基于循环神经网络的机会网络链路预测方法研究

发布时间：2022-01-13 16:33

　　机会网络是一种不需要源节点和目标节点存在完整通信链路,利用节点移动带来相遇机会实现通信的自组织网络。由于它具有节点频繁移动、网络拓扑结构时变等特点,其更符合实际情况下的自组网需求,这给机会网络的研究带来挑战。链路预测是机会网络研究中的难点问题之一,其根据节点间已知的链路及节点的属性,估计节点间产生链路的可能性。一个好的链路预测方法不仅可以推断出节点对产生连接的关系,还能帮助我们认识网络的演化规律,从而为上层路由协议提供支撑。针对机会网络时变性的特点,考虑机会网络中演变的历史信息与链路的长期依赖关系,本文提出一种基于循环神经网络的机会网络链路预测方法（Link Prediction Approach for Opportunistic Networks Based on Recurrent Neural Network,RNN-LP）。采用时间序列分析法,以定长时间帧对机会网络数据进行切片,形成时间帧网络快照序列,对其产生的节点对平均连接次数序列进行分析,采用0-1测试方法找出时间帧连接次数序列的混沌特性,并基于混沌时间序列理论确定最佳时间帧长度;分析和处理机会网络数据集中的节点对通信时... 

【文章来源】：南昌航空大学江西省

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

机会网络链路演变过程

据通信格式如表 3-1 所示。表 3-1 机会网络数据通信格式节点 ID 节点 ID 连接时间 断开时间其中，节点 ID 表示收集节点对相互通信数据的节点编号，连接时间表示节点对产生连接的时间戳，断开时间表示节点对断开连接的时间戳。采用时间序列分析法，本文以定长时间帧对机会网络数据进行切片处理，获取时间序列数据(即时间帧网络快照序列)，统计时间帧网络快照序列中每个时间帧内节点对的平均连接次数，并将其构成时间帧连接次数序列，其中，时间帧长度将会对时间帧连接次数序列的形态特征具有重大的影响，如果时间帧长度太小，如 5 秒或 10 秒等，则可能导致时间帧连接次数序列相邻时间帧内节点对连接数据相关性太高，节点对产生连接的特征相似，导致不能表现出节点对连接状态随时间演变的规律；反之，时间帧太长，如 1 小时等，可能体现不出时间帧连接次数序列变化的细节波动特征。分析机会网络数据集 ITC 和 MIT 中节点对连接次数和连接时长的关系，其如图 3-2 和 3-3 所示。

据通信格式如表 3-1 所示。表 3-1 机会网络数据通信格式节点 ID 节点 ID 连接时间 断开时间其中，节点 ID 表示收集节点对相互通信数据的节点编号，连接时间表示节点对产生连接的时间戳，断开时间表示节点对断开连接的时间戳。采用时间序列分析法，本文以定长时间帧对机会网络数据进行切片处理，获取时间序列数据(即时间帧网络快照序列)，统计时间帧网络快照序列中每个时间帧内节点对的平均连接次数，并将其构成时间帧连接次数序列，其中，时间帧长度将会对时间帧连接次数序列的形态特征具有重大的影响，如果时间帧长度太小，如 5 秒或 10 秒等，则可能导致时间帧连接次数序列相邻时间帧内节点对连接数据相关性太高，节点对产生连接的特征相似，导致不能表现出节点对连接状态随时间演变的规律；反之，时间帧太长，如 1 小时等，可能体现不出时间帧连接次数序列变化的细节波动特征。分析机会网络数据集 ITC 和 MIT 中节点对连接次数和连接时长的关系，其如图 3-2 和 3-3 所示。

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的多节点间链路预测方法[J]. 舒坚,张学佩,刘琳岚,杨志勇.  电子学报. 2018(12)
[2]深度神经网络训练中梯度不稳定现象研究综述[J]. 陈建廷,向阳.  软件学报. 2018(07)
[3]城市车联网V2V链路时延动态预测[J]. 王秀峰,崔刚,王春萌.  计算机研究与发展. 2017(12)
[4]基于聚类和决策树的链路预测方法[J]. 杨妮亚,彭涛,刘露.  计算机研究与发展. 2017(08)
[5]基于边独立演化的机会网络时间演化图模型[J]. 蔡青松,牛建伟.  计算机工程. 2011(15)
[6]利用链路预测推断网络演化机制[J]. 刘宏鲲,吕琳媛,周涛.  中国科学:物理学 力学 天文学. 2011(07)
[7]复杂网络链路预测[J]. 吕琳媛.  电子科技大学学报. 2010(05)
[8]机会网络[J]. 熊永平,孙利民,牛建伟,刘燕.  软件学报. 2009(01)



本文编号：3586779