一种面向大规模目标无线通信网络的拓扑结构推理方法技术

本发明专利技术属于通信网络拓扑结构推理技术领域，具体涉及一种面向大规模目标无线通信网络的拓扑结构推理方法

【技术实现步骤摘要】
一种面向大规模目标无线通信网络的拓扑结构推理方法


[0001]本专利技术属于通信网络拓扑结构推理
，具体涉及一种面向大规模目标无线通信网络的拓扑结构推理方法
。

技术介绍

[0002]在通信网络拓扑结构推理领域，非合作大规模目标无线通信网络的拓扑结构推理是十分重要的研究方向
。
相较于小规模的网络拓扑结构推理，大规模网络拓扑结构推理在效率
。
在大规模网络拓扑结构推理领域主要有以下工作：
[0003]2017
年哈尔滨工程大学的朱新立在其硕士论文
《
大规模网络拓扑主动探测技术研究
》
中提出了一种基于动态轮转的并行拓扑发现算法，该算法比
Traceroute
算法和
Doubletree
算法具有更高的网络拓扑结构探测效率
。
然而该算法需要接入目标网络通信，不适合非合作场景的网络拓扑结构还原
。
[0004]2019
年南京航空航天大学的吴启晖等人公开了一种面向不可靠信息的单传感器拓扑感知方法及装置
(
中国专利申请号：
201911042150.8)
，该方法将通信过程建模为多维霍克斯过程然后利用最小化负对数似然的方法求出初步邻接矩阵，再通过设阈值的方式对邻接矩阵进行筛选，最终获得的邻接矩阵就是目标网络的拓扑信息
。
该方法未考虑网络规模大的情况，当网络中节点数量很多时多维霍克斯似然函数复杂其优化求解过程困难
。
[0005]2021
年国防科技大学徐翔等人在
《
物理学报上
》
发表文章
《
一种基于离散数据从局部到全局的网络重构算法
》
，该算法在已知网络动力学模型的情况下用离散的网络演变数据重构子图，再将子图叠加成完整的网络拓扑，实验表明该方法在大规模的小世界网络
、
无标度网络和随机网络上都有较好的效果
。
然而该方法要求知道网络的动力学模型，在非合作场景下网络动力学模型是很难获得的
。

技术实现思路

[0006]本专利技术的目的在于提供一种面向大规模目标无线通信网络的拓扑结构推理方法
。
[0007]一种面向大规模目标无线通信网络的拓扑结构推理方法，包括以下步骤：
[0008]步骤1：接收来自目标无线通信网络的信号并从中提取通信事件识别信号的辐射源
x
i
；
[0009]步骤2：若来自已经判断通联关系的辐射源节点，则返回步骤1；否则，来自新的辐射源节点，执行步骤3；
[0010]步骤3：若当前已还原的目标无线通信网络拓扑节点数小于
M
，则分析节点
x
i
与所有已还原的目标无线通信网络节点信号通信事件之间的格兰杰因果，确定节点
x
i
与络节点之间的通联关系；
[0011]若当前已还原的目标无线通信网络拓扑节点数大于或等于
M
，则将节点
x
i
与已还
原的目标无线通信网络节点组成的图输入预训练好的图卷积神经网络，输出节点
x
i
边权重已更新的结果图，分析
x
i
与边权重大于或等于
0.5
的节点之间的格兰杰因果，确定节点
x
i
与与边权重大于或等于
0.5
的节点之间的通联关系；
[0012]步骤4：重复执行步骤1至步骤3，直至完成目标无线通信网络中所有节点之间的格兰杰因果分析，输出最终的目标无线通信网络的拓扑结构图
[0013]进一步地，步骤3中所述图卷积神经网络的训练方法具体为：
[0014]步骤
3.1
：找一个和目标通信网络
G'
规模大小
、
通联关系相近的已知拓扑结构的大规模网络
G
作为深度强化学习模型学习的场景；
[0015]步骤
3.2
：根据图卷积神经网络的输出决定待分析节点对完成一次网络拓扑结构还原；
[0016]步骤
3.3
：根据
Bellman
方程回溯最终奖励
R
得到一次还原过程中所有步骤最终的状态
‑
动作
‑
奖励
‑
观测四元组；
[0017]其中，状态为当前已还原的网络拓扑结构动作为要分析新出现节点
x
i
和哪个已知节点之间的通联关系；为奖励，包括过程奖励
R
t
和最终奖励
R
，，表示在已分析的节点
x
i
与已还原网络节点关系中是通联关系的数量，表示在已分析的节点
x
i
与已还原网络节点关系中不是通联关系的数量，
G
为目标通信网络真实的通联关系，为最终还原的目标通信网络通联关系；观测为执行动作后还原的网络拓扑结构
[0018]步骤
3.4
：若已完成
m1次还原，则将状态
‑
动作相同的四元组以取平均的方式保留；否则，返回步骤
3.2
；
[0019]步骤
3.5
：将多次尝试还原网络拓扑结构过程中得到的四元组打乱顺序放入经验池中，用经验池中的数据训练图卷积神经网络；
[0020]步骤
3.6
：若已完成
m2次训练，则输出训练好的图卷积神经网络；否则，返回步骤
3.2
继续训练
。
[0021]本专利技术的有益效果在于：
[0022]本专利技术适用于非合作场景，且适用于大规模通信网络，还原大规模通信网络的效率高，能在前期挖掘出大部分的通联关系
。
本专利技术以强化学习的方式找出最优的通联关系分析顺序，以图卷积神经网络的方式表示网络还原中复杂的状态
‑
动作
‑
奖励
‑
观测四元组，不影响最高网络还原程度，相比于一般的网络拓扑结构推理方法具有效率高的优势，能够在整个还原过程前期实现大部分目标网络中有通联关系的拓扑结构的还原
。
附图说明
[0023]图1是大规模网络还原强化学习模型学习机理图
。
[0024]图2是本专利技术拟实现的效果示意图
。
[0025]图3是本专利技术的架构图
。
[0026]图4是深度强化学习模型中图卷积神经网络输入输出示意图
。
[0027]图5是本专利技术中图卷积神经网络训练流程图
。
[0028]图6是本专利技术的流程图
。
具体实施方式
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向大规模目标无线通信网络的拓扑结构推理方法，其特征在于，包括以下步骤：步骤1：接收来自目标无线通信网络的信号并从中提取通信事件识别信号的辐射源
x
i
；步骤2：若来自已经判断通联关系的辐射源节点，则返回步骤1；否则，来自新的辐射源节点，执行步骤3；步骤3：若当前已还原的目标无线通信网络拓扑节点数小于
M
，则分析节点
x
i
与所有已还原的目标无线通信网络节点信号通信事件之间的格兰杰因果，确定节点
x
i
与络节点之间的通联关系；若当前已还原的目标无线通信网络拓扑节点数大于或等于
M
，则将节点
x
i
与已还原的目标无线通信网络节点组成的图输入预训练好的图卷积神经网络，输出节点
x
i
边权重已更新的结果图，分析
x
i
与边权重大于或等于
0.5
的节点之间的格兰杰因果，确定节点
x
i
与与边权重大于或等于
0.5
的节点之间的通联关系；步骤4：重复执行步骤1至步骤3，直至完成目标无线通信网络中所有节点之间的格兰杰因果分析，输出最终的目标无线通信网络的拓扑结构图
2.
根据权利要求1所述的一种面向大规模目标无线通信网络的拓扑结构推理方法，其特征在于：步骤3中所述图卷积神经网络的训练方法具体为：步骤
3.1
：找一个和目标通信网络
G'
规模大小
、
通联关系相近的已知拓扑结构的大规模...

【专利技术属性】
技术研发人员：周志超，侯长波，吴翔宇，张志鹏，付丁一，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：