一种基于鲁棒增强损失函数的图链路预测方法技术

本发明专利技术公开了一种基于鲁棒增强损失函数的图链路预测方法，涉及计算机图像传输领域，包括；该基于鲁棒增强损失函数的图链路预测方法，通过基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T

【技术实现步骤摘要】
一种基于鲁棒增强损失函数的图链路预测方法


[0001]本专利技术涉及计算机图像传输技术，具体涉及一种基于鲁棒增强损失函数的图链路预测方法。

技术介绍

[0002]在社交网络、推荐系统、生物学等领域，应用可表示为图流，即一种大规模的、高度动态的图结构。在图流中，节点和边以流的形式动态地到达和接收，且到达速度非常快。图流可以看作图和数据流的结合，因此类似于数据流，图流中的每条边只能被处理一次。
[0003]在以图流表示的应用中，广泛使用到了链路预测的方法。由于真实世界的图流规模太大，很难存储在内存甚至是硬盘上，并且图流中的边只能被处理一次，传统的链路预测方法在图流场景中遇到了很大的挑战。首先，由于图流规模庞大，不仅会消耗大量的存储空间，在整个图流中进行链路预测会导致链路预测的效率不高，预测时会有一定程度的延迟，不能做到实时的链路预测。为解决由于图流规模庞大而导致的预测效率低的问题，现有的链路预测方法基本上都会对图流进行采样，以减少存储成本，并提升算法效率，但是，采样会丢失图的信息，这会导致在链路预测的准确性得不到保证。
[0004]申请号为201910141425.7的中国专利公开了一种图流中针对节点的链路预测方法，包括：持续动态地对图流进行采样以得到样本图，并获得样本图中各节点的邻接点集合的索引结构作为对应节点的索引节点集；若目标节点未被查询过，则过滤掉图流中与其相似度为0的节点，从而得到由剩余节点构成的候选节点集；否则，获得上一查询时刻至当前查询时刻之间与目标节点的相似度增大的所有节点，并加入到上次查询到的节点集合中，从而得到候选节点集；根据样本图及索引节点集，计算候选节点集中各节点与目标节点的相似度，以筛选出与目标节点的相似度最高的top
‑
k个节点，从而完成针对目标节点的链路预测。本专利技术能够在图流中实现针对节点的链路预测，并提高链路预测的效率和准确率。
[0005]现有技术未开展鲁棒性分析研究，不仅无法预估模型应用表现、优化安全设计、更能帮助研究人员理解模型决策过程的问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于鲁棒增强损失函数的图链路预测方法，以解决现有技术未开展鲁棒性分析研究，不仅无法预估模型应用表现、优化安全设计、更能帮助研究人员理解模型决策过程的问题。
[0007]为了实现上述目的，本专利技术提供如下技术方案：一种基于鲁棒增强损失函数的图链路预测方法，所述图链路预测方法为：S1，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M；S2，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理；
S3，在T
‑
GCN模型中，上述归一化处理后的矩阵即为输入，而在E
‑
GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵；S4，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练；S5，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
[0008]进一步地，所述图链路相关数据包括图链路时空网络模型数据，所述图链路时空网络模型数据的分析方法为：A1，首先需要基于图像传输的OD数据来还原其出行的整条传输路线，若从传输端到接收端的路线不止一条，则根据图像传输的传输行为和接收端作为筛选标准来选择路线，所述筛选标准包括最短线路、最少线路转换次数、最短线路转换时间，如果仍有多条线路符合上述筛选标准，则从这些线路中随机选择一条；A2，估计图像离开传输线路的第一个传输节点的时间，图像进入传输节点后，需要传输一段时间才能到节点输出端，可利用公式计算图像的出发时间；A3，计算图像经过任意两个相邻传输节点所用的时间。
[0009]进一步地，所述图链路相关数据还包括图链路级联失效模型数据，所述图链路级联失效模型数据的分析方法为：B1，每个节点都有一个在区间[0，1]内随机选择的阈值θ
i
，该阈值表示受到其他节点影响的难易程度；B2，指定初始的失效节点；B3，节点在时间步t0+1状态的变化；B4，通过设定鲁棒性度量指标R（t）评估级联失效规模对网络鲁棒性的动态影响。
[0010]进一步地，所述链路网络G的构建方法为：C1，利用L
‑
Space方法构建传输线路网络中传输线路信息；C2，传输线路网络可以形式化为无向不加权图G；C3，用邻接矩阵A来表示节点之间的连接关系。
[0011]进一步地，所述特征矩阵的构建方法为：D1，将传输线路节点的图像传输量视为G中节点的属性特征；D2，计算每个数据传输节点在时间t时的数据传输量；D3，学习映射函数f；D4，下一个T时刻站点的图像传输量。
[0012]进一步地，所述图链路预测方法为，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T
‑
GCN模型中，上述归一化处理后的矩阵即为输入，而在E
‑
GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
[0013]与现有技术相比，本专利技术提供的一种基于鲁棒增强损失函数的图链路预测方法，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理，在T
‑
GCN模型中，上述归一化处理后的矩阵即为输入，而在E
‑
GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。
附图说明
[0014]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0015]图1为本专利技术实施例提供的整体预测结构示意图；图2为本专利技术实施例提供的时间步t0节点影响结构示意图；图3为本专利技术实施例提供的时间步t0+1节点影响结构示意图。
具体实施方式
[0016]为了使本领域的技术人员更好地理解本专利技术的技术方案，下面将结合附图对本专利技术作进一步的详细介绍。
[0017]请参阅图1
‑
2，一种基于鲁棒增强损失函数的图链路预测方法，图链路预测方法为：S1，基于图链路相关数据，提取链本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述图链路预测方法为：S1，基于图链路相关数据，提取链路拓扑结构，构建链路网络G；提取站点历史图像数量数据，构建特征矩阵M；S2，获取的邻接矩阵A，并通过对称规范化的拉普拉斯算子对邻接矩阵A进行归一化处理；S3，在T
‑
GCN模型中，上述归一化处理后的矩阵即为输入，而在E
‑
GCN中还需对矩阵进行自身节点权重增强的处理，即在归一化矩阵的基础上加上矩阵；S4，将特征矩阵M进行归一化处理以及增加主对角线上节点权重后的邻接矩阵作为GCN的输入，进行训练；S5，将具有空间特征的时间序列作为GRU的输入，以获取图像数量数据中的时空特征。2.根据权利要求1所述的一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述图链路相关数据包括图链路时空网络模型数据，所述图链路时空网络模型数据的分析方法为：A1，首先需要基于图像传输的OD数据来还原其出行的整条传输路线，若从传输端到接收端的路线不止一条，则根据图像传输的传输行为和接收端作为筛选标准来选择路线，所述筛选标准包括最短线路、最少线路转换次数、最短线路转换时间，如果仍有多条线路符合上述筛选标准，则从这些线路中随机选择一条；A2，估计图像离开传输线路的第一个传输节点的时间，图像进入传输节点后，需要传输一段时间才能到节点输出端，可利用公式计算图像的出发时间；A3，计算图像经过任意两个相邻传输节点所用的时间。3.根据权利要求1所述的一种基于鲁棒增强损失函数的图链路预测方法，其特征在于，所述图链路相关数据还包括图链路级联失效模型数据，所述图链路级联失效模型数据的分析方法为：B1，每个节点都有一个...

【专利技术属性】
技术研发人员：毛新华，王晨旭，张洪岭，李灿，茹媛祯，张鹏，马龙，车玲，
申请(专利权)人：合肥中科云数科技有限公司，
类型：发明
国别省市：