本文關(guān)鍵詞：認(rèn)知網(wǎng)絡(luò)中基于網(wǎng)絡(luò)狀態(tài)和行為預(yù)測的路由及數(shù)據(jù)分發(fā)算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：認(rèn)知網(wǎng)絡(luò)是由大量具有感知、數(shù)據(jù)處理和通信能力的智能節(jié)點組成的網(wǎng)絡(luò),并且通過智能節(jié)點之間的協(xié)作,實現(xiàn)對網(wǎng)絡(luò)環(huán)境的感知,根據(jù)用戶需求做出相應(yīng)的行為決策和資源配置,從而優(yōu)化整個網(wǎng)絡(luò)的性能和服務(wù)質(zhì)量。由于認(rèn)知網(wǎng)絡(luò)具有智能性、自適應(yīng)性、自管理性等特點,在社會服務(wù)、軍事通信、環(huán)境保護、智能交通、災(zāi)害預(yù)測及救援等領(lǐng)域有著廣闊的應(yīng)用前景。 認(rèn)知網(wǎng)絡(luò)能夠獲取網(wǎng)絡(luò)狀態(tài)和行為信息,通過智能學(xué)習(xí)和推理等機制對網(wǎng)絡(luò)狀態(tài)和行為信息進行分析預(yù)測,針對用戶和應(yīng)用的需求目標(biāo)做出行為決策,從而優(yōu)化網(wǎng)絡(luò)性能,提供優(yōu)質(zhì)的網(wǎng)絡(luò)服務(wù)。目前人類的社會生活與網(wǎng)絡(luò)服務(wù)密切結(jié)合,由此而產(chǎn)生的社群智能系統(tǒng)為社會化服務(wù)提供了技術(shù)支撐。認(rèn)知網(wǎng)絡(luò)的系統(tǒng)架構(gòu)和設(shè)計思想為社群智能系統(tǒng)提供了有效的網(wǎng)絡(luò)模型,同時能夠為社群智能的應(yīng)用系統(tǒng)提供技術(shù)和部署方案。 本文在認(rèn)知網(wǎng)絡(luò)的思想和架構(gòu)下,結(jié)合社群智能系統(tǒng)的應(yīng)用背景,以實現(xiàn)認(rèn)知網(wǎng)絡(luò)自適應(yīng)的路由機制和認(rèn)知網(wǎng)絡(luò)社會化應(yīng)用中的數(shù)據(jù)服務(wù)業(yè)務(wù)為目標(biāo),感知網(wǎng)絡(luò)狀態(tài)信息和用戶行為參數(shù),采用學(xué)習(xí)和推理機制中的數(shù)學(xué)模型、人工智能算法、運籌學(xué)中的經(jīng)典理論和方法對環(huán)境感知信息進行分析和預(yù)測,在此基礎(chǔ)上研究適合于認(rèn)知網(wǎng)絡(luò)應(yīng)用系統(tǒng)的路由算法、數(shù)據(jù)轉(zhuǎn)發(fā)機制以及相關(guān)關(guān)鍵技術(shù)。 首先,設(shè)計具有流量預(yù)測功能的認(rèn)知網(wǎng)絡(luò)系統(tǒng),構(gòu)建了適用于認(rèn)知網(wǎng)絡(luò)的流量預(yù)測模型。本文基于流量預(yù)測模型-MMSE,提出了一種最小流量負(fù)載路由算法(Minimum Workload Routing Algorithm,MWR),該算法選擇路由路徑上每條流量負(fù)載不超過閾值的鏈路,從而確定最輕流量負(fù)載路徑進行分組傳輸。進一步對MWR算法進行擴展,提出了自適應(yīng)的流量預(yù)測路由算法(Adaptive Traffic Prediction Routing Algorithm,ATPRA),考慮網(wǎng)絡(luò)流量負(fù)載和最短路徑兩個網(wǎng)絡(luò)行為參數(shù)進行路由選擇。認(rèn)知網(wǎng)絡(luò)具有動態(tài)響應(yīng)的能力,能夠?qū)ν话l(fā)網(wǎng)絡(luò)事件和資源動態(tài)變化采取相應(yīng)的措施,從而保證端到端的用戶服務(wù)質(zhì)量。本文提出了一種有效的流量感知的多路徑路由算法(Efficient Traffic Aware Multi-path Routing,ETAMR)考慮鏈路流量分布、節(jié)點負(fù)載和最短路徑,建立主路徑的同時還選擇若干備選路徑,依據(jù)網(wǎng)絡(luò)的實時流量負(fù)載變化情況觸發(fā)備選路徑。該算法對于網(wǎng)絡(luò)擁塞或鏈路失效等突發(fā)狀況進行預(yù)測和防范,是一種具有良好負(fù)載均衡機制的路由算法。仿真結(jié)果表明,本文提出的三種認(rèn)知網(wǎng)絡(luò)算法在傳輸延遲,丟包率和負(fù)載均衡方面具有較好的性能。 其次,將認(rèn)知網(wǎng)絡(luò)技術(shù)應(yīng)用到基于社群智能的機會網(wǎng)絡(luò)中,研究移動節(jié)點的位置預(yù)測問題,提出了一種基于社會關(guān)系的移動節(jié)點位置預(yù)測算法(Social-relationship-based Mobile node Location Prediction algorithm,SMLP)。該算法基于位置對應(yīng)用場景進行建模,通過節(jié)點的移動規(guī)律挖掘節(jié)點之間的社會關(guān)系。SMLP算法以馬爾可夫模型為基礎(chǔ)對節(jié)點的移動性進行初步預(yù)測,然后利用與其社會關(guān)系較強的其他節(jié)點的位置對該節(jié)點的預(yù)測結(jié)果進行修正。SMLP算法基于馬爾可夫模型和加權(quán)馬爾可夫模型進行了優(yōu)化,分別提出了SMLP和SMLPN兩種算法實現(xiàn)。最后基于真實數(shù)據(jù)集對算法進行仿真實驗,實驗結(jié)果表明,SMLP比馬爾可夫模型具有更高的預(yù)測精確度,SMLPN與SMLP相比有了更大程度的性能提升,并且在時間復(fù)雜度和空間復(fù)雜度上優(yōu)于2階馬爾可夫模型。 然后,針對機會認(rèn)知網(wǎng)絡(luò)中移動節(jié)點需要依靠相遇機會完成數(shù)據(jù)的轉(zhuǎn)發(fā),從而實現(xiàn)數(shù)據(jù)分發(fā)服務(wù)的問題,提出了三種適用于不同機會認(rèn)知網(wǎng)絡(luò)環(huán)境的數(shù)據(jù)分發(fā)機制。基于蟻群優(yōu)化的數(shù)據(jù)分發(fā)算法(Ant Colony Optimization based DAta dissemination,ACODAD)適用于全分布式的機會認(rèn)知網(wǎng)絡(luò)環(huán)境,通過蟻群優(yōu)化機制建立移動節(jié)點親密度模型來解決數(shù)據(jù)分發(fā)問題。該機制采用基于蟻群優(yōu)化的認(rèn)知啟發(fā)式技術(shù),設(shè)計機會認(rèn)知網(wǎng)絡(luò)中以自適應(yīng)性數(shù)據(jù)轉(zhuǎn)發(fā)為基礎(chǔ)的數(shù)據(jù)分發(fā)方案。基于位置預(yù)測的數(shù)據(jù)分發(fā)算法(LOcation Prediction based DAta Dissemination,LOPDAD)和基于位置預(yù)測的群體智能數(shù)據(jù)分發(fā)算法(LOcation-Prediction and Swarm-Intelligence based data dissemination, LOPSI)適用于集中式和分布式混合的機會認(rèn)知網(wǎng)絡(luò)系統(tǒng)。LOPDAD通過預(yù)測移動節(jié)點的位置狀態(tài)進行轉(zhuǎn)發(fā)概率計算,完成數(shù)據(jù)分發(fā)。LOPSI是一種概率路由算法,有機的結(jié)合位置預(yù)測算法和蟻群優(yōu)化機制。該算法首先預(yù)測相遇節(jié)點和目的節(jié)點在未來時間序列中的位置狀態(tài),然后比較相遇節(jié)點與目的節(jié)點的親密度,依據(jù)節(jié)點與目的節(jié)點的親密度和移動位置預(yù)測完成數(shù)據(jù)分發(fā)。同時三種算法都考慮移動節(jié)點的緩存管理,保證整個網(wǎng)絡(luò)的運行效率和生命周期。仿真部署的地理模型采用真實的校園場景,本文提出的算法在傳輸開銷、傳輸成功率、平均跳數(shù)以及傳輸延遲方面達到良好的性能。 最后,機會認(rèn)知網(wǎng)絡(luò)在社群智能應(yīng)用系統(tǒng)中提供的數(shù)據(jù)采集和數(shù)據(jù)分發(fā)服務(wù),需要節(jié)點持續(xù)的參與才能夠完成,同時還要保證服務(wù)的可靠性。參與節(jié)點消耗自身資源完成網(wǎng)絡(luò)數(shù)據(jù)服務(wù),因此需要相應(yīng)的激勵機制才能保證節(jié)點參與的積極性和持續(xù)性。本文針對上述問題提供解決方案,提出了基于聲望的用戶激勵機制(Reputation-based Participate Incentive Algorithm,RBPIA)。RBPIA模型從數(shù)據(jù)可靠性和競標(biāo)可靠性兩方面構(gòu)建參與者的聲望模型,在此基礎(chǔ)上建立激勵機制使機會認(rèn)知系統(tǒng)保持充足的具有聲望的參與者持續(xù)提供服務(wù),同時減少系統(tǒng)激勵開銷。仿真實驗在不同場景下對RBPIA算法進行了性能評估,結(jié)果顯示,RBPIA算法明顯的增加了有聲望的用戶參與系統(tǒng)服務(wù)的數(shù)量,保證充足數(shù)量的用戶為系統(tǒng)實現(xiàn)可靠的服務(wù),同時減少了系統(tǒng)的激勵開銷。在RBPIA激勵機制的基礎(chǔ)上,本文還設(shè)計了基于RBPIA的數(shù)據(jù)分發(fā)策略,保證機會認(rèn)知網(wǎng)絡(luò)中可靠的數(shù)據(jù)分發(fā)服務(wù)。
【關(guān)鍵詞】：認(rèn)知網(wǎng)絡(luò) 社群智能 路由算法 位置預(yù)測 數(shù)據(jù)分發(fā) 聲望激勵
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：O157.5
【目錄】：

• 摘要5-8
• Abstract8-16
• 第1章 緒論16-36
• 1.1 研究背景16-26
• 1.1.1 認(rèn)知網(wǎng)絡(luò)16-23
• 1.1.2 社群智能23-25
• 1.1.3 機會網(wǎng)絡(luò)25-26
• 1.2 問題的提出26-30
• 1.2.1 背景26-27
• 1.2.2 研究現(xiàn)狀27-30
• 1.3 論文的主要研究內(nèi)容30-33
• 1.3.1 主要研究內(nèi)容31-32
• 1.3.2 創(chuàng)新點32-33
• 1.4 組織結(jié)構(gòu)33-34
• 1.5 課題來源34-36
• 第2章 相關(guān)理論基礎(chǔ)36-48
• 2.1 馬爾可夫預(yù)測36-40
• 2.1.1 馬爾可夫鏈36-37
• 2.1.2 轉(zhuǎn)移概率37-40
• 2.2 群體智能優(yōu)化算法40-44
• 2.2.1 概述40
• 2.2.2 蟻群優(yōu)化算法40-44
• 2.3 拍賣理論44-46
• 2.3.1 正向拍賣44
• 2.3.2 反向拍賣44-46
• 2.4 本章小結(jié)46-48
• 第3章 認(rèn)知網(wǎng)絡(luò)中基于流量預(yù)測的自適應(yīng)路由算法48-68
• 3.1 引言48-49
• 3.2 相關(guān)工作49-50
• 3.2.1 單路徑路由算法49-50
• 3.2.3 多路徑路由算法50
• 3.3 適用于認(rèn)知網(wǎng)絡(luò)的流量預(yù)測模型50-54
• 3.3.1 現(xiàn)有的網(wǎng)絡(luò)流量預(yù)測模型50-51
• 3.3.2 流量預(yù)測模型的選擇51-52
• 3.3.3 MMSE的數(shù)學(xué)描述52-54
• 3.4 算法描述54-63
• 3.4.1 認(rèn)知網(wǎng)絡(luò)中基于流量預(yù)測的單路徑路由算法54-58
• 3.4.2 認(rèn)知網(wǎng)絡(luò)中流量感知的多路徑路由算法58-63
• 3.5 算法仿真及性能評價63-67
• 3.5.1 MWR和ATPRA性能評價63-65
• 3.5.2 ETAMR的性能評價65-67
• 3.6 本章小結(jié)67-68
• 第4章 基于社會關(guān)系感知的移動節(jié)點位置預(yù)測算法68-82
• 4.1 引言68-70
• 4.2 基于社會關(guān)系的節(jié)點位置預(yù)測算法70-76
• 4.2.1 基于位置的節(jié)點移動應(yīng)用場景70-72
• 4.2.2 馬爾可夫鏈預(yù)測模型72-74
• 4.2.3 基于社會關(guān)系的預(yù)測優(yōu)化74-76
• 4.3 實驗分析76-80
• 4.3.1 仿真實驗配置76
• 4.3.2 社會關(guān)系矩陣析取76-77
• 4.3.3 預(yù)測精確度分析77-80
• 4.4 本章小結(jié)80-82
• 第5章 基于位置預(yù)測的生物啟發(fā)式數(shù)據(jù)分發(fā)算法82-108
• 5.1 引言82-83
• 5.2 相關(guān)工作83-85
• 5.3 網(wǎng)絡(luò)模型85-87
• 5.4 算法設(shè)計87-99
• 5.4.1 基于位置預(yù)測的數(shù)據(jù)分發(fā)算法87-93
• 5.4.2 基于蟻群優(yōu)化的數(shù)據(jù)分發(fā)算法93-96
• 5.4.3 基于位置預(yù)測的生物啟發(fā)式數(shù)據(jù)分發(fā)算法96-99
• 5.6 性能評價99-107
• 5.6.1 仿真環(huán)境部署99-101
• 5.6.2 性能評價指標(biāo)101-102
• 5.6.3 移動節(jié)點數(shù)量的變化對性能的影響102-105
• 5.6.4 數(shù)據(jù)消息生命周期的變化對性能的影響105-107
• 5.7 本章小結(jié)107-108
• 第6章 基于聲望感知的用戶激勵及數(shù)據(jù)分發(fā)算法108-130
• 6.1 引言108-109
• 6.2 相關(guān)工作109-110
• 6.2.1 聲望模型的研究現(xiàn)狀109-110
• 6.2.2 激勵機制的相關(guān)研究現(xiàn)狀110
• 6.3 基于聲望的參與式激勵算法描述110-118
• 6.3.1 概述110-111
• 6.3.2 聲望模塊描述111-117
• 6.3.3 激勵模塊的描述117-118
• 6.4 基于參與者激勵的數(shù)據(jù)分發(fā)算法118-121
• 6.4.1 分發(fā)數(shù)據(jù)的信任值計算120
• 6.4.2 數(shù)據(jù)分發(fā)執(zhí)行過程120-121
• 6.5 性能評價121-129
• 6.5.1 仿真環(huán)境部署122-124
• 6.5.2 仿真結(jié)果124-129
• 6.6 本章小結(jié)129-130
• 第7章 總結(jié)和展望130-134
• 7.1 全文總結(jié)130-133
• 7.2 工作展望133-134
• 參考文獻134-152
• 致謝152-154
• 攻讀博士學(xué)位期間撰寫的論著154-156
• 作者攻讀博士期間參與的科研項目156-158
• 作者從事科學(xué)研究和學(xué)習(xí)經(jīng)歷簡歷158

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 馬林兵;張新長;;面向全時段查詢的移動對象時空數(shù)據(jù)模型研究[J];測繪學(xué)報;2008年02期

2 何云斌;樊守德;郝忠孝;;基于MOST模型的移動對象全軌跡建模[J];計算機工程;2008年16期

3 安健;桂小林;張文東;蔣精華;張進;;物聯(lián)網(wǎng)移動感知中的社會關(guān)系認(rèn)知模型[J];計算機學(xué)報;2012年06期

4 熊永平;孫利民;牛建偉;劉燕;;機會網(wǎng)絡(luò)[J];軟件學(xué)報;2009年01期

  本文關(guān)鍵詞：認(rèn)知網(wǎng)絡(luò)中基于網(wǎng)絡(luò)狀態(tài)和行為預(yù)測的路由及數(shù)據(jù)分發(fā)算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：351236