一种基于机器学习的混合聚类机会路由实现方法技术

本发明专利技术设计了一种基于机器学习的混合聚类机会路由实现方法。其发明专利技术内容主要包括：(1)基于混合聚类算法的热点位置估计模型；(2)基于DBSCAN算法的子社区划分；(3)基于消息状态的冗余副本清除机制；(4)基于节点多社区属性及中心度的消息转发策略。本发明专利技术从节点的社会性、规律性等角度出发，构建热点位置估计模型来计算节点的热点位置，并对热点位置进行聚类得到簇，一个节点由于拥有多个热点位置，可能同属于多个簇，即多个社区。在消息传递过程中，本发明专利技术充分利用节点的多社区特性以及中心度来决策下一跳路由，同时设定冗余副本清除机制来减少消息的无效传递，避免资源浪费。

【技术实现步骤摘要】
一种基于机器学习的混合聚类机会路由实现方法
本专利技术涉及机器学习领域和无线通信
，一种基于机器学习的混合聚类机会路由实现方法。
技术介绍
随着无线技术的进步，各种小巧、智能的移动终端设备得以广泛应用，由于机会网络不要求端到端之间建立完整的通信路径，而是利用节点移动带来的通信机会进行消息传递等特点，成为了通信领域的研究热点。但因为节点的频繁移动，拓扑结构动态变化，没有稳定的端到端消息转发路径，如何使消息高效、低迟延地传递至目的节点成为了机会网络研究中的热点问题之一。车联网是由车和具有短距离通信能力的移动终端设备所组成的网络，属于机会网络的一类。它将传感器技术、短距离移动通信以及信息处理技术结合在一起，其本质是一种无中心的移动自组织网络。在消息传递中，往往不要求源节点与目的节点之间存在完整的通信路径，而是利用节点移动带来的相遇机会来实现消息传递。这种以人为载体的移动网络中，节点往往具有一定的社会性、规律性。具体表现在：(1)节点因具有相同的兴趣、社会地位等形成相对稳定且相互依赖关系，从而呈现节点社区化现象。在社区中，节点之间本文档来自技高网...

【技术保护点】
1.一种基于机器学习的混合聚类机会路由实现方法，其特征包括：/n(1)基于混合聚类算法的热点位置估计模型；/n(2)基于DBSCAN算法的子社区划分；/n(3)基于消息状态的冗余副本清除机制；/n(4)基于节点多社区属性及中心度的消息转发策略。/n

【技术特征摘要】
1.一种基于机器学习的混合聚类机会路由实现方法，其特征包括：
(1)基于混合聚类算法的热点位置估计模型；
(2)基于DBSCAN算法的子社区划分；
(3)基于消息状态的冗余副本清除机制；
(4)基于节点多社区属性及中心度的消息转发策略。


2.根据权利要求1所述的基于混合聚类算法的热点位置估计模型，其特征是：由于用户的移动轨迹具有很强的规律性，如用户每天大部分时间都会呆在少数几个位置上，并且按照一定的时间周期在这些位置上移动，在移动过程中，用户当前的移动模式往往与过去相似。在本发明中，将用户访问次数较多、逗留时间较长的地点称为热点位置，因此，结合DBSCAN与K-means算法的优势，构建热点位置估计模型来计算用户的热点位置。


3.根据权利要求1所述的基于DBSCAN算法的子社区划分，其特征是：由...

【专利技术属性】
技术研发人员：周军海，吴海涵，秦拯，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43