隨著移動設(shè)備的普及以及無線技術(shù)的發(fā)展,人們可以在任何地方、任何時間相互通信。由于移動設(shè)備的移動性,從數(shù)據(jù)源到數(shù)據(jù)目的地的端到端連接路徑很難維持。為了解決網(wǎng)絡(luò)中的數(shù)據(jù)傳播問題,引入了節(jié)點社會行為的分析,從而促使移動社交網(wǎng)絡(luò)的誕生。數(shù)據(jù)在移動社交網(wǎng)絡(luò)中主要依靠攜帶轉(zhuǎn)發(fā)來散播。已經(jīng)有許多文獻通過引入社交特征和從網(wǎng)絡(luò)挖掘社交屬性來提升網(wǎng)絡(luò)中數(shù)據(jù)轉(zhuǎn)發(fā)性能并提供人性化服務(wù)。最近,研究者們提出了一些應(yīng)用了動態(tài)社交特征的路由策略來提高數(shù)據(jù)在網(wǎng)絡(luò)中的轉(zhuǎn)播效率。然而,動態(tài)的社交特征會導(dǎo)致根據(jù)這些特征所劃分出來的網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)改變�，F(xiàn)存的社區(qū)探測方法大多數(shù)依賴于靜態(tài)的社交特征,無法直接應(yīng)用于動態(tài)變化的社交特征。因此,本文利用機器學(xué)習(xí)中的隨機森林分類器,對網(wǎng)絡(luò)中的節(jié)點進行動態(tài)地社區(qū)劃分。k-means++算法被用來生成分類器的訓(xùn)練集,為了衡量生成的訓(xùn)練集的好壞,本文設(shè)計了一個聯(lián)系系數(shù)CR�；谟�(xùn)練后的隨機森林模型,本文提出了一種基于隨機森林的社交感知路由策略。這是第一個結(jié)合了動態(tài)的社交特征和動態(tài)地社區(qū)分類的方法。在仿真實驗中,本文將提出的路由算法與經(jīng)典的Flooding、SANE和Multi-Sosim進行比較... 

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 移動社交網(wǎng)絡(luò)架構(gòu)
    1.3 主要工作介紹及貢獻
    1.4 文章組織結(jié)構(gòu)
2 相關(guān)研究
    2.1 社交特征
    2.2 社交屬性
        2.2.1 社交圖
        2.2.2 聯(lián)系圖
        2.2.3 紐帶強度
        2.2.4 社交相似度
        2.2.5 社交社區(qū)
        2.2.6 社交中心性
        2.2.7 人類特征
    2.3 路由策略
3 動態(tài)社區(qū)驗證及分類模型訓(xùn)練
    3.1 技術(shù)準備
        3.1.1 靜態(tài)社交特征以及加強的動態(tài)社交特征
        3.1.2 社交相似度
        3.1.3 社區(qū)檢測
        3.1.4 信息熵
        3.1.5 決策樹與隨機森林
    3.2 數(shù)據(jù)標簽的處理
    3.3 動態(tài)社區(qū)的驗證
    3.4 隨機森林分類器的訓(xùn)練
        3.4.1 訓(xùn)練數(shù)據(jù)集的擴充
        3.4.2 隨機森林模型的訓(xùn)練
4 基于隨機森林的社交感知路由策略
    4.1 相關(guān)符號
    4.2 SARP路由策略的設(shè)計
5 仿真驗證
    5.1 對比策略
    5.2 評估準則
    5.3 仿真結(jié)果
    5.4 小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號：3702586