CN113783725B - 一种基于高通滤波器和改进rnn的机会网络链路预测方法 - Google Patents
一种基于高通滤波器和改进rnn的机会网络链路预测方法 Download PDFInfo
- Publication number
- CN113783725B CN113783725B CN202111016066.6A CN202111016066A CN113783725B CN 113783725 B CN113783725 B CN 113783725B CN 202111016066 A CN202111016066 A CN 202111016066A CN 113783725 B CN113783725 B CN 113783725B
- Authority
- CN
- China
- Prior art keywords
- network
- neural network
- pass filter
- node
- link
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种采用高通滤波器和改进RNN的机会网络链路预测方法,该方法是在机会网络场景下,通过结合滤波器和改进的循环神经网络实现链路预测。该方法首先根据网络中节点间链接时长的统计特性,通过线性组合多个高斯密度函数实现高通滤波器设计;然后将网络快照输入到滤波器中进行特征增强;然后将处理后的数据输入到改进后的循环神经网络,捕获机会网络中节点间的时空依赖关系;最终通过一个映射函数输出网络下个时刻的网络快照,实现机会网络的链路预测。本发明能够解决现有技术未考虑特征增强,忽略了不同节点间在时间上的依赖关系的问题。
Description
技术领域
本发明涉及机会网络的链路预测技术领域,特别是涉及一种基于高通滤波器和改进RNN的机会网络链路预测方法。
背景技术
机会网络中利用节点移动逐跳传播将数据从源节点传输到目标节点,进而形成的通信通路,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,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。
循环神经网络(Recurrent Neural Network,RNN)能够有效于处理序列问题,例如:机器翻译、语音识别,近些年在机会网络的链路预测方向大量被应用。J.Chen等人在"E-LSTM-D:A Deep Learning Framework for Dynamic Network Link Prediction,"【IEEETransactions on Systems,June 2021】将长短记忆网络(LSTM)同编码解码器结合到一起,处理动态网络链路预测。Lei等人在"GCN-GAN:ANon-linear Temporal Link PredictionModel for Weighted Dynamic Networks"【INFOCOM.2019】将图卷积(GraphConvolutional Network,GCN)、生成对抗网络(Generative Adversarial Networks,GAN)、LSTM结合起来解决动态网络链路预测问题。然而这些模型普遍将网络中的数据直接输入到模型中去,并未考虑到特征增强,并且直接原始的LSTM只能捕获节点自身在时间上的演化方式,忽略了不同节点间在时间上的依赖关系。
发明内容
针对上述问题,本发明的目的在于提出一种基于高通滤波器和改进RNN的机会网络链路预测方法,将原始的数据集划分为连续的时间快照,首先通过一个高通滤波器对每个快照中的数据进行数据增强,然后将处理后的数据输入到改进的循环神经网络中,捕获节点间的时空依赖,进而学习机会网络的演化方式,以解决现有技术未考虑特征增强,忽略了不同节点间在时间上的依赖关系的问题。
本发明采用的技术方案如下:一种基于高通滤波器和改进RNN的机会网络链路预测方法,包括如下步骤:
S1,根据机会网络中节点间的链接时长的概率分布,通过线性组合多个高斯密度函数函数,实现应用于机会网络数据处理的高通滤波器模块f(·);
S2,将机会网络数据集切分为连续的时间快照G={G1,G2,…,Gk},Gi=(V,E,W),其中V为节点集合,E={<u,v>|u,v∈N,u≠v}为该快照内的边集,其中u,v为机会网络中两个不同的节点,N为机会网络中节点个数,W表示各边的权值,此处特指链接时长,Wuv为u,v节点间的当前链接时长,然后将G输入到步骤S1的高通滤波器中,对重要的信息进行特征增强,得到G′=f(G);
S3,将经过高通滤波器处理后的数据,输入到在循环神经网络基础上改进得到的神经网络中,捕获节点间的时空依赖关系,通过不断迭代和反向传播更新网络参数,最终得到一个预测下个时刻网络链路状态的预测模型。
其中,步骤S1具体包括:
S11,统计机会网络中节点间的链接时长的概率分布,按分布密度大小排序,得到前n个密集分布区间s1,s2,…,sn,在这些时间区间内节点对的次数较为频繁;
S12,为n个密集分布区间分别设计高斯密度函数:
其中,t节点对间的当前链接时长,Ts为每个区间的平均链接时长,σ为超参数;
S13,将上一个步骤中得到的n高斯密度函数做线性组合得到最终的高通滤波器模块f(·):
其中0<αi,且随着fi(·)中Ts的增大而增大,δ(·)为阶跃函数,Tmin为超参数,其表示默认最短链接时长。
其中,步骤S3具体包括:
S31,将通过处理高通滤波器处理后的数据,输入到改进后的循环神经网络中,其中,改进的循环神经网络会同时捕获节点和其邻居的时空依赖关系,改进的循环神经网络中节点i的邻居经由循环神经网络的输出会作为节点i的输入的一部分与节点i的信息一同输入到改进的循环神经网络中;
S32,设计改进的循环神经网络的公式定义如下:
其中u、wi、w为权重,xi t+1为当前节点i的输入,hi t为上一时刻的存储信息,为节点i当前时刻的邻居,hu t为上一时刻节点u经由RNNCell()的输出,hi t+1为下一时刻节点i的输出。
其中,改进的循环神经网络的RNNCell()单元是对循环神经网络进行改进,或者对循环神经网络的变体形式进行改进,循环神经网络的变体形式包括长短期记忆网络(LongShort-Term Memory,LSTM)、门控循环单元(Gate Recurrent Unit,GRU)等。
根据本发明提供的基于高通滤波器和改进RNN的机会网络链路预测方法,具有以下有益效果:
1)通过分析机会网络中的节点间的链接时长的概率分布情况,设计一个应用于机会网络的高通滤波器模块,对重要的信息进行特征增强,过滤掉干扰信息,为方案中的改进的循环神经网络捕获节点间的时空依赖提供基础。
2)在原有的循环神经网络上进行改进,设计了一个全新的循环神经网络模块,该网络除了能够捕获节点自身的演化规律,还能够捕获不同节点之间的时空依赖关系,从而实现了机会网络的链路预测,为机会网络的结构演化分析、路由算法等相关研究提供一定的支撑。
附图说明
图1为本发明提供的基于高通滤波器和改进RNN的机会网络链路预测方法的逻辑流程图;
图2为高通滤波器的示意图;
图3为图循环神经网络单元的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请结合图1,本发明提供一种基于高通滤波器和改进RNN的机会网络链路预测方法,包括如下步骤:
S1,首先根据机会网络的统计特性—节点间的链接时长概率分布,通过线性组合多个高斯密度函数函数,实现应用于机会网络数据处理的高通滤波器模块f(·)。
S2,将机会网络数据集切分为连续的时间快照G={G1,G2,…,Gk},Gi=(V,E,W),其中V为节点集合,E={<u,v>|u,v∈N,u≠v}为该快照内的边集,其中u,v为机会网络中两个不同的节点,N为机会网络中节点个数,W表示各边的权值,此处特指链接时长,Wuv为u,v节点间的当前链接时长,然后将G输入到高通滤波器中,对重要的信息做特征增强,同时过滤掉不重要的信息,得到G′=f(G)。
S3,将经过高通滤波器处理后的数据,输入到在循环神经网络基础上改进得到的新的循环神经网络中,捕获节点间的时空依赖关系,通过不断迭代和反向传播更新网络参数,最终得到一个预测下个时刻网络链路状态的预测模型。
具体的,本发明首先会设计一个高通滤波器模块,如图2所示,其设计步骤如下:
通过统计机会网络中节点间的链接时长的概率分布,按分布密度大小排序,得到前n个密集分布区间s1,s2,…,sn,在这些时间区间内节点对的次数较为频繁。为n个密集分布区间分别设计高斯密度函数其中,t节点对间的当前链接时长,Ts为每个区间的平均链接时长,σ为超参数。进一步将得到的n高斯密度函数做线性组合得到最终的高通滤波器模块 其中0i且随着fi(·)中Ts的增大而增大,δ(·)为脉冲函数,Tmin为超参数,其意义为默认最短链接时长。
本发明设计的改进的循环神经网络,如图3所示,是在循环神经上(RNN)进行改进得到,使得该网络除了能够捕获节点自身的演化规律,还能够捕获不同节点之间的时空依赖关系,具体的设计如下:
本发明设计的改进后的循环神经网络中,节点i的邻居经由循环神经网络的输出会作为节点i的输入的一部分与节点i的信息一同输入到循环神经网络中,改进的循环神经网络的具体的公式定义为 其中u、wi、w为权重,xi t+1为当前节点i的输入,hi t为上一时刻的存储信息,为节点i当前时刻的邻居,hu t为上一时刻节点u经由RNNCell()的输出,hi t+1为下一时刻节点i的输出。改进后的循环神经网络中的RNNCell()除了可以是在基础的循环神经网络(RNN)进行改进,也可以在循环神经网络的其它变体形式进行改进,例如:长短期记忆网络(LSTM)、门控循环单元(GRU)等。
根据上述的基于高通滤波器和改进RNN的机会网络链路预测方法,具有以下有益效果:
1)通过分析机会网络中的节点间的链接时长的概率分布情况,设计一个应用于机会网络的高通滤波器模块,对重要的信息进行特征增强,过滤掉干扰信息,为方案中的改进的循环神经网络捕获节点间的时空依赖提供基础。
2)在原有的循环神经网络上进行改进,设计了一个全新的循环神经网络模块,该网络除了能够捕获节点自身的演化规律,还能够捕获不同节点之间的时空依赖关系,从而实现了机会网络的链路预测,为机会网络的结构演化分析、路由算法等相关研究提供一定的支撑。
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。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (2)
1.一种基于高通滤波器和改进RNN的机会网络链路预测方法,其特征在于,包括如下步骤:
S1,根据机会网络中节点间的链接时长的概率分布,通过线性组合多个高斯密度函数,实现应用于机会网络数据处理的高通滤波器模块f(·);
S2,将机会网络数据集切分为连续的时间快照G={G1,G2,…,Gk},Gi=(V,E,W),其中V为节点集合,E={<u,v>|u,v∈N,u≠v}为该快照内的边集,其中u,v为机会网络中两个不同的节点,N为机会网络中节点个数,W表示各边的权值,此处特指链接时长,Wuv为u,v节点间的当前链接时长,然后将G输入到步骤S1的高通滤波器中,对重要的信息进行特征增强,得到G′=f(G);
S3,将经过高通滤波器处理后的数据,输入到在循环神经网络基础上改进得到的神经网络中,捕获节点间的时空依赖关系,通过不断迭代和反向传播更新网络参数,最终得到一个预测下个时刻网络链路状态的预测模型;
步骤S1具体包括:
S11,统计机会网络中节点间的链接时长的概率分布,按分布密度大小排序,得到前n个密集分布区间s1,s2,…,sn;
S12,为n个密集分布区间分别设计高斯密度函数:
其中,t节点对间的当前链接时长,Ts为每个区间的平均链接时长,σ为超参数;
S13,将上一个步骤中得到的n高斯密度函数做线性组合得到最终的高通滤波器模块f(·):
其中0<αi,且随着fi(·)中Ts的增大而增大,δ(·)为阶跃函数,Tmin为超参数,其表示默认最短链接时长;
步骤S3具体包括:
S31,将通过处理高通滤波器处理后的数据,输入到改进后的循环神经网络中,其中,改进的循环神经网络会同时捕获节点和其邻居的时空依赖关系,改进的循环神经网络中节点i的邻居经由循环神经网络的输出会作为节点i的输入的一部分与节点i的信息一同输入到改进的循环神经网络中;
S32,设计改进的循环神经网络的公式定义如下:
2.根据权利要求1所述的基于高通滤波器和改进RNN的机会网络链路预测方法,其特征在于,改进的循环神经网络的RNNCell()单元是对循环神经网络进行改进,或者对循环神经网络的变体形式进行改进,循环神经网络的变体形式包括长短期记忆网络、门控循环单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111016066.6A CN113783725B (zh) | 2021-08-31 | 2021-08-31 | 一种基于高通滤波器和改进rnn的机会网络链路预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111016066.6A CN113783725B (zh) | 2021-08-31 | 2021-08-31 | 一种基于高通滤波器和改进rnn的机会网络链路预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113783725A CN113783725A (zh) | 2021-12-10 |
CN113783725B true CN113783725B (zh) | 2023-05-09 |
Family
ID=78840497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111016066.6A Active CN113783725B (zh) | 2021-08-31 | 2021-08-31 | 一种基于高通滤波器和改进rnn的机会网络链路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113783725B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882358B (zh) * | 2023-09-07 | 2024-05-28 | 深圳比特微电子科技有限公司 | 滤波器、滤波方法、数据处理系统和芯片 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108923983A (zh) * | 2018-07-13 | 2018-11-30 | 南昌航空大学 | 机会网络链路的预测方法、装置及可读存储介质 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN113065974A (zh) * | 2021-03-16 | 2021-07-02 | 西北工业大学 | 一种基于动态网络表示学习的链路预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10361926B2 (en) * | 2017-03-03 | 2019-07-23 | Nec Corporation | Link prediction with spatial and temporal consistency in dynamic networks |
US11562186B2 (en) * | 2018-09-05 | 2023-01-24 | Siemens Aktiengesellschaft | Capturing network dynamics using dynamic graph representation learning |
-
2021
- 2021-08-31 CN CN202111016066.6A patent/CN113783725B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108923983A (zh) * | 2018-07-13 | 2018-11-30 | 南昌航空大学 | 机会网络链路的预测方法、装置及可读存储介质 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN113065974A (zh) * | 2021-03-16 | 2021-07-02 | 西北工业大学 | 一种基于动态网络表示学习的链路预测方法 |
Non-Patent Citations (3)
Title |
---|
Link Prediction for Opportunistic Network Based on the Attraction between Nodes;Wenjun Zhu,Jian Shu,Linlan Liu;《2021 13th International Conference on Communication Software and Networks (ICCSN)》;全文 * |
基于深度图嵌入的无人机自组网链路预测;舒坚,王启宁,刘琳岚;《通信学报》;第42卷(第07期);全文 * |
时态网络节点相似性度量及链路预测算法;陈东明;袁泽枝;黄新宇;王冬琦;;《东北大学学报(自然科学版)》;第41卷(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113783725A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158543B (zh) | 一种软件定义网络性能智能预测方法 | |
CN108805188B (zh) | 一种基于特征重标定生成对抗网络的图像分类方法 | |
Wang et al. | Ordering-based causal discovery with reinforcement learning | |
CN111126674B (zh) | 基于深度模型的传播预测方法及其系统 | |
Bo et al. | Wind speed forecasting system based on the variational mode decomposition strategy and immune selection multi-objective dragonfly optimization algorithm | |
CN109361920B (zh) | 一种面向多场景的自适应决策树选择的帧间快速预测算法 | |
CN113783725B (zh) | 一种基于高通滤波器和改进rnn的机会网络链路预测方法 | |
JP2021531523A (ja) | 画像処理方法、候補評価方法および関連装置 | |
CN113297427A (zh) | 一种基于u型嵌套网络的图分类方法 | |
CN110826699A (zh) | 一种基于梯度的图神经网络可解释性分析方法 | |
CN115470201A (zh) | 基于图注意力网络的海洋遥感缺失数据智能补全方法 | |
CN115862319A (zh) | 一种面向时空图自编码器的交通流量预测方法 | |
Yang et al. | Soft-mask: adaptive substructure extractions for graph neural networks | |
CN112085164A (zh) | 一种基于无锚框网络的区域推荐网络提取方法 | |
CN116522260A (zh) | 基于极限学习机算法的网络流量在线分类的学习模型 | |
Atwood et al. | Sparse diffusion-convolutional neural networks | |
Li et al. | Intelligent fault detection system for state grid IoT equipment based on edge computing | |
Lu et al. | Lightweight models for traffic classification: A two-step distillation approach | |
CN114124729A (zh) | 一种基于元路径的动态异质网络表示方法 | |
CN108668265B (zh) | 基于循环神经网络预测移动用户间相遇概率的方法 | |
Liao et al. | An online network traffic classification method based on deep learning | |
Campbell et al. | Experiments with simple neural networks for real-time control | |
Munshi et al. | An Analytical Framework for Characterizing Restricted Two Dimensional Cellular Automata Evolution. | |
Antonaki et al. | A process calculus for spatially-explicit ecological models | |
Miao et al. | Infrastructure communication reliability for WSN on cluster topology and tree topology |
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 |