CN114629769B - 自组织网络的流量图谱生成方法 - Google Patents

Abstract

本发明公开了一种自组织网络的流量图谱生成方法，主要解决现有网络表征方式低层次与维度小的缺陷。其方案是：将每个节点对于整体网络拓扑的认知描述为一个元组，构建网络图谱架构；初始化仅有历史状态的流量图谱；构建由业务负载预测模块、移动速度预测模块、缓冲空间预测模块、剩余电量预测模块级联组成的网络特征预测框架，并对其前两个模块进行训练，得到训练后的网络特征预测框架；通过训练后的网络特征预测框架，使用仅有历史状态的流量图谱预测包含未来状态的流量图谱，并将其与仅有历史状态的流量图谱进行交集，获得完整的流量图谱。本发明多层次、多维度的刻画了自组织网络的状态信息与未来态势，可为服务质量支持的通信策略提供支撑。

Description

自组织网络的流量图谱生成方法

技术领域

本发明属于移动通信技术领域，具体地涉及一种流量图谱生成方法，可用于自组织网络。

背景技术

自组织网络是一种由完全对等节点构成，无需任何固定基站设施的分布式自治网络，其中节点具有移动性的称为移动自组织网络。移动自组织网络所具有的自组织、无中心、自适应、快速部署等特点使其已广泛应用于具有特殊需求的领域，如军事、抢险救灾、科学考察等，这些场景下的业务种类涵盖话音、视频与数据，并对传输有不同的服务质量要求。由于移动自组织网络存在的带宽受限、信道共享、节点移动、负载不均衡、能量受限等不足，很难满足网络中业务的服务质量要求。满足服务质量要求需要节点在传输之前进行有效的资源分配，这需要节点能够对网络拓扑结构与节点状态多层次、多维度的刻画，以及能够对网络未来状态进行预测。

重庆邮电大学在其申请的专利文献“一种无人机自组织网络中的节点轨迹预测方法”(申请公布号：CN 112770256 A，申请号：202110013204.9)中公布了基于GRU的自组织网络中的节点轨迹预测方法，该方法将处理后的无人机飞行特征对门控循环单元网络进行训练，采用粒子群优化算法对所述门控循环单元网络中的权值参数进行调优，通过K近邻算法提取出更为合理的飞行特征，有效的降低路由重构次数，实现了网络对于节点当前移动状态的刻画与未来移动状态态势的预测。然而该算法仍然使用传统的路径方式表征网络，导致其无法刻画节点间联系，失去了发现隐藏的可选路由的机会。同时，该方法仅预测了自组织网络节点移动性一个因素，没有综合考虑其它影响传输的节点状态，在能量受限、负载不均衡的场景中发挥不佳。

上海大学在其申请的专利文献“一种混合网络模式下的车载自组织网络路由决策方法”(申请公布号：CN 112887936 A，申请号：202011500377.5)中公布了一种混合网络模式下的车载自组织网络路由决策方法。该方法包括：1)将交通道路结构抽象成有向图；2)获取车辆行驶数据，构建车辆节点移动行为模型；3)获取需要通信两个车辆；4)基于各节点的通信范围，选取候选节点，构建最终通信链路，若无法获取候选节点，则通过RSU构建最终通信链路，若无法获取RSU，则输出目的节点无法通信的结果。该算法提高了车载自组织网络的可靠性、低时延性和高效性。然而该方法将网络表征为图的方式仅适用于道路环境，无法泛化至一般自组织网络。同时，该方法也仅表征了节点的移动性这一个因素来进行决策，无法处理自组织网络节点负载不均衡的问题。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种自组织网络的流量图谱生成方法，以通过流量图谱使用图结构刻画网络整体的拓扑结构以及节点的业务、移动、缓冲空间与能量特征，并通过小波神经网络得到这些特征的未来态势，预测出组织通信网络的状态表征与未来状态态势，保证自组织网络的服务质量。

为实现上述技术目的，本发明的技术方案是这样实现的：

一.技术原理：

流量图谱是一种多层次、多维度的数据结构。在空间维度上，流量图谱描述低层次的网络拓扑结构与链路状态与高层次的节点状态信息；在时间维度上，流量图谱刻画了节点的过去状态与图谱对其未来态势的预测。多层次、多维度的设计确保网络流量图谱掌握较为完整的网络状态信息。

节点通过构建流量图谱掌握网络状态，可以通过图谱感知网络中存在能量不足、业务负载不均匀、移动性变化大的节点，并预测其未来态势。可以以此为基础规划端到端的传输算法或路由算法，通过负载均衡、质量保证路由的方式，规划网络中的业务流，进行有效的资源分配，均衡网络的能源与负载压力，满足网络中业务的服务质量要求。

二.根据上述原理，本发明自组织网络的流量图谱生成方法，其特征在于，包括如下：

(1)将每个节点对于整体网络拓扑的认知描述为一个元组，即流量图谱G：

其中，V＝{v₁，v₂，...，v_i，...，v_n}表示G中全部点的集合，代表所有本节点了解自组织网络节点，V_i为V中的第i个节点，n为节点总数，

E＝{e₁，e₂，...，e_j，...，e_m}表示G中全部边的集合，代表所有本节点了解的于通信范围内两个自组织网络节点之间的无线链路，e_j为E中的第j个链路，m为链路总数，{f_q ^v(u，t)}是一组点的状态特征，代表了V中的任意节点u随时间t变化的通信状态，q为不同的节点特征编号，f₁ ^v(u，t)为节点u在t时刻的业务负载，f₂ ^v(u，t)为节点u在t时刻的移动速度，f₃ ^v(u，t)为节点u在t时刻的缓冲空间，f₄ ^v(u，t)为节点u在t时刻的剩余电量；

是一组边的状态特征，代表了V中存在通信链路的两个节点u与v之间随时间t变化的链路通信状态，p为不同的链路特征编号，其中f₁ ^e(u，v，t)为节点u与v在t时刻之间的链路稳定度，f₂ ^e(u，v，t)为节点u与v在t时刻之间的链路吞吐量，

(2)初始化仅有历史状态的流量图谱：

(2a)对G中的{f_q ^v(u，t)}与

以当前时间t_c为分割，将满足t∈[0，t_c]的特征被称为历史状态，表示网络的过去状态，该状态的变化时间用t₁表示；将满足t∈(t_c，+∞)的特征被称为未来状态，表示网络的未来态势，该状态的变化时间用t₂表示；

(2b)在任意节点入网时，该节点初始化一个仅有历史状态的流量图谱G_h：

并初始化V，E、

与{f_q ^v(u，t₁)}为空集；

(2b)该入网节点通过采集网络数据填充G_h的节点集V_h与链路集E_h；

(2c)依次判断G_h中节点集V的节点u是否为本节点：

如果u是本节点，则通过收集本节点的信息获得其特征{f_q ^v(u，t₁)}与

如果u不是本节点，则通过表驱动的路由算法在控制包中携带获得其特征{f_q ^v(u，t₁)}与

/>

(3)构建网络特征预测框架：

(3a)基于小波神经网络建立业务负载预测模块，通过学习业务负载的数据形成独特的神经网络权重以根据历史数据预测未来态势，该模块的输入为t时刻的业务负载f₁ ^v(u，t)，模块输出为t+1时刻的业务负载f₁ ^v(u，t+1)，且需要提前训练才能工作；

(3b)基于小波神经网络建立移动速度预测模块，通过学习节点速度的数据形成独特的神经网络权重以根据历史数据预测未来态势，该模块输入为节点u在t时刻的移动速度f₂ ^v(u，t)，模块输出为节点u在t+1时刻的移动速度f₂ ^v(u，t+1)，且需要提前训练才能工作；

(3c)设置缓冲空间预测模块，其输入为业务负载预测模块的输出f₁ ^v(u，t+1)与节点u在t时刻的缓冲空间f₃ ^v(u，t)，输出为节点u在t+1时刻的缓冲空间f₃ ^v(u，t+1)，该模块无需训练；

(3d)设置剩余电量预测模块，其输入为业务负载预测模块的输出f₁ ^v(u，t+1)、移动速度预测模块的输出f₂ ^v(u，t+1)与节点u在t时刻的剩余电量f₄ ^v(u，t)，块输出为节点u在t+1时刻的剩余电量f₄ ^v(u，t+1)，该模块无需训练；

(3e)将业务负载预测模块，移动速度预测模块，缓冲空间预测模块，剩余电量预测模块级联组成网络特征预测框架，其输入为节点u在t时刻图谱的特征

输出其t+1时刻图谱的特征/>

(4)对网络特征预测框架中的业务预测模块与移动预测模块进行训练，得到训练后的网络特征预测框架：

(4a)初始化业务预测模块与移动预测模块，设置其神经网络参数为随机值；

(4b)使用NS3仿真程序仿真场景含40个不同的节点，分别收集每个仿真节点的业务负载与移动速度，导出并进行相空间重构生成业务负载数据集和移动速度数据集；

(4C)分别使用业务负载预测模块的数据集和移动预测模块的数据集通过梯度下降法对这两个模块进行训练，得到训练后的网络特征预测框架；

(5)利用训练后的网络特征预测框架，得到完整流量图谱：

(5a)将仅有历史状态流量图谱G_h中的{f_q ^v(u，t₁)}作为训练后的网络特征预测框架的输入

得到输出/>

(5b)设置k_t为未来状态预测窗口，k_t∈(0，∞)，循环执行(5a)共k_t次，得到输出{f_q ^v(u，t₁+k_t)}，并根据该{f_q ^v(u，t₁+k_t)}构建包含未来状态的流量图谱G_f：

(5c)将未来状态的流量图谱G_f与仅有历史状态的流量图谱G_h进行交集，获得完整流量图谱G。

本发明与现有技术相比，具有如下优点：

(1)本发明构建的网络图谱架构，能够多层次、多维度的刻画自组织网络的网络状态信息与未来态势，包含业务流量、移动状态、拥塞等级与剩余能量，为提供服务质量支持的通信策略提供了支撑；

(2)本发明由于采用了小波神经网络的方法得到流量图谱的未来状态，有效的区分了时间序列中的高频噪声与低频趋势，通过建模通信资源之间的相关性，降低模型所需的训练数据，提升了计算能力和泛化能力。

附图说明

图1为本发明的实现流程图；

图2为本发明中一个自组织网络中节点的网络图谱示意图；

图3为本发明中表驱动路由控制包内容示意图；

图4为小波神经网络原理示意图；

图5为本发明中网络特征预测框架示意图。

具体实施方式

以下结合附图，对本发明的实施例和效果做进一步详细描述。

参照图1，本发明基于自组织网络的流量图谱生成方法，实现步骤如下：

步骤一：构建网络图谱架构。

流量图谱是一种多层次、多维度的数据结构。在空间维度上，流量图谱描述低层次的网络拓扑结构与链路状态与高层次的节点状态信息；在时间维度上，流量图谱刻画了节点的过去状态与图谱对其未来态势的预测。多层次、多维度的设计确保网络流量图谱掌握较为完整的网络状态信息，流量图谱其定义如下：

将每个节点对于整体网络拓扑的认知描述为一个元组G，称为流量图谱，其表达式如下：

G＝(V，E，{f^v(u，t)}，{f^e(u，v，t)})

其中，V＝{v₁，v₂，...，v_i，...，v_n}表示G中全部点的集合，代表所有本节点了解自组织网络节点，v_i为V中的第i个节点，n为节点总数，

E＝{e₁，e₂，...，e_j，...，e_m}表示G中全部边的集合，代表所有本节点了解的于通信范围内两个自组织网络节点之间的无线链路，e_j为E中的第j个链路，m为链路总数，

{f_q ^v(u，t)}是一组点的状态特征，代表了V中的任意节点u随时间t变化的通信状态，q为不同的节点特征编号，f₁ ^v(u，t)为节点u在t时刻的业务负载，f₂ ^v(u，t)为节点u在t时刻的移动速度，f₃ ^v(u，t)为节点u在t时刻的缓冲空间，f₄ ^v(u，t)为节点u在t时刻的剩余电量；

是一组边的状态特征，代表了V中存在通信链路的两个节点u与v之间随时间t变化的链路通信状态，p为不同的链路特征编号，其中f₁ ^e(u，v，t)为节点u与v在t时刻之间的链路稳定度，f₂ ^e(u，v，t)为节点u与v在t时刻之间的链路吞吐量。

图2为一个自组织网络中节点1的网络图谱示意图，由于其中存在1-5号节点，因此所记录的图谱节点为1到5，意味着节点1元组中G的V＝{1，2，3，4，5}，图谱同样记录节点之间存在的链路，节点1元组G中的全部边的集合E为：

E＝{(1，2)，(1，3)，(1，4)，(1，2)，(3，5)，(4，5)}，

图2中的业务负载，缓冲空间，剩余电量，平均速度为节点特征，对应了节点1元组G中的{f_q ^v(u，t)}，链路稳定度为链路的特征，对应了节点1元组G中的

/>

步骤二：初始化仅有历史状态的流量图谱。

(2.1)对G中的{f_q ^v(u，t)}与

以当前时间t_c为分割，将满足t∈[0，t_c]的特征被称为历史状态，表示网络的过去状态，该状态的变化时间用t₁表示；将满足t∈(t_c，+∞)的特征被称为未来状态，表示网络的未来态势，该状态的变化时间用t₂表示；

(2.2)在任意节点入网时，该节点初始化一个仅有历史状态的流量图谱G_h：

并初始化V，E、

与{f_q ^v(u，t₁)}为空集；

(2.3)该入网节点通过采集网络数据填充G_h的节点集V_h与链路集E_h；

(2.4)依次判断G_h中节点集V的节点u是否为本节点：

如果u是本节点，则通过收集本节点的信息获得其特征{f_q ^v(u，t₁)}与

其中业务负载从网络层获取，移动速度从GPS模块获取，缓冲空间与链路稳定度从MAC层获取，剩余电量从电池模块获取；

如果u不是本节点，则通过表驱动的路由算法在控制包中携带获得其特征{f_q ^v(u，t₁)}与

控制包的内容参照图3，每个节点通过如图3所示的数据包交互信息，并在“邻居节点N特征”字段携带了{f_v ^q(N，t₁)}与/>

的特征。

步骤三：构建网络特征预测框架。

由于流量图谱中的未来状态无法通过测量或者数据包交互获得，需要通过预测得到，因此提出通过构建网络特征预测框架来得到流量图谱的未来状态，具体实现如下：

(3.1)基于小波神经网络建立业务负载预测模块：

通过学习业务负载的数据形成独特的神经网络权重以根据历史数据预测未来态势，该模块由一个历史数据缓存与小波神经网络级联构成，其中：

所述历史数据缓存，相当于神经网络输入层节点个数m的窗口历史数据并输入小波神经网络模块，缓存的输入是节点于t-1至t期间的网络层业务Tr_t，在缓存了m个时刻的数据后，将缓存数据组合得到当前时刻小波神经网络的输入特征向量

并将/>

输入小波神经网络；

所述小波神经网络，是将的小波基函数作为神经网络中隐藏层神经元的激活函数的神经网络，其结构如图4所示，该小波神经网络分为输入层，隐藏层，输出层，φ(x)为小波基函数，x_i为输入数据，m为输入层节点的个数，s为隐藏层节点个数，n为输出层节点个数，h_j为隐藏层节点输出，y_k为输出数据，w_ij为输入层与隐藏层间的连接权值，w_jk为隐藏层和输出层之间的连接权值，其中：

隐藏层节点输出h_j的计算方式为：

输出层输出y_k的表达式为，

输入层节点个数m为10，隐藏层节点个数s为14，a_j、b_j、w_ij、w_jk依赖训练调整，其激活函数选择Morlet小波函数，表达式为：

该业务负载预测模块的输入为t时刻的业务负载f₁ ^v(u，t)，模块输出为t+1时刻的业务负载f₁ ^v(u，t+1)，且需要提前训练才能工作。

(3.2)基于小波神经网络建立移动速度预测模块：

通过学习节点速度的数据形成独特的神经网络权重以根据历史数据预测未来态势，该模块由一个历史数据缓存与小波神经网络级联构成，其中：

所述的历史数据缓存存储相当于神经网络输入层节点个数m′的窗口历史数据并输入小波神经网络模块，缓存的输入是节点于t-1至t期间的节点移动速度V_t，在缓存了m′个时刻的数据后，将缓存数据进行组合得到当前时刻小波神经网络的输入特征向量

并将/>

输入小波神经网络，

所述小波神经网络结构与(3.4)中介绍的结构完全相同，但是参数不同，移动速度预测模块中的小波神经网络的输入层节点个数m′为8，隐藏层节点个数s′为23，小波神经网络参数a_j′、b_j′、w_ij′、w_jk′依赖训练调整，其激活函数选择Morlet小波函数；

该移动速度预测模块的输入为节点u在t时刻的移动速度f₂ ^v(u，t)，模块输出为节点u在t+1时刻的移动速度f₂ ^v(u，t+1)，且需要提前训练才能工作。

(3.3)设置缓冲空间预测模块：

该模块的输入为业务负载预测模块的输出f₁ ^v(u，t+1)与节点u在t时刻的缓冲空间f₃ ^v(u，t)，输出为节点u在t+1时刻的缓冲空间f₃ ^v(u，t+1)，具体计算如下

记B_total为节点内存分配给缓冲区的连续内存部分，记节点负载Load是节点生成与转发的数据包到达率f₁ ^v(u，t+1)与服务速率SR的比例，f₁ ^v(u，t+1)由业务预测模块得出，SR由统计数据得到：

如果数据包被接受，则预计分配队列长度为：Q_i＝(1-Load)×B_total，此时输出f₃ ^v(u，t+1)可通过f₃ ^v(u，t)计算得到：f₃ ^v(u，t+1)＝f₃ ^v(u，t)-Q_i。

(3.4)设置剩余电量预测模块：

该模块的输入为业务负载预测模块的输出f₁ ^v(u，t+1)、移动速度预测模块的输出f₂ ^v(u，t+1)与节点u在t时刻的剩余电量f₄ ^v(u，t)，输出为节点u在t+1时刻的剩余电量f₄ ^v(u，t+1)。由于节点能量消耗的主要来源有三个：内存与处理器计算消耗的电量、无线设备消耗的电量与移动消耗的电量，因而需要通过计算这三个电量消耗计算得到输出f₄ ^v(u，t+1)，具体实现如下：

记e_c为单位时间内内存与处理器计算消耗的电量，计算消耗：E_c＝e_c×t；

记e_x为无线设备传输单位数据消耗的电量，求得无线传输消耗：E_x＝e_x×f₁ ^v(u，t+1)；

记e_m为节点移动单位距离消耗的电量，计算移动消耗：E_m＝e_m×f₂ ^v(u，t+1)×t；

计算剩余能量预测模块的输出f₄ ^v(u，t+1)：

f₄ ^v(u，t+1)＝f₄ ^v(u，t)-E_c-E_m-E_x

其中t为经过的时间，e_c、e_x与e_m的具体值由节点硬件配置决定，并可以通过历史数据求得；

(3.5)将业务负载预测模块，移动速度预测模块，缓冲空间预测模块，剩余电量预测模块级联组成网络特征预测框架，如图5所示，其输入为节点u在t时刻图谱的特征

输出其t+1时刻图谱的特征/>

步骤四：对网络特征预测框架中的业务预测模块与移动预测模块进行训练，得到训练后的网络特征预测框架。

(4.1)初始化业务预测模块与移动预测模块，设置其神经网络参数为随机值；

(4.2)使用NS3仿真程序仿真场景含40个不同的节点，分别收集每个仿真节点的业务负载与移动速度，导出并进行相空间重构生成业务负载数据集和移动速度数据集；

(4.3)将业务负载数据集的前80％作为业务负载预测模块的训练集，后20％作为测试集；

(4.4)由神经网络的预测值y_k与训练集给出的实际值y′_k计算第k个数据的误差值e_k：e_k＝y′_k-y_k；

(4.5)根据e_k计算性能指标E；

(4.6)设d为当前训练的轮数，根据误差E与动量项α调整权值w_ij、w_jk，伸缩因子a_j，平移因子b_j：

其中，

分别为w_ij、w_jk、a_j、b_j在每轮训练的调整值，其计算方式如下：

/>

其中，η₁为权值的学习率，η₂为小波因子的学习率，η₁、η₂、α的取值分别为0.01、0.001、0.5；

(4.7)反复重复(4.6)，直到该过程中的E小于终止阈值E_th1或过程中的训练轮数d到达训练次数上限epoch次，E_th1值为0.15，epoch值为15000；

(4.8)将业务负载预测模块的测试集输入训练后的业务负载预测模块，模块计算测试集的预测值，根据预测值计算与实际值的误差E₂，若误差E₂大于过拟合阈值E_th2说明此时的业务负载预测模块仅是过拟合了训练集的数据，不能起到真正的预测作用，此时将w_ij、w_jk、a_j、b_j置为随机值，并再次从(4.3)开始执行，E_th2值为0.25。

(4.9)将移动预测模块的数据集的前80％作为移动预测模块的训练集，后20％作为测试集；

(4.10)移动速度预测模块小波神经网络的神经网络参数为a_j′、b_j′、w_ij′、w_jk′，数据集为移动速度预测模块的数据集，训练参数中终止阈值E_th1′为0.10、训练次数上限epoch′为10000，采用与训练业务负载模块相同的方法调整a_j′、b_j′、w_ij′、w_jk′，直到预测值与实际值的误差E′小于E_th1′或训练次数d′到达epoch′次；

(4.11)移动速度预测模块的过拟合阈值E_th2′为0.20，使用移动速度预测模块的测试集输入训练后的移动速度预测模块，模块计算测试集的预测值，根据预测值计算与实际值的误差E₂′，若误差E₂′大于过拟合阈值E_th2′说明此时的移动速度预测模块仅是过拟合了训练集的数据，不能起到真正的预测作用，此时将a_j′、b_j′、w_ij′、w_jk′置为随机值，并再次从(4.9)开始执行。

步骤五：利用训练后的网络特征预测框架，得到完整流量图谱。

(5.1)将仅有历史状态流量图谱G_h中的{f_q ^v(u，t₁)}作为训练后的网络特征预测框架的输入

得到输出/>

(5.2)设置k_t为未来状态预测窗口，k_t∈(0，∞)，循环执行(5.1)共k_t次，得到输出{f_q ^v(u，t₁+k_t)}，并根据该{f_q ^v(u，t₁+k_t)}构建包含未来状态的流量图谱G_f：

(5.3)将未来状态的流量图谱G_f与仅有历史状态的流量图谱G_h进行交集，获得完整流量图谱G：：

以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求的保护范围之内。

Claims (4)

1.一种自组织网络的流量图谱生成方法，其特征在于，包括如下：

(1)将每个节点对于整体网络拓扑的认知描述为一个元组，即流量图谱G:

其中，V＝{v₁,v₂,...,v_i,...,v_n'}表示G中全部点的集合，代表所有本节点了解自组织网络节点，v_i为V中的第i个节点，n’为节点总数，

E＝{e₁,e₂,...,e_j,...,e_m'}表示G中全部边的集合，代表所有本节点了解的于通信范围内两个自组织网络节点之间的无线链路,e_j为E中的第j个链路，m'为链路总数，

是一组点的状态特征，代表了V中的任意节点u随时间t变化的通信状态，q为不同的节点特征编号，f₁ ^v(u,t)为节点u在t时刻的业务负载，f₂ ^v(u,t)为节点u在t时刻的移动速度，f₃ ^v(u,t)为节点u在t时刻的缓冲空间，f₄ ^v(u,t)为节点u在t时刻的剩余电量；

是一组边的状态特征，代表了V中存在通信链路的两个节点u与v之间随时间t变化的链路通信状态，p为不同的链路特征编号，其中f₁ ^e(u,v,t)为节点u与v在t时刻之间的链路稳定度，f₂ ^e(u,v,t)为节点u与v在t时刻之间的链路吞吐量，

(2)初始化仅有历史状态的流量图谱：

(2a)对G中的

与/>

以当前时间t_c为分割，将满足t∈[0,t_c]的特征被称为历史状态，表示网络的过去状态，该状态的变化时间用t₁表示；将满足t∈(t_c，+∞)的特征被称为未来状态，表示网络的未来态势，该状态的变化时间用t₂表示；

(2b)在任意节点入网时，该节点初始化一个仅有历史状态的流量图谱G_h：

并初始化V，E、

与/>

为空集；

(2c)该入网节点通过采集网络数据填充G_h的全部点的集合V与全部边的集合E；

(2d)依次判断G_h中全部点的集合V的节点u是否为本节点：

如果u是本节点，则通过收集本节点的信息获得其特征

与/>

如果u不是本节点，则通过表驱动的路由算法在控制包中携带获得其特征

与

(3)构建网络特征预测框架：

(3a)基于小波神经网络建立业务负载预测模块，通过学习业务负载的数据形成独特的神经网络权重以根据历史数据预测未来态势，该模块的输入为t时刻的业务负载f₁ ^v(u,t)，模块输出为t+1时刻的业务负载f₁ ^v(u,t+1)，且需要提前训练才能工作；

(3b)基于小波神经网络建立移动速度预测模块，通过学习节点速度的数据形成独特的神经网络权重以根据历史数据预测未来态势，该模块输入为节点u在t时刻的移动速度f₂ ^v(u,t)，模块输出为节点u在t+1时刻的移动速度f₂ ^v(u,t+1)，且需要提前训练才能工作；

(3c)设置缓冲空间预测模块，其输入为业务负载预测模块的输出f₁ ^v(u,t+1)与节点u在t时刻的缓冲空间f₃ ^v(u,t)，输出为节点u在t+1时刻的缓冲空间f₃ ^v(u,t+1)，该模块无需训练；

(3d)设置剩余电量预测模块，其输入为业务负载预测模块的输出f₁ ^v(u,t+1)、移动速度预测模块的输出f₂ ^v(u,t+1)与节点u在t时刻的剩余电量f₄ ^v(u,t)，块输出为节点u在t+1时刻的剩余电量f₄ ^v(u,t+1)，该模块无需训练；

(3e)将业务负载预测模块，移动速度预测模块，缓冲空间预测模块，剩余电量预测模块级联组成网络特征预测框架，其输入为节点u在t时刻图谱的特征

输出其t+1时刻图谱的特征/>

(4)对网络特征预测框架中的业务预测模块与移动预测模块进行训练，得到训练后的网络特征预测框架：

(4a)初始化业务预测模块与移动预测模块，设置其神经网络参数为随机值；

(4b)使用NS3仿真程序仿真场景含40个不同的节点，分别收集每个仿真节点的业务负载与移动速度，导出并进行相空间重构生成业务负载数据集和移动速度数据集；

(4C)分别使用业务负载预测模块的数据集和移动预测模块的数据集通过梯度下降法对这两个模块进行训练，得到训练后的网络特征预测框架；

(5)利用训练后的网络特征预测框架，得到完整流量图谱：

(5a)将仅有历史状态流量图谱G_h中的

作为训练后的网络特征预测框架的输入/>

得到输出/>

(5b)设置k_t为未来状态预测窗口，k_t∈(0,∞)，循环执行(5a)共k_t次，得到输出

并根据该/>

构建包含未来状态的流量图谱G_f：

(5c)将未来状态的流量图谱G_f与仅有历史状态的流量图谱G_h进行交集，获得完整流量图谱G。

2.根据权利要求1所述的方法，其特征在于，所述(3a)中基于小波神经网络建立业务负载预测模块，是由一个历史数据缓存与小波神经网络级联构成，该历史数据缓存存储相当于神经网络输入层节点个数的窗口历史数据并输入小波神经网络，该小波神经网络结构依次为：输入层，隐藏层，输出层，其中：

隐藏层节点输出h_j的计算方式为：

输出层输出y_k的表达式为，

式中，φ(x)为小波基函数，a_j为伸缩因子，b_j为平移因子，x_i为输入数据，m为输入层节点的个数，n为输出层节点个数，h_j为隐藏层节点输出，y_k为输出数据，w_ij为输入层与隐藏层间的连接权值，w_jk为隐藏层和输出层之间的连接权值；

业务负载预测模块中的小波神经网络的输入层节点个数m为10，隐藏层节点个数s为14，a_j、b_j、w_ij、w_jk依赖训练调整，其激活函数选择Morlet小波函数表达式如下：

3.根据权利要求1所述的方法，其特征在于，所述(4C)使用业务负载预测模块的数据集通过梯度下降法业务负载预测模块进行训练，实现如下：

(4C1)将业务负载数据集的前80％作为业务负载预测模块的训练集，后20％作为测试集；

(4C2)由神经网络的预测值y_k给出的实际值y′_k计算第k个数据的误差值e_k：e_k＝y′_k-y_k；

(4C3)根据e_k计算性能指标E；

(4C4)设d为当前训练的轮数，根据误差E与动量项α调整权值w_ij、w_jk，伸缩因子a_j，平移因子b_j：

其中，

分别为w_ij、w_jk、a_j、b_j在每轮训练的调整值，其计算方式如下：

其中，η₁为权值的学习率，η₂为小波因子的学习率，η₁、η₂、α的取值分别为0.01、0.001、0.5；

(4C5)反复重复(4C4)，直到该过程中的E小于终止阈值E_th1或过程中的训练轮数d到达训练次数上限epoch次，E_th1值为0.15，epoch值为15000；

(4C6)将业务负载预测模块的测试集输入训练后的业务负载预测模块，计算测试集的预测值，根据预测值计算与实际值的误差E₂，若误差E₂大于过拟合阈值，将w_ij、w_jk、a_j、b_j置为随机值，并再次从(4C1)开始执行，直到E_th2值为0.25。

4.根据权利要求1所述的方法，其特征在于，所述(4C)中使用移动预测模块的数据集对这移动预测模块进行训练，实现如下：

(4C7)将移动预测模块的数据集的前80％作为移动预测模块的训练集，后20％作为测试集；

(4C8)设移动速度预测模块小波神经网络的神经网络参数为a_j′、b_j′、w_ij′、w_jk′，训练参数中终止阈值E_th1′为0.10、训练次数上限epoch′为10000，采用与训练业务负载模块相同的方法调整a_j′、b_j′、w_ij′、w_jk′，直到预测值与实际值的误差E′小于E_th1′或训练次数d′到达epoch′次；

(4C9)设移动速度预测模块的过拟合阈值E_th2′为0.20，使用移动速度预测模块的测试集输入训练后的移动速度预测模块，模块计算测试集的预测值，根据预测值计算与实际值的误差E₂′，若误差E₂′大于过拟合阈值E_th2′，则将a_j′、b_j′、w_ij′、w_jk′置为随机值，返回(4C7)。

Images