機會網(wǎng)絡(luò)是一種不需要源節(jié)點和目標(biāo)節(jié)點存在完整通信鏈路,利用節(jié)點移動帶來相遇機會實現(xiàn)通信的自組織網(wǎng)絡(luò)。由于它具有節(jié)點頻繁移動、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)時變等特點,其更符合實際情況下的自組網(wǎng)需求,這給機會網(wǎng)絡(luò)的研究帶來挑戰(zhàn)。鏈路預(yù)測是機會網(wǎng)絡(luò)研究中的難點問題之一,其根據(jù)節(jié)點間已知的鏈路及節(jié)點的屬性,估計節(jié)點間產(chǎn)生鏈路的可能性。一個好的鏈路預(yù)測方法不僅可以推斷出節(jié)點對產(chǎn)生連接的關(guān)系,還能幫助我們認(rèn)識網(wǎng)絡(luò)的演化規(guī)律,從而為上層路由協(xié)議提供支撐。針對機會網(wǎng)絡(luò)時變性的特點,考慮機會網(wǎng)絡(luò)中演變的歷史信息與鏈路的長期依賴關(guān)系,本文提出一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機會網(wǎng)絡(luò)鏈路預(yù)測方法（Link Prediction Approach for Opportunistic Networks Based on Recurrent Neural Network,RNN-LP）。采用時間序列分析法,以定長時間幀對機會網(wǎng)絡(luò)數(shù)據(jù)進行切片,形成時間幀網(wǎng)絡(luò)快照序列,對其產(chǎn)生的節(jié)點對平均連接次數(shù)序列進行分析,采用0-1測試方法找出時間幀連接次數(shù)序列的混沌特性,并基于混沌時間序列理論確定最佳時間幀長度;分析和處理機會網(wǎng)絡(luò)數(shù)據(jù)集中的節(jié)點對通信時... 

【文章來源】：南昌航空大學(xué)江西省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

機會網(wǎng)絡(luò)鏈路演變過程

據(jù)通信格式如表 3-1 所示。表 3-1 機會網(wǎng)絡(luò)數(shù)據(jù)通信格式節(jié)點 ID 節(jié)點 ID 連接時間 斷開時間其中，節(jié)點 ID 表示收集節(jié)點對相互通信數(shù)據(jù)的節(jié)點編號，連接時間表示節(jié)點對產(chǎn)生連接的時間戳，斷開時間表示節(jié)點對斷開連接的時間戳。采用時間序列分析法，本文以定長時間幀對機會網(wǎng)絡(luò)數(shù)據(jù)進行切片處理，獲取時間序列數(shù)據(jù)(即時間幀網(wǎng)絡(luò)快照序列)，統(tǒng)計時間幀網(wǎng)絡(luò)快照序列中每個時間幀內(nèi)節(jié)點對的平均連接次數(shù)，并將其構(gòu)成時間幀連接次數(shù)序列，其中，時間幀長度將會對時間幀連接次數(shù)序列的形態(tài)特征具有重大的影響，如果時間幀長度太小，如 5 秒或 10 秒等，則可能導(dǎo)致時間幀連接次數(shù)序列相鄰時間幀內(nèi)節(jié)點對連接數(shù)據(jù)相關(guān)性太高，節(jié)點對產(chǎn)生連接的特征相似，導(dǎo)致不能表現(xiàn)出節(jié)點對連接狀態(tài)隨時間演變的規(guī)律；反之，時間幀太長，如 1 小時等，可能體現(xiàn)不出時間幀連接次數(shù)序列變化的細節(jié)波動特征。分析機會網(wǎng)絡(luò)數(shù)據(jù)集 ITC 和 MIT 中節(jié)點對連接次數(shù)和連接時長的關(guān)系，其如圖 3-2 和 3-3 所示。

據(jù)通信格式如表 3-1 所示。表 3-1 機會網(wǎng)絡(luò)數(shù)據(jù)通信格式節(jié)點 ID 節(jié)點 ID 連接時間 斷開時間其中，節(jié)點 ID 表示收集節(jié)點對相互通信數(shù)據(jù)的節(jié)點編號，連接時間表示節(jié)點對產(chǎn)生連接的時間戳，斷開時間表示節(jié)點對斷開連接的時間戳。采用時間序列分析法，本文以定長時間幀對機會網(wǎng)絡(luò)數(shù)據(jù)進行切片處理，獲取時間序列數(shù)據(jù)(即時間幀網(wǎng)絡(luò)快照序列)，統(tǒng)計時間幀網(wǎng)絡(luò)快照序列中每個時間幀內(nèi)節(jié)點對的平均連接次數(shù)，并將其構(gòu)成時間幀連接次數(shù)序列，其中，時間幀長度將會對時間幀連接次數(shù)序列的形態(tài)特征具有重大的影響，如果時間幀長度太小，如 5 秒或 10 秒等，則可能導(dǎo)致時間幀連接次數(shù)序列相鄰時間幀內(nèi)節(jié)點對連接數(shù)據(jù)相關(guān)性太高，節(jié)點對產(chǎn)生連接的特征相似，導(dǎo)致不能表現(xiàn)出節(jié)點對連接狀態(tài)隨時間演變的規(guī)律；反之，時間幀太長，如 1 小時等，可能體現(xiàn)不出時間幀連接次數(shù)序列變化的細節(jié)波動特征。分析機會網(wǎng)絡(luò)數(shù)據(jù)集 ITC 和 MIT 中節(jié)點對連接次數(shù)和連接時長的關(guān)系，其如圖 3-2 和 3-3 所示。

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的多節(jié)點間鏈路預(yù)測方法[J]. 舒堅,張學(xué)佩,劉琳嵐,楊志勇.  電子學(xué)報. 2018(12)
[2]深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中梯度不穩(wěn)定現(xiàn)象研究綜述[J]. 陳建廷,向陽.  軟件學(xué)報. 2018(07)
[3]城市車聯(lián)網(wǎng)V2V鏈路時延動態(tài)預(yù)測[J]. 王秀峰,崔剛,王春萌.  計算機研究與發(fā)展. 2017(12)
[4]基于聚類和決策樹的鏈路預(yù)測方法[J]. 楊妮亞,彭濤,劉露.  計算機研究與發(fā)展. 2017(08)
[5]基于邊獨立演化的機會網(wǎng)絡(luò)時間演化圖模型[J]. 蔡青松,牛建偉.  計算機工程. 2011(15)
[6]利用鏈路預(yù)測推斷網(wǎng)絡(luò)演化機制[J]. 劉宏鯤,呂琳媛,周濤.  中國科學(xué):物理學(xué) 力學(xué) 天文學(xué). 2011(07)
[7]復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測[J]. 呂琳媛.  電子科技大學(xué)學(xué)報. 2010(05)
[8]機會網(wǎng)絡(luò)[J]. 熊永平,孫利民,牛建偉,劉燕.  軟件學(xué)報. 2009(01)



本文編號：3586779