基于拓扑凝聚图的机会网络关键节点评估
发布时间:2020-09-19 21:40
机会网络是一种不需要源节点和目标节点之间存在完整路径,利用节点移动带来的相遇机会实现通信的自组织网络。机会网络中的节点采用“存储—携带—转发”的通信模式传递信息,在信息多跳转发的过程中,网络会面临关键节点失效导致的网络分割以及连通性下降等问题,影响数据传输。因此,评估机会网络中的关键节点对于优化和维护网络,增强网络连通性具有非常重要的意义。本文研究机会网络中关键节点的评估方法。论文分析了关键节点评估方法的研究现状,对机会网络的通信特点进行了分析,提出一种基于拓扑凝聚图的机会网络关键节点评估方法。针对机会网络时变性的特点,采用拓扑凝聚图获取机会网络动态变化的拓扑结构信息,核心思想是采用时间离散化的方法将机会网络动态变化的拓扑结构转化成一系列时间窗口内的网络快照,并根据机会网络节点之间的接触信息定义节点间连边的权重。结合机会网络的稀疏性、节点间间歇性连接等特点,定义二阶节点度反映机会网络中节点的局部重要度,定义连接强度反映机会网络中节点的关系重要度,定义关键域重要度反映机会网络中节点的全局重要度;采用二阶节点度、连接强度、关键域重要度评估机会网络的关键节点;在分析三个评估指标相关性的基础上,采用欧式距离组合三个评估指标量化节点的重要度;根据拓扑凝聚图内节点间连接的稀疏程度设置多个时间窗口,通过实验确定最佳时间窗口。本文仿真实验在机会网络仿真实验平台(Opportunistic Network Environment,ONE)上进行,采用MATLAB处理实验数据。从关键节点失效会导致网络产生不同程度分割的角度,设计三个典型的机会网络实验场景,三个场景下的实验结果验证了本文方法的有效性。与介数中心性方法、加权k-shell分解方法相比,本文方法具有更好的评估精度;分别设置10分钟、20分钟、30分钟为时间窗口进行实验,结果表明,本文方法在时间窗口取20分钟时具有更高的评估精度。
【学位单位】:南昌航空大学
【学位级别】:硕士
【学位年份】:2019
【中图分类】:TN929.5
【部分图文】:
南昌航空大学硕士学位论文 第 1 章 绪论忍能力,可应用于对传输时延要求不高情况下的通信。正是由于机会网络的稀疏性、移动性等特点使得机会网络具有传统无线传感器网络不具有的优点,能够处理传统无线传感器网络无法有效运行情况下的通信问题,因而具有广阔的应用前景。
为 1 (即 k 1)的节点。继续移除剩下的度 k 1的所有节的度 k 1。此时,所有被移除的节点形成 1-shell 并且它们二步中,首先移除度数 k 2的所有节点。然后迭代地移直到其余节点的度 k 2为止。在分解的第二步中被移除它们的核心 2sk 。分解过程将继续,直到删除所有节心等于其对应的 shell 层。图 2-1 是 k-shell 分解的简单示节点表明其越靠近网络中心位置,在网络中越重要。点影响的指标,核心可应用于大规模网络,因为它的计许多真实网络中得到具体应用[21,22,23]。但是,仍可以对能用于一些经典的建模网络,如无标度网络和树状网值都非常小且无法区分。其次,核心是高度粗糙的,导致有相同的核心。为了解决这些问题,Xing 等人[24]提出shell)分解方法,通过利用删除节点时的迭代次数和边权重要度,该分别应用于简单网络和复杂网络的实验结果复杂度低,结果的分辨率和精度高。
图 2-2 离心率示例网络接近中心性通过计算目标节点与所有其他节点之间的近中心性定义为从iv 到所有其他节点的平均距离的倒 jiijdnCCi1( )度越大,表明节点越靠近网络中心位置。接近中心性传播长度的倒数。因此,接近度值越高的节点通常传定义有一个主要缺点:当网络没有连接时,存在一些典型的方法是计算节点之间的调和平均距离的倒数[
【学位单位】:南昌航空大学
【学位级别】:硕士
【学位年份】:2019
【中图分类】:TN929.5
【部分图文】:
南昌航空大学硕士学位论文 第 1 章 绪论忍能力,可应用于对传输时延要求不高情况下的通信。正是由于机会网络的稀疏性、移动性等特点使得机会网络具有传统无线传感器网络不具有的优点,能够处理传统无线传感器网络无法有效运行情况下的通信问题,因而具有广阔的应用前景。
为 1 (即 k 1)的节点。继续移除剩下的度 k 1的所有节的度 k 1。此时,所有被移除的节点形成 1-shell 并且它们二步中,首先移除度数 k 2的所有节点。然后迭代地移直到其余节点的度 k 2为止。在分解的第二步中被移除它们的核心 2sk 。分解过程将继续,直到删除所有节心等于其对应的 shell 层。图 2-1 是 k-shell 分解的简单示节点表明其越靠近网络中心位置,在网络中越重要。点影响的指标,核心可应用于大规模网络,因为它的计许多真实网络中得到具体应用[21,22,23]。但是,仍可以对能用于一些经典的建模网络,如无标度网络和树状网值都非常小且无法区分。其次,核心是高度粗糙的,导致有相同的核心。为了解决这些问题,Xing 等人[24]提出shell)分解方法,通过利用删除节点时的迭代次数和边权重要度,该分别应用于简单网络和复杂网络的实验结果复杂度低,结果的分辨率和精度高。
图 2-2 离心率示例网络接近中心性通过计算目标节点与所有其他节点之间的近中心性定义为从iv 到所有其他节点的平均距离的倒 jiijdnCCi1( )度越大,表明节点越靠近网络中心位置。接近中心性传播长度的倒数。因此,接近度值越高的节点通常传定义有一个主要缺点:当网络没有连接时,存在一些典型的方法是计算节点之间的调和平均距离的倒数[
【相似文献】
相关期刊论文 前10条
1 张晓;王金龙;吴启晖;;认知无线电中基于可信度的感知节点集选择[J];应用科学学报;2009年06期
2 安世虎;都艺兵;曲吉林;;节点集重要性测度——综合法及其在知识共享网络中的应用[J];中国管理科学;2006年01期
3 张晓;王金龙;吴启晖;;认知无线电中一种感知节点集自适应选择算法[J];信号处理;2010年06期
4 蔡p
本文编号:2823024
本文链接:https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2823024.html