隨著無線網(wǎng)絡(luò)的迅速發(fā)展,更多的應(yīng)用也逐步滲透到人們的工作和生活中,為了滿足通信需求,機會網(wǎng)絡(luò)(Opportunistic Networks)應(yīng)運而生,在機會網(wǎng)絡(luò)(oppnet)中,消息以接受-攜帶-轉(zhuǎn)發(fā)方式傳輸。由于節(jié)點移動的不確定性,從而導(dǎo)致較低的傳遞率和較大的延遲。因此,需要一種智能和安全的存儲結(jié)轉(zhuǎn)技術(shù)。本文提出了一種基于深度學(xué)習(xí)的路由選擇方法,該方法提高了消息傳遞率、平均跳數(shù)和通信開銷率。為了決定路徑中的下一個最佳躍點,提出了基于長短期模型(Long Short Term Model,LSTM)的路由選擇方法,來選擇最適合消息傳輸?shù)墓?jié)點。由輸入階段、學(xué)習(xí)階段、決策和傳輸階段組成,在輸入階段,為源節(jié)點附近的節(jié)點注冊五個參數(shù)。在學(xué)習(xí)階段,使用上面定義的輸入?yún)?shù)集對網(wǎng)絡(luò)進行訓(xùn)練。在決策和傳輸階段,決策相鄰節(jié)點是否將消息轉(zhuǎn)發(fā)到特定節(jié)點。并在機會網(wǎng)絡(luò)平臺(Opportunistic Networking Environment,ONE)對實驗數(shù)據(jù)集進行了仿真。結(jié)果證明,本文設(shè)計的網(wǎng)絡(luò)模型能夠提高消息傳遞率、平均跳數(shù)和通信開銷率。隨著注入網(wǎng)絡(luò)消息的增多,LSTM模型記錄的先前消息會被覆蓋,提...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 論文背景及研究意義
    1.2 研究現(xiàn)狀及問題提出
    1.3 論文主要工作和內(nèi)容安排
        1.3.1 主要工作
        1.3.2 內(nèi)容安排
第2章 基于深度學(xué)習(xí)的機會網(wǎng)絡(luò)相關(guān)技術(shù)概述
    2.1 機會網(wǎng)絡(luò)
        2.1.1 機會網(wǎng)絡(luò)路由選擇
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks)
        2.2.1 周期神經(jīng)元(Recurrent Neurons)
        2.2.2 記憶神經(jīng)元(Memory Cells)
        2.2.3 輸入和輸出序列
        2.2.4 訓(xùn)練RNN模型
    2.3 長短時記憶網(wǎng)絡(luò)
        2.3.1 LSTM思路
        2.3.2 LSTM前向計算
        2.3.3 LSTM反向計算
        2.3.4 激活函數(shù)
    2.4 本章小結(jié)
第3章 基于LSTM的機會網(wǎng)絡(luò)的路由選擇方法
    3.1 問題描述
    3.2 方案設(shè)計原理
        3.2.1 設(shè)計思路
        3.2.2 輸入階段
        3.2.3 初始化階段
        3.2.4 參數(shù)更新階段
        3.2.5 決策和轉(zhuǎn)移階段
    3.3 實現(xiàn)結(jié)果與性能分析
        3.3.1 實驗環(huán)境
    3.4 本章小結(jié)
第4章 基于雙向LSTM的機會網(wǎng)絡(luò)的路由選擇方法
    4.1 方案設(shè)計原理
        4.1.1 設(shè)計思路
        4.1.2 輸入階段
        4.1.3 學(xué)習(xí)階段
        4.1.4 決策和轉(zhuǎn)移階段
    4.2 實現(xiàn)結(jié)果與性能分析
        4.2.1 實驗環(huán)境
    4.3 本章小結(jié)
第5章 結(jié)束語
    5.1 論文工作總結(jié)
    5.2 未來工作展望
參考文獻
致謝



本文編號：3857158