机会网络链路预测方法、装置及可读存储介质制造方法及图纸

一种机会网络链路预测方法、装置及可读存储介质，该方法包括：对样本数据进行切片处理，得到多个子样本数据，并将每个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，并将每个网络快照中的节点对的标识、节点对连接权重映射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，并构建属性向量序列；构建贝叶斯深度学习模型，利用时序向量序列和属性向量序列对该模型进行训练测试，以得到目标模型，并利用目标模型对机会网络链路进行预测。本发明专利技术可准确地把握机会网络节点对在时域上的演变规律，准确的对机会网络链路进行预测。

Chance Network Link Prediction Method, Device and Readable Storage Media

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学习模型进行迭代训练测试，以得到目标模型，并利用目标模型对所述机会网络链路进行预测。进一步的，上述机会网络链路预测方法，其中，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。进一步的，上述机会网络链路预测方法，其中，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。进一步的，上述机会网络链路预测方法，其中，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。进一步的，上述机会网络链路预测方法，其中，所述连接权重的计算公式为：其中，A和B表示一个网络快照中的一对节点，N为连接次数，ti为第i次的连接时长。进一步的，上述机会网络链路预测方法，其中，所述实数向量表示为：其中，Ni和Nj为节点对的标识，ω为节点对<Ni,Nj>连接权重。进一步的，上述机会网络链路预测方法，其中，所述属性向量表示为：其中，TS和TN分别为一所述网络快照对应的时间片段内节点对首次产生连接时间和最后断开连接时间，n为节点对<Ni,Nj>连接次数，t为节点对<Ni,Nj>总连接时长，c为节点对<Ni,Nj>连接共同邻居数均值。进一步的，上述机会网络链路预测方法，其中，所述循环神经网络采用门控循环单元的神经网络，其激活函数为LogisticRegression分类器。本专利技术实施例还提供了一种机会网络链路预测装置，包括：数据处理模块，用于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；数据转换模块，用于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；获取模块，用于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；模型构建模块，用于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，并利用目标模型对所述机会网络链路进行预测。本专利技术实施例还提供了一种可读存储介质，其上存储有计算机程序所述程序被处理器执行时实现上述机会网络链路预测方法。本专利技术实施例结合网络中节点对的历史信息和本身信息对下一时刻节点对连接状态的影响，应用时间序列方法对样本数据切片，对样本数据转化为时序向量序列，将节点属性信息映射成连续的实数向量序列，通过基于贝叶斯深度学习模型对数据进行建模和特征提取，从而准确地把握机会网络节点对在时域上的演变规律，准确的对机会网络链路进行预测。附图说明图1为本专利技术第一实施例中机会网络链路预测方法的流程图；图2为本专利技术第一实施例中机会网络链路演化过程的状态图一；图3为本专利技术第一实施例中机会网络链路演化过程的状态图二；图4为本专利技术第一实施例中机会网络链路演化过程的状态图三；图5为本专利技术第一实施例中贝叶斯深度学习模型结构图；图6为本专利技术第二实施例中机会网络链路预测方法的流程图；图7为本专利技术第三实施例中机会网络链路预测装置的结构框图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。参照下面的描述和附图，将清楚本专利技术的实施例的这些和其他方面。在这些描述和附图中，具体公开了本专利技术的实施例中的一些特定实施方式，来表示实施本专利技术的实施例的原理的一些方式，但是应当理解，本专利技术的实施例的范围不受此限制。相反，本专利技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。请参阅图1，为机会网络链路预测方法，用于对机会网络进行链路预测，该方法包括步骤S11～S14。步骤S11，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。该样本数据为训练和测试用的机会网络中的通讯数据。针对机会网络中的通信数据的时序性、社会性，采用基于时间序列分析方法，对通信数据进行切分，可以得到一系列的时间序列网络快照，从而将一段时间内的动态的机会网络转化成静态网络。具体实施时，将一时间段内的样本数据按照预设时长进行划分，得到多个子样本数据，分别将每个子样本数据中节点对的连接次数和连接时间划分到一个网络快照中，并将节点对连接时间转化成常见的时间单位(如秒)，从而本文档来自技高网...

【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