求率
Figure BDA0003018307260000183
可以通过累加有效分发时间
Figure BDA0003018307260000184
内的数据需求率而得到，其具体计算方法为现有技术，具体细节之处不再赘述。
Figure BDA0003018307260000185
的值越大，对第j种数据兴趣的需求率越多，此数据的价值就越大；
而对于数据的数据接收率，对第j种数据兴趣的数据接收率Γj的值越大，则说明此类数据已被接收的可能性越大，携带此数据的节点越多，因此数据的价值就越小。
具体地，本实施例中根据节点合作类型来进行数据分发的流程如图3所示。本实施例还按照S1至S4的完整步骤进行仿真实验，本实施例提出的基于贝叶斯分类的环境自适应路由方法简称NB_EAR，分别与经典算法SimBet(指基于相似度和中介中心的路由方法)、Prophet(指基于历史相遇信息的路由方法)和Epidemic(指基于洪泛式的路由方法)进行比较。仿真实验采用ONE平台进行，数据集采用IEEE INFOCOM 2006的数据集，实验进行144000秒，每18000秒采集一次指标数据，每实验运行30次，取平均值。在本实施例提出的路由方法中，还进行了三种不同情况下的对比实验，分别为NB_EAR-0、NB_EAR-50、NB_EAR-70，该三种情况分别表示自私结点为0％、50％、70％情况下NB_EAR的实验数据；而经典算法SimBet、Prophet、Epidemic实验中的结点为全合作结点。每种情况下的仿真实验均得到四项实验指标，对比曲线图如图4至图7所示，四项实验指标分别为数据传递率delivery(越大越好)、负载overhead(越小越好)、延迟latency(越小越好)、平均跳数hop-count(越小越好)。实验结果表明，本实施例的路由方法在数据传递率和负载方面具有明显的优越性能，在延迟和平均跳数方面也接近最优性能。
实施例二、如图8所示，一种基于贝叶斯分类的环境自适应路由系统，应用于实施例一的基于贝叶斯分类的环境自适应路由方法中，包括建模感知模块、合作判断模块、自适应分发模块和遍历模块；
所述建模感知模块，用于构建社会感知网络的动态网络环境学习模型，利用所述动态网络环境学习模型对所述社会感知网络中每个节点分别进行动态感知，得到每个节点的动态感知信息集；
所述合作判断模块，用于选取所述社会感知网络中的任一相遇节点对，基于贝叶斯分类方法，根据选取的相遇节点对中两个相遇节点的动态感知信息集，得到选取的两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集；
所述自适应分发模块，用于按照预设的自适应数据分发策略，根据选取的相遇节点对中两个相遇节点的动态感知信息集、合作度信息集，以及两个相遇节点之间的合作类型向量，完成选取的相遇节点对中两个相遇节点之间的数据分发；
所述遍历模块，用于遍历所述社会感知网络中的每个相遇节点对，并循环执行所述合作判断模块和所述自适应分发模块的功能，完成所述社会感知网络的数据分发。
本实施例的基于贝叶斯分类的环境自适应路由系统，能实现动态的社会感知网络中的数据分发，有效提高动态变化网络环境的自我感知性、增强数据分发策略的自我适应性以及合作度激励机制的自我调节性，进而显著提高了社会感知网络中的数据分发效率，具有重要的应用价值。
优选地，动态感知信息集包括节点的节点自身兴趣分时矩阵和兴趣社区分时矩阵，以及节点对每种数据兴趣的数据需求率和数据接收率；则所述建模感知模块具体用于：
预先设置所述动态网络环境学习模型的感知周期，并将所述感知周期划分为多个时间段；
选取所述社会感知网络中的任一个节点，利用所述动态网络环境学习模型，获取选取的节点的历史数据兴趣收发信息以及选取的节点在所述感知周期内每个时间段的实时数据兴趣收发信息；
采用预设矩阵构建方法，根据选取的节点的历史数据兴趣收发信息构建选取的节点的历史接收数据矩阵和历史分发数据矩阵，并根据选取的节点的实时数据兴趣收发信息构建选取的节点的实时接收数据矩阵和实时分发数据矩阵；
其中，历史接收数据矩阵的所有行、历史分发数据矩阵的所有行、实时接收数据矩阵的所有行和实时分发数据矩阵的所有行均分别与预先划分的所有时间段一一对应，历史接收数据矩阵的所有列、历史分发数据矩阵的所有列、实时接收数据矩阵的所有列和实时分发数据矩阵的所有列均分别与所有种类的数据兴趣一一对应；
根据选取的节点的历史接收数据矩阵和实时接收数据矩阵，计算得到对应的节点自身兴趣分时矩阵；根据选取的节点的实时分发数据矩阵计算得到对应的节点对每种数据兴趣的数据接收率，并根据选取的节点的历史分发数据矩阵和实时分发数据矩阵，计算得到对应的兴趣社区分时矩阵以及对应的节点对每种数据兴趣的数据需求率；
遍历所述社会感知网络中的每个节点，得到每个节点的节点自身兴趣分时矩阵、兴趣社区分时矩阵以及每个节点对每种数据兴趣的数据需求率和数据接收率。
优选地，合作度信息集包括选取的相遇节点对中每个相遇节点的节点自身合作度以及每个相遇节点对每种数据兴趣的社区合作度；所述合作判断模块具体用于：
根据选取的相遇节点对中的每个相遇节点对应的节点自身兴趣分时矩阵、实时接收数据矩阵和更新接收数据矩阵，分别构建每个相遇节点对应的节点自身分时评价矩阵；并根据每个相遇节点对应的兴趣社区分时矩阵分别构建对应的分时社区评价矩阵；
根据每个相遇节点对应的节点自身分时评价矩阵分别计算得到对应的节点自身合作度；并根据每个相遇节点对应的分时社区评价矩阵分别计算得到对应的相遇节点对每种数据兴趣的社区合作度；
计算相遇节点i1的节点自身合作度的具体公式为：
Figure BDA0003018307260000221
计算相遇节点i1对第j种数据兴趣的社区合作度的具体公式为：
Figure BDA0003018307260000222
其中，
Figure BDA0003018307260000223
为相遇节点i1的节点自身合作度，
Figure BDA0003018307260000224
为相遇节点i1对第j种数据兴趣的社区合作度，M为当前预设周期t内的时间段总数，N为相遇节点i1的数据兴趣总数，
Figure BDA0003018307260000225
为相遇节点i1的节点自身分时评价矩阵中第k行第j列的元素，
Figure BDA0003018307260000226
为相遇节点i1的分时社区评价矩阵中第k行第j列的元素；
从选取的相遇节点对中确定出待流出节点和待流入节点，依次采用第一预处理函数和第二预处理函数对所述待流出节点的分时社区评价矩阵进行预处理，得到所述待流出节点的社区分时合作向量和社区整体合作向量；采用第三预处理函数对所述待流出节点的节点自身分时评价矩阵进行预处理，得到所述待流出节点的节点分时合作向量；
基于所述贝叶斯分类方法，将所述待流出节点的社区分时合作向量、社区整体合作向量和节点分时合作向量分别输入预设的朴素贝叶斯分类器中，得到所述待流出节点相对于所述待流入节点的合作类型向量。
优选地，所述自适应分发模块具体用于：
根据所述待流出节点相对于所述待流入节点的合作类型向量判断出所述待流出节点的节点合作类型；
若所述节点合作类型为全自私节点，拒绝所述待流入节点对所述待流出节点的数据分发；
若所述节点合作类型为全合作节点，则确定所述待流入节点对所述待流出节点的数据请求量；按照所述数据请求量对所述待流出节点中的携带数据进行数据分发，完成所述待流入节点对所述待流出节点的数据分发；
若所述节点合作类型为半合作节点，则确定所述待流入节点对所述待流出节点的数据请求量；根据所述待流入节点的节点自身合作度以及所有社区合作度得到所述待流入节点的第一总合作度；根据所述待流出节点的节点自身合作度和所有社区合作度得到所述待流出节点的第二总合作度；并根据所述数量请求量、所述第一总合作度和所述第二总合作度计算所述待流入节点与所述待流出节点之间的数据传输量；按照所述数据传输量对所述待流出节点中的携带数据进行数据分发，完成所述待流入节点对所述待流出节点的数据分发；
若所述节点合作类型为分时段自私节点，判断当前预设周期内的当前时间段是否为合作时段，若是，则确定所述待流入节点对所述待流出节点的数据请求量；根据所述待流入节点的节点自身合作度以及所有社区合作度得到所述待流入节点的第一总合作度；根据所述待流出节点的节点自身合作度和所有社区合作度得到所述待流出节点的第二总合作度；并根据所述数量请求量、所述第一总合作度和所述第二总合作度计算所述待流入节点与所述待流出节点之间的数据传输量；按照所述数据传输量对所述待流出节点中的携带数据进行数据分发，完成所述待流入节点对所述待流出节点的数据分发；否则拒绝所述待流入节点对所述待流出节点的数据分发；
若所述节点合作类型为社区自私节点，判断所述待流入节点是否处于所述待流出节点的合作社区内，若是，则确定所述待流入节点对所述待流出节点的数据请求量；根据所述待流入节点的节点自身合作度以及所有社区合作度得到所述待流入节点的第一总合作度；根据所述待流出节点的节点自身合作度和所有社区合作度得到所述待流出节点的第二总合作度；并根据所述数量请求量、所述第一总合作度和所述第二总合作度计算所述待流入节点与所述待流出节点之间的数据传输量；按照所述数据传输量对所述待流出节点中的携带数据进行数据分发，完成所述待流入节点对所述待流出节点的数据分发；否则拒绝所述待流入节点对所述待流出节点的数据分发；
令相遇节点i1为所述待流入节点，相遇节点i2为所述待流出节点，则计算所述第一总合作度和所述第二总合作度的具体公式分别为：
Figure BDA0003018307260000241
Figure BDA0003018307260000242
其中，
Figure BDA0003018307260000243
为所述待流入节点的所述第一总合作度，
Figure BDA0003018307260000244
为所述待流出节点的所述第二总合作度，
Figure BDA0003018307260000245
为所述待流入节点的所有社区合作度的平均值，
Figure BDA0003018307260000246
为所述待流出节点的所有社区合作度的平均值，ω1和ω2均为权重因子；
计算所述待流入节点与所述待流出节点之间的数据传输量的具体公式为：
Figure BDA0003018307260000247
其中，Numtran为所述待流入节点与所述待流出节点之间的数据传输量，Numreq为所述待流入节点对所述待流出节点的数据请求量。
本实施例中的未尽细节，详见实施例一以及图1至图7的具体描述内容，此处不再赘述。
实施例三、基于实施例一和实施例二，本实施例还公开了一种基于贝叶斯分类的环境自适应路由系统，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现所述S1至S4的具体步骤。
通过存储在存储器上的计算机程序，并运行在处理器上，能实现动态的社会感知网络中的数据分发，有效提高动态变化网络环境的自我感知性、增强数据分发策略的自我适应性以及合作度激励机制的自我调节性，进而显著提高了社会感知网络中的数据分发效率，具有重要的应用价值。
本实施例还提供一种计算机存储介质，所述计算机存储介质上存储有至少一个指令，所述指令被执行时实现所述S1至S4的具体步骤。
通过执行包含至少一个指令的计算机存储介质，能实现动态的社会感知网络中的数据分发，有效提高动态变化网络环境的自我感知性、增强数据分发策略的自我适应性以及合作度激励机制的自我调节性，进而显著提高了社会感知网络中的数据分发效率，具有重要的应用价值。
本实施例中的未尽细节，详见实施例一以及图1至图7的具体描述内容，此处不再赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (5)

1.一种基于贝叶斯分类的环境自适应路由方法，其特征在于，包括以下步骤：
步骤1：构建社会感知网络的动态网络环境学习模型，利用所述动态网络环境学习模型对所述社会感知网络中每个节点分别进行动态感知，得到每个节点的动态感知信息集；
步骤2：选取所述社会感知网络中的任一相遇节点对，基于贝叶斯分类方法，根据选取的相遇节点对中两个相遇节点的动态感知信息集，得到选取的两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集；
步骤3：按照预设的自适应数据分发策略，根据选取的相遇节点对中两个相遇节点的动态感知信息集、合作度信息集，以及两个相遇节点之间的合作类型向量，完成选取的相遇节点对中两个相遇节点之间的数据分发；
步骤4：遍历所述社会感知网络中的每个相遇节点对，按照所述步骤2至所述步骤3的方法，完成所述社会感知网络的数据分发；
所述动态感知信息集包括节点的节点自身兴趣分时矩阵和兴趣社区分时矩阵，以及节点对每种数据兴趣的数据需求率和数据接收率；则所述步骤1中，得到每个节点的动态感知信息集的具体步骤包括：
步骤11：预先设置所述动态网络环境学习模型的感知周期，并将所述感知周期划分为多个时间段；
步骤12：选取所述社会感知网络中的任一个节点，利用所述动态网络环境学习模型，获取选取的节点的历史数据兴趣收发信息以及选取的节点在所述感知周期内每个时间段的实时数据兴趣收发信息；
步骤13：采用预设矩阵构建方法，根据选取的节点的历史数据兴趣收发信息构建选取的节点的历史接收数据矩阵和历史分发数据矩阵，并根据选取的节点的实时数据兴趣收发信息构建选取的节点的实时接收数据矩阵和实时分发数据矩阵；
其中，历史接收数据矩阵的所有行、历史分发数据矩阵的所有行、实时接收数据矩阵的所有行和实时分发数据矩阵的所有行均分别与预先划分的所有时间段一一对应，历史接收数据矩阵的所有列、历史分发数据矩阵的所有列、实时接收数据矩阵的所有列和实时分发数据矩阵的所有列均分别与所有种类的数据兴趣一一对应；
步骤14：根据选取的节点的历史接收数据矩阵和实时接收数据矩阵，计算得到对应的节点自身兴趣分时矩阵；根据选取的节点的实时分发数据矩阵计算得到对应的节点对每种数据兴趣的数据接收率，并根据选取的节点的历史分发数据矩阵和实时分发数据矩阵，计算得到对应的兴趣社区分时矩阵以及对应的节点对每种数据兴趣的数据需求率；
步骤15：遍历所述社会感知网络中的每个节点，按照所述步骤12至所述步骤14的方法，得到每个节点的节点自身兴趣分时矩阵、兴趣社区分时矩阵以及每个节点对每种数据兴趣的数据需求率和数据接收率；
所述合作度信息集包括选取的相遇节点对中每个相遇节点的节点自身合作度以及每个相遇节点对每种数据兴趣的社区合作度；在所述步骤2中，得到选取的两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集，具体包括以下步骤：
步骤21：根据选取的相遇节点对中的每个相遇节点对应的节点自身兴趣分时矩阵、实时接收数据矩阵和更新接收数据矩阵，分别构建每个相遇节点对应的节点自身分时评价矩阵；并根据每个相遇节点对应的兴趣社区分时矩阵分别构建对应的分时社区评价矩阵；
步骤22：根据每个相遇节点对应的节点自身分时评价矩阵分别计算得到对应的节点自身合作度；并根据每个相遇节点对应的分时社区评价矩阵分别计算得到对应的相遇节点对每种数据兴趣的社区合作度；
计算相遇节点i1的节点自身合作度的具体公式为：
Figure FDA0003932328440000031
计算相遇节点i1对第j种数据兴趣的社区合作度的具体公式为：
Figure FDA0003932328440000032
其中，
Figure FDA0003932328440000033
为相遇节点i1的节点自身合作度，
Figure FDA0003932328440000034
为相遇节点i1对第j种数据兴趣的社区合作度，M为当前预设周期t内的时间段总数，N为相遇节点i1的数据兴趣总数，
Figure FDA0003932328440000035
为相遇节点i1的节点自身分时评价矩阵中第k行第j列的元素，
Figure FDA0003932328440000036
为相遇节点i1的分时社区评价矩阵中第k行第j列的元素；
步骤23：从选取的相遇节点对中确定出待流出节点和待流入节点，依次采用第一预处理函数和第二预处理函数对所述待流出节点的分时社区评价矩阵进行预处理，得到所述待流出节点的社区分时合作向量和社区整体合作向量；采用第三预处理函数对所述待流出节点的节点自身分时评价矩阵进行预处理，得到所述待流出节点的节点分时合作向量；
步骤24：基于所述贝叶斯分类方法，将所述待流出节点的社区分时合作向量、社区整体合作向量和节点分时合作向量分别输入预设的朴素贝叶斯分类器中，得到所述待流出节点相对于所述待流入节点的合作类型向量；
所述步骤3具体包括以下步骤：
步骤31：根据所述待流出节点相对于所述待流入节点的合作类型向量判断出所述待流出节点的节点合作类型，若所述节点合作类型为全自私节点，则执行步骤32；否则执行步骤33；
步骤32：拒绝所述待流入节点对所述待流出节点的数据分发；
步骤33：若所述节点合作类型为全合作节点，则依次执行步骤34和步骤35，完成所述待流入节点对所述待流出节点的数据分发；
若所述节点合作类型为半合作节点，则依次执行所述步骤34、步骤36和步骤37，完成所述待流入节点对所述待流出节点的数据分发；
若所述节点合作类型为分时段自私节点，判断当前预设周期内的当前时间段是否为合作时段，若是，则依次执行所述步骤34、所述步骤36和所述步骤37，完成所述待流入节点对所述待流出节点的数据分发；否则执行所述步骤32；
若所述节点合作类型为社区自私节点，判断所述待流入节点是否处于所述待流出节点的合作社区内，若是，则依次执行所述步骤34、所述步骤36和所述步骤37，完成所述待流入节点对所述待流出节点的数据分发；否则执行所述步骤32；
步骤34：确定所述待流入节点对所述待流出节点的数据请求量；
步骤35：按照所述数据请求量对所述待流出节点中的携带数据进行数据分发；
步骤36：根据所述待流入节点的节点自身合作度以及所有社区合作度得到所述待流入节点的第一总合作度；根据所述待流出节点的节点自身合作度和所有社区合作度得到所述待流出节点的第二总合作度；并根据所述数据 请求量、所述第一总合作度和所述第二总合作度计算所述待流入节点与所述待流出节点之间的数据传输量；
令相遇节点i1为所述待流入节点，相遇节点i2为所述待流出节点，则计算所述第一总合作度和所述第二总合作度的具体公式分别为：
Figure FDA0003932328440000041
Figure FDA0003932328440000042
其中，
Figure FDA0003932328440000043
为所述待流入节点的所述第一总合作度，
Figure FDA0003932328440000044
为所述待流出节点的所述第二总合作度，
Figure FDA0003932328440000051
为所述待流入节点的所有社区合作度的平均值，
Figure FDA0003932328440000052
为所述待流出节点的所有社区合作度的平均值，ω1和ω2均为权重因子；
计算所述待流入节点与所述待流出节点之间的数据传输量的具体公式为：
Figure FDA0003932328440000053
其中，Numtran为所述待流入节点与所述待流出节点之间的数据传输量，Numreq为所述待流入节点对所述待流出节点的数据请求量；
步骤37：按照所述数据传输量对所述待流出节点中的携带数据进行数据分发。
2.根据权利要求1所述的基于贝叶斯分类的环境自适应路由方法，其特征在于，所述步骤34具体包括以下步骤：
步骤341：获取所述待流出节点中每个携带数据的有效分发时间；
步骤342：选取所述待流出节点中第j种数据兴趣下的任一个携带数据，根据所述待流入节点对第j种数据兴趣的数据需求率和数据接收率，以及选取的携带数据的有效分发时间，计算得到选取的携带数据的数据价值；
令相遇节点i1为所述待流入节点，则选取的携带数据Dm的数据价值的具体计算公式为：
Figure FDA0003932328440000054
其中，Value(Dm)为携带数据Dm的数据价值，
Figure FDA0003932328440000055
为携带数据Dm的有效分发时间，TTL为携带数据Dm预设的生存时间；
Figure FDA0003932328440000056
为在有效分发时间
Figure FDA0003932328440000057
内所述待流入节点对第j种数据兴趣的有效数据需求率，Γj为所述待流入节点对第j种数据兴趣的数据接收率；
步骤343：遍历所述待流出节点中的每个携带数据，按照所述步骤342的方法，得到所述待流出节点的每个携带数据一一对应的数据价值；
步骤344：对所述待流出节点的所有数据价值进行降序排列，得到价值序列，并根据预设价值阈值从所述价值序列的前端中确定出所述数据请求量。
3.一种基于贝叶斯分类的环境自适应路由系统，其特征在于，应用于权利要求1至2任一项所述的基于贝叶斯分类的环境自适应路由方法中，包括建模感知模块、合作判断模块、自适应分发模块和遍历模块；
所述建模感知模块，用于构建社会感知网络的动态网络环境学习模型，利用所述动态网络环境学习模型对所述社会感知网络中每个节点分别进行动态感知，得到每个节点的动态感知信息集；
所述合作判断模块，用于选取所述社会感知网络中的任一相遇节点对，基于贝叶斯分类方法，根据选取的相遇节点对中两个相遇节点的动态感知信息集，得到选取的两个相遇节点之间的合作类型向量以及两个相遇节点一一对应的合作度信息集；
所述自适应分发模块，用于按照预设的自适应数据分发策略，根据选取的相遇节点对中两个相遇节点的动态感知信息集、合作度信息集，以及两个相遇节点之间的合作类型向量，完成选取的相遇节点对中两个相遇节点之间的数据分发；
所述遍历模块，用于遍历所述社会感知网络中的每个相遇节点对，并循环执行所述合作判断模块和所述自适应分发模块的功能，完成所述社会感知网络的数据分发；
所述动态感知信息集包括节点的节点自身兴趣分时矩阵和兴趣社区分时矩阵，以及节点对每种数据兴趣的数据需求率和数据接收率；则所述建模感知模块具体用于：
预先设置所述动态网络环境学习模型的感知周期，并将所述感知周期划分为多个时间段；
选取所述社会感知网络中的任一个节点，利用所述动态网络环境学习模型，获取选取的节点的历史数据兴趣收发信息以及选取的节点在所述感知周期内每个时间段的实时数据兴趣收发信息；
采用预设矩阵构建方法，根据选取的节点的历史数据兴趣收发信息构建选取的节点的历史接收数据矩阵和历史分发数据矩阵，并根据选取的节点的实时数据兴趣收发信息构建选取的节点的实时接收数据矩阵和实时分发数据矩阵；
其中，历史接收数据矩阵的所有行、历史分发数据矩阵的所有行、实时接收数据矩阵的所有行和实时分发数据矩阵的所有行均分别与预先划分的所有时间段一一对应，历史接收数据矩阵的所有列、历史分发数据矩阵的所有列、实时接收数据矩阵的所有列和实时分发数据矩阵的所有列均分别与所有种类的数据兴趣一一对应；
根据选取的节点的历史接收数据矩阵和实时接收数据矩阵，计算得到对应的节点自身兴趣分时矩阵；根据选取的节点的实时分发数据矩阵计算得到对应的节点对每种数据兴趣的数据接收率，并根据选取的节点的历史分发数据矩阵和实时分发数据矩阵，计算得到对应的兴趣社区分时矩阵以及对应的节点对每种数据兴趣的数据需求率；
遍历所述社会感知网络中的每个节点，得到每个节点的节点自身兴趣分时矩阵、兴趣社区分时矩阵以及每个节点对每种数据兴趣的数据需求率和数据接收率；
所述合作度信息集包括选取的相遇节点对中每个相遇节点的节点自身合作度以及每个相遇节点对每种数据兴趣的社区合作度；所述合作判断模块具体用于：
根据选取的相遇节点对中的每个相遇节点对应的节点自身兴趣分时矩阵、实时接收数据矩阵和更新接收数据矩阵，分别构建每个相遇节点对应的节点自身分时评价矩阵；并根据每个相遇节点对应的兴趣社区分时矩阵分别构建对应的分时社区评价矩阵；
根据每个相遇节点对应的节点自身分时评价矩阵分别计算得到对应的节点自身合作度；并根据每个相遇节点对应的分时社区评价矩阵分别计算得到对应的相遇节点对每种数据兴趣的社区合作度；
计算相遇节点i1的节点自身合作度的具体公式为：
Figure FDA0003932328440000081
计算相遇节点i1对第j种数据兴趣的社区合作度的具体公式为：
Figure FDA0003932328440000082
其中，
Figure FDA0003932328440000083
为相遇节点i1的节点自身合作度，
Figure FDA0003932328440000084
为相遇节点i1对第j种数据兴趣的社区合作度，M为当前预设周期t内的时间段总数，N为相遇节点i1的数据兴趣总数，
Figure FDA0003932328440000085
为相遇节点i1的节点自身分时评价矩阵中第k行第j列的元素，
Figure FDA0003932328440000086
为相遇节点i1的分时社区评价矩阵中第k行第j列的元素；
从选取的相遇节点对中确定出待流出节点和待流入节点，依次采用第一预处理函数和第二预处理函数对所述待流出节点的分时社区评价矩阵进行预处理，得到所述待流出节点的社区分时合作向量和社区整体合作向量；采用第三预处理函数对所述待流出节点的节点自身分时评价矩阵进行预处理，得到所述待流出节点的节点分时合作向量；
基于所述贝叶斯分类方法，将所述待流出节点的社区分时合作向量、社区整体合作向量和节点分时合作向量分别输入预设的朴素贝叶斯分类器中，得到所述待流出节点相对于所述待流入节点的合作类型向量；
所述自适应分发模块包括：
数据获取单元，用于获取所述待流出节点中每个携带数据的有效分发时间；
第一数据价值计算单元，用于选取所述待流出节点中第j种数据兴趣下的任一个携带数据，根据所述待流入节点对第j种数据兴趣的数据需求率和数据接收率，以及选取的携带数据的有效分发时间，计算得到选取的携带数据的数据价值；
令相遇节点i1为所述待流入节点，则选取的携带数据Dm的数据价值的具体计算公式为：
Figure FDA0003932328440000091
其中，Value(Dm)为携带数据Dm的数据价值，
Figure FDA0003932328440000092
为携带数据Dm的有效分发时间，TTL为携带数据Dm预设的生存时间；
Figure FDA0003932328440000093
为在有效分发时间
Figure FDA0003932328440000094
内所述待流入节点对第j种数据兴趣的有效数据需求率，Γj为所述待流入节点对第j种数据兴趣的数据接收率；
第二数据价值计算单元，用于遍历所述待流出节点中的每个携带数据，按照所述数据价值计算单元的处理过程，得到所述待流出节点的每个携带数据一一对应的数据价值；
数据请求量确定单元，用于对所述待流出节点的所有数据价值进行降序排列，得到价值序列，并根据预设价值阈值从所述价值序列的前端中确定出所述数据请求量。
4.一种基于贝叶斯分类的环境自适应路由系统，其特征在于，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1至2任一项权利要求所述的方法步骤。
5.一种计算机存储介质，其特征在于，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现如权利要求1至2任一项所述的方法步骤。
CN202110395123.XA 2021-04-13 2021-04-13 一种基于贝叶斯分类的环境自适应路由方法、系统和介质 Active CN113301627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110395123.XA CN113301627B (zh) 2021-04-13 2021-04-13 一种基于贝叶斯分类的环境自适应路由方法、系统和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110395123.XA CN113301627B (zh) 2021-04-13 2021-04-13 一种基于贝叶斯分类的环境自适应路由方法、系统和介质

Publications (2)

Publication Number Publication Date
CN113301627A CN113301627A (zh) 2021-08-24
CN113301627B true CN113301627B (zh) 2023-04-07

Family

ID=77319669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110395123.XA Active CN113301627B (zh) 2021-04-13 2021-04-13 一种基于贝叶斯分类的环境自适应路由方法、系统和介质

Country Status (1)

Country Link
CN (1) CN113301627B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011199677A (ja) * 2010-03-19 2011-10-06 Fujitsu Ltd データ転送装置、データ転送プログラムおよびデータ転送方法
CN102868602A (zh) * 2012-10-12 2013-01-09 南京邮电大学 一种容迟网络中基于社会关联度的改进路由方法
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
CN105847149A (zh) * 2016-03-18 2016-08-10 北京理工大学 基于多层网络的无线容迟网络路由方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011199677A (ja) * 2010-03-19 2011-10-06 Fujitsu Ltd データ転送装置、データ転送プログラムおよびデータ転送方法
CN102868602A (zh) * 2012-10-12 2013-01-09 南京邮电大学 一种容迟网络中基于社会关联度的改进路由方法
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
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
CN105847149A (zh) * 2016-03-18 2016-08-10 北京理工大学 基于多层网络的无线容迟网络路由方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
IRS: Incentive Based Routing Strategy for Socially;Amit Kumar Singh，Rajendra Pamula;《2018 5th International Conference on Signal Precessing and Integrated Networks(SPIN)》;20180223;全文 *
社会感知网络中基于兴趣的数据传输策略研究;李杰;《硕士毕业论文》;20140320;全文 *
社会感知网络路由及激励机制研究;刘丽;《博士毕业论文》;20140901;第1-2、5-6章 *

Also Published As

Publication number Publication date
CN113301627A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
Huang et al. An effective service-oriented networking management architecture for 5G-enabled internet of things
Zhong et al. A deep reinforcement learning-based framework for content caching
CN110809306B (zh) 一种基于深度强化学习的终端接入选择方法
CN109218747A (zh) 超密集异构网络中基于用户移动性的视频业务分类缓存方法
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
Tian et al. Efficient federated DRL-based cooperative caching for mobile edge networks
Chang et al. Multirate data collection using mobile sink in wireless sensor networks
Arkian et al. FcVcA: A fuzzy clustering-based vehicular cloud architecture
Wu et al. Behavior prediction based on interest characteristic and user communication in opportunistic social networks
CN105636062A (zh) 一种面向业务适度服务的认知无线网络传输学习方法
Chen et al. Crowdcaching: Incentivizing D2D-enabled caching via coalitional game for IoT
Xu et al. MECC: a mobile edge collaborative caching framework empowered by deep reinforcement learning
Radenkovic et al. Cognitive caching at the edges for mobile social community networks: A multi-agent deep reinforcement learning approach
CN116321307A (zh) 一种无蜂窝网络中基于深度强化学习的双向缓存放置方法
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
Pathak et al. Comparative study of clustering algorithms for MANETs
CN113301627B (zh) 一种基于贝叶斯分类的环境自适应路由方法、系统和介质
Jiang et al. Asynchronous federated and reinforcement learning for mobility-aware edge caching in IoVs
Wang et al. Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing
Bölöni et al. Should I send now or send later? A decision‐theoretic approach to transmission scheduling in sensor networks with mobile sinks
Wang et al. An optimized ant colony algorithm based on the gradual changing orientation factor for multi-constraint QoS routing
Wang et al. Modeling on resource allocation for age-sensitive mobile edge computing using federated multi-agent reinforcement learning
Khan et al. An efficient optimization technique for node clustering in VANETs using gray wolf optimization
CN116389347A (zh) 一种基于强化学习的动态sdn路由优化算法
Huang et al. WorkerFirst: Worker-centric model selection for federated learning in mobile edge computing

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