基于深度学习的机会网络的路由选择方法

发布时间：2023-10-27 19:49

　　随着无线网络的迅速发展,更多的应用也逐步渗透到人们的工作和生活中,为了满足通信需求,机会网络(Opportunistic Networks)应运而生,在机会网络(oppnet)中,消息以接受-携带-转发方式传输。由于节点移动的不确定性,从而导致较低的传递率和较大的延迟。因此,需要一种智能和安全的存储结转技术。本文提出了一种基于深度学习的路由选择方法,该方法提高了消息传递率、平均跳数和通信开销率。为了决定路径中的下一个最佳跃点,提出了基于长短期模型(Long Short Term Model,LSTM)的路由选择方法,来选择最适合消息传输的节点。由输入阶段、学习阶段、决策和传输阶段组成,在输入阶段,为源节点附近的节点注册五个参数。在学习阶段,使用上面定义的输入参数集对网络进行训练。在决策和传输阶段,决策相邻节点是否将消息转发到特定节点。并在机会网络平台(Opportunistic Networking Environment,ONE)对实验数据集进行了仿真。结果证明,本文设计的网络模型能够提高消息传递率、平均跳数和通信开销率。随着注入网络消息的增多,LSTM模型记录的先前消息会被覆盖,提...

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 论文背景及研究意义
    1.2 研究现状及问题提出
    1.3 论文主要工作和内容安排
        1.3.1 主要工作
        1.3.2 内容安排
第2章 基于深度学习的机会网络相关技术概述
    2.1 机会网络
        2.1.1 机会网络路由选择
    2.2 循环神经网络(Recurrent Neural Networks)
        2.2.1 周期神经元(Recurrent Neurons)
        2.2.2 记忆神经元(Memory Cells)
        2.2.3 输入和输出序列
        2.2.4 训练RNN模型
    2.3 长短时记忆网络
        2.3.1 LSTM思路
        2.3.2 LSTM前向计算
        2.3.3 LSTM反向计算
        2.3.4 激活函数
    2.4 本章小结
第3章 基于LSTM的机会网络的路由选择方法
    3.1 问题描述
    3.2 方案设计原理
        3.2.1 设计思路
        3.2.2 输入阶段
        3.2.3 初始化阶段
        3.2.4 参数更新阶段
        3.2.5 决策和转移阶段
    3.3 实现结果与性能分析
        3.3.1 实验环境
    3.4 本章小结
第4章 基于双向LSTM的机会网络的路由选择方法
    4.1 方案设计原理
        4.1.1 设计思路
        4.1.2 输入阶段
        4.1.3 学习阶段
        4.1.4 决策和转移阶段
    4.2 实现结果与性能分析
        4.2.1 实验环境
    4.3 本章小结
第5章 结束语
    5.1 论文工作总结
    5.2 未来工作展望
参考文献
致谢



本文编号：3857158