机会网络数据传输关键技术研究

发布时间：2017-08-14 21:29

  本文关键词：机会网络数据传输关键技术研究

  更多相关文章： 机会网络 数据传输 人类移动性 节点中心性 社会属牲

【摘要】：随着通信技术的发展,使得大量体积小、具备传感和计算能力的智能设备得到普及。机会网络利用智能设备间的通信机会实现内容、资源和服务的共享。人利用手持智能设备构成的机会网络是机会网络的典型场景之一。其中,节点的移动行为完全依赖于人的移动模式。机会网络的数据传输是依靠节点的移动带来的相遇机会实现的。但是,由于节点的移动导致节点间的间歇连接,给机会网络数据传输带来了极大的挑战。研究表明人的移动行为具有一定的时间和空间的规律性以及人所具有的社会属性导致人的移动和行为模式不是盲目和无序的。那么,利用人类移动行为的特征和社会属性能有效的辅助数据传输。本论文首先基于人类移动行为特征为机会网络数据传输识别网络中的重要节点；接着为节点的重要性预测提出了时序非线性预测模型；最后从数据转发和数据分发角度提出两种基于社会属性的数据传输算法。主要的研究内容和创新点如下：(1)机会网络节点中心性度量方法。在机会网络中,利用网络中有影响力的节点能有效的提高数据传输效率。传统的节点中心性度量方法是基于静态网络模型的,从而无法有效的为机会网络数据传输识别网络中的重要节点。因此,本论文提出了机会网络节点中心性的度量方法。首先利用时间演化图模型提取机会网络的动态拓扑结构。基于该模型,通过挖掘节点间的移动行为模式和社会连接扩展定义了度中心性、接近中心性和介数中心性。实验部分利用两个真实数据集验证了这些中心性度量方法的有效性,实验结果证明这些度量方法能有效地识别机会网络中的重要节点。(2)机会网络节点中心性时序非线性预测模型。由于机会网路拓扑结构的动态变化导致节点的中心性也会随之变化,已有的预测方法通过利用简单直观的线性预测函数预测节点未来的中心性。然而,节点的中心性随时间的演化过程不是线性的,将非线性的关系利用线性预测模型近似的拟合成线性关系会带来不必要的误差。BP神经网络作为被广泛使用的非线性预测模型,本论文基于BP神经网络为节点中心性预测提出一种时序的非线性预测模型。基于真实数据集的实验对比分析,时序非线性预测模型比已有的线性预测模型获得了更高的预测精度。(3)机会网络中基于节点社会属性的数据转发算法。机会网络中节点间的时变连接和网络的间歇连通给数据传输带来了极大的挑战。挖掘网络中的重要节点以及紧密关系的节点能有效地提高数据转发效率。因此,本论文挖掘节点间的相遇模式提出一种节点间关系紧密度测量方法和基于社会属性的转发中心性的度量方法。基于上述方法,本论文提出了基于社会属性的数据转发算法,通过选择更具中心位置或与目的节点具有更紧密关系的中继节点将消息转发给目的节点。本论文基于两个真实数据集将该路由算法与已有的三种路由算法进行对比,实验结果证明本论文提出的路由算法具有最高的路由效率。(4)机会网络中基于节点社会属性的发布订阅路由算法。在机会网络中,利用节点的相遇机会分享自己感兴趣的数据是实现基于内容的网络服务模式的方法之一,发布/订阅是基于人们兴趣爱好实现数据有目的分发的一种可行方案。由于机会网络的间断连通性,传统的发布/订阅路由技术在机会网络中下并不适用。因此,本论文提出了基于节点社会属性的发布/订阅路由算法。本论文首先提出全局熵中心性度量方法用于识别网络中的重要节点作为消息发布或订阅的代理节点。由于人的移动行为所具有的社区特征,本论文接着提出一种分布式的基于社会属性的社区探测方法为节点划分属于自己的朋友圈。最后,基于上述方法,本论文为数据分发提出一种基于社会属性的消息发布/订阅路由算法。基于真实数据集和仿真数据集的实验结果证明,本论文提出的基于社会属性的发布/订阅路由算法相比已有的发布/订阅路由算法获得了最佳的性能。
【关键词】：机会网络 数据传输 人类移动性 节点中心性 社会属牲
【学位授予单位】：北京邮电大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TN919.3
【目录】：

• 摘要5-7
• ABSTRACT7-16
• 第一章 绪论16-22
• 1.1 研究背景与研究意义16-18
• 1.2 本论文主要工作18-20
• 1.3 论文结构20-21
• 1.4 本章小结21-22
• 第二章 机会网络数据传输研究综述22-36
• 2.1 机会网络简介22-24
• 2.2 以人作为网络终端载体的机会网络的特征和分析技术24-30
• 2.2.1 人类移动行为特征研究概述25-26
• 2.2.2 网络拓扑结构分析技术26-30
• 2.3 机会网络数据传输研究现状30-35
• 2.3.1 数据转发机制30-34
• 2.3.2 数据分发机制34-35
• 2.4 本章小结35-36
• 第三章 机会网络节点中心性度量方法36-60
• 3.1 引言36-37
• 3.2 时间演化图模型37-39
• 3.3 机会网络节点局部中心性度量方法39-41
• 3.4 机会网络节点全局中心性度量方法41-46
• 3.4.1 基于传输时延的全局中心性度量方法41-44
• 3.4.2 基于社会属性的全局中心性度量方法44-46
• 3.5 实验分析46-58
• 3.5.1 数据集介绍47
• 3.5.2 节点中心性有效性分析47-56
• 3.5.3 节点全局中心性排名与局部中心性排名相关性分析56-58
• 3.6 本章小结58-60
• 第四章 机会网络节点中心性预测模型60-73
• 4.1 引言60-61
• 4.2 节点中心性时序非线性预测模型61-64
• 4.2.1 基于牛顿插值法的训练集插值策略61-63
• 4.2.2 BP神经网络算法63-64
• 4.3 实验分析64-72
• 4.3.1 数据集介绍65
• 4.3.2 节点的过去中心性与未来中心性的相关性分析65-68
• 4.3.3 预测结果分析68-72
• 4.4 本章小结72-73
• 第五章 机会网络中基于节点社会属性的数据转发算法73-89
• 5.1 引言73-74
• 5.2 基于时间演化图模型的节点间关系紧密度测量方法74-78
• 5.3 基于社会属性的转发中心性度量方法78-80
• 5.4 SRBet数据转发算法80-81
• 5.5 实验分析81-88
• 5.5.1 数据集介绍81
• 5.5.2 节点过去转发中心性代替未来转发中心性的可行性分析81-84
• 5.5.3 实验结果84-88
• 5.6 本章小结88-89
• 第六章 机会网络中基于节点社会属性的发布订阅路由算法89-107
• 6.1 引言89-90
• 6.2 节点全局熵中心性度量方法90-91
• 6.3 基于社会属性的社区划分算法91-93
• 6.3.1 社会连接探测方法92
• 6.3.2 分布式社区划分算法92-93
• 6.4 发布/订阅路由算法93-96
• 6.4.1 建立发布/订阅系统93-94
• 6.4.2 路由算法94-96
• 6.5 实验分析96-105
• 6.5.1 数据集介绍96-97
• 6.5.2 全局熵中心性度量方法有效性分析97-100
• 6.5.3 基于社会属性的社区划分算法有效性分析100-102
• 6.5.4 路由协议性能分析102-105
• 6.6 本章小结105-107
• 第七章 结束语107-109
• 7.1 论文总结107-108
• 7.2 进一步的研究工作108-109
• 参考文献109-119
• 缩略语119-120
• 致谢120-121
• 攻读学位期间发表的学术论文目录121

【参考文献】

中国期刊全文数据库 前1条

1 樊超;郭进利;韩筱璞;汪秉宏;;人类行为动力学研究综述[J];复杂系统与复杂性科学;2011年02期

，

本文编号：674809