An opportunistic network link prediction method, device and readable storage medium includes: slicing sample data to obtain multiple sub-sample data, dividing the number and time of connection of node pairs in each sub-sample data into corresponding network snapshots, converting the number and time of connection of node pairs in each network snapshot into connection weights, and The identification of node pairs in each network snapshot and the weights of node pairs are mapped to form a sequence of time series vectors; the attribute vectors are constructed by obtaining the attribute information of each node in each network snapshot, and the sequence of attribute vectors is constructed; the Bayesian deep learning model is constructed, and the model is trained and tested by using the sequence of time series vectors and the sequence of attribute vectors to obtain the target model. The target model is used to predict the link of the opportunistic network. The invention can accurately grasp the evolution law of opportunistic network nodes in time domain and accurately predict the opportunistic network links.
【技术实现步骤摘要】
机会网络链路预测方法、装置及可读存储介质
本专利技术涉及机会网络
,特别是涉及一种机会网络链路预测方法、装置及可读存储介质。
技术介绍
机会网络利用节点移动逐跳将数据从源节点传输到目标节点形成的通信通路,以“存储-携带-转发”的路由模式实现节点间通信。机会网络这种动态性和不要求网络全连通的特点,更适合实际的自组网需求,且更具有普适性并能满足恶劣条件下的网络通信需要,因此在军事和民用无线通信领域都具有重要的研究和应用价值,相关研究的开展也越来越广泛。机会网络的路由模式导致网络拓扑结构、节点通信存在时变性,使得机会网络的链路演变规律难以捕捉,对机会网络的路由选择带来困难,从而导致对机会网络链路难以预测的问题。
技术实现思路
鉴于上述状况,有必要针对现有技术中机会网络链路预测困难的问题,提供一种机会网络链路预测方法、装置及可读存储介质。一种机会网络链路预测方法,包括:采用时间序列分析方法,对样本数据进行切片处理,得到多个子样本数据,并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中;将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重,并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量,以形成一时序向量序列;分别获取每个网络快照中的节点属性信息构建属性向量,并按照时间顺序构建连续的属性向量序列,所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值;构建贝叶斯深度学习模型,并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度 ...
【技术保护点】
1.一种机会网络链路预测方法,其特征在于,包括:采用时间序列分析方法,对样本数据进行切片处理,得到多个子样本数据,并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中;将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重,并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量,以形成一时序向量序列;分别获取每个网络快照中的节点属性信息构建属性向量,并按照时间顺序构建连续的属性向量序列,所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值;构建贝叶斯深度学习模型,并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试,以得到目标模型,并利用所述目标模型对所述机会网络链路进行预测。
【技术特征摘要】
1.一种机会网络链路预测方法,其特征在于,包括:采用时间序列分析方法,对样本数据进行切片处理,得到多个子样本数据,并将每个所述子样本数据中节点对的连接次数和连接时间划分到对应的网络快照中;将每个所述网络快照中节点对的连接次数和连接时间转换为连接权重,并将每个所述网络快照中的节点对的标识、节点对连接权重映射成一个连续的实数向量,以形成一时序向量序列;分别获取每个网络快照中的节点属性信息构建属性向量,并按照时间顺序构建连续的属性向量序列,所述节点属性信息包括所述网络快照中节点对首次连接时间和最后断开时间、节点对连接次数、节点对总连接时长、节点对每次连接的共同邻居数均值;构建贝叶斯深度学习模型,并利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试,以得到目标模型,并利用所述目标模型对所述机会网络链路进行预测。2.如权利要求1所述的机会网络链路预测方法,其特征在于,所述利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试的步骤包括:将所述属性向量中元素作为所述贝叶斯深度学习模型的网络节点、将所述时序向量序列和属性向量序列作为所述贝叶斯深度学习模型的输入,以及节点对下一时刻的连接状态作为所述贝叶斯深度学习模型的输出,对所述贝叶斯深度学习模型进行迭代训练测试。3.如权利要求1所述的机会网络链路预测方法,其特征在于,所述利用所述时序向量序列和所述属性向量序列对所述贝叶斯深度学习模型进行迭代训练测试的步骤包括:将所述时序向量序列和所述属性向量序列分别按照预设比例划分为训练集和测试集;利用所述训练集中的时序向量序列和属性向量序列对所述贝叶斯深度学习模型进行训练;利用所述测试集中的时序向量序列和属性向量序列对所述贝叶斯深度学习模型进行测试,以确定所述贝叶斯深度学习模型的性能。4.如权利要求1所述的机会网络链路预测方法,其特征在于,所述贝叶斯深度学习模型包括贝叶斯概率图模型和循环神经网络,所述循环神经网络的参数作为所述贝叶斯概率图模型中的网络节点。5.如权利要求1所述的机会网络链路预测方法,其...
【专利技术属性】
技术研发人员:马玉良,舒坚,刘琳岚,
申请(专利权)人:南昌航空大学,
类型:发明
国别省市:江西,36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。