[发明专利]机会网络链路的预测方法、装置及可读存储介质

说明书

本发明涉及一种机会网络链路的预测方法、装置及可读存储介质，所述方法包括：基于随机游走算法以及二阶邻居信息，重构马尔科夫转移概率矩阵，根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标；根据时间序列分析法，对机会网络数据进行切分得到多个网络快照，根据所述改进的重启随机游走相似性指标，对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵；建立深度信念网络预测模型，将所述相似性矩阵作为模型输入，经迭代训练测试后得到能量最低的深度信念网络预测模型，以对机会网络链路进行预测。本发明提出的机会网络链路的预测方法，可实现对网络链路的精准预测。

技术领域

本发明涉及通讯数据处理技术领域，特别涉及一种机会网络链路的预测方法、装置及可读存储介质。

背景技术

机会网络是一种不需要源节点与目标节点之间的完整链路，利用节点移动所带来的相遇机会便可实现通信的自组织网络。在机会网络中，通信不需要网络的全连通，信息通过节点的“携带-存储-转发”的模式进行传输，直至到达目标节点。

网络中的链路预测指的是通过已知的网络结构与节点属性等信息，预测网络中尚未产生连边的两个节点之间产生连接的可能性。此种预测方式既包含了对未知链接的预测，也包含了对未来链接的预测。链路预测作为数据挖掘领域的研究方向之一，研究的思路与方法主要基于马尔科夫链和机器学习。在目前的链路预测研究中，主要可以分为基于相似性的链路预测、基于最大似然估计的链路预测以及概率模型。

然而，由于机会网络中节点的移动性，导致网络拓扑频繁变化，节点间无固定的通信路径，相比于传统的动态网络，机会网络的链路状态变化更加复杂且网络更加稀疏，直接导致了若采用传统的链路预测方法，将无法获取机会网络的链路状态变化特征的问题。

发明内容

基于此，本发明的目的是为了解决现有技术中，若采用传统的链路预测方法，将无法获取机会网络的链路状态变化特征的问题。

本发明提出一种机会网络链路的预测方法，其中，所述方法包括如下步骤：

基于随机游走算法以及二阶邻居信息，重构马尔科夫转移概率矩阵，根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标；

根据时间序列分析法，对机会网络数据进行切分得到多个网络快照，根据所述改进的重启随机游走相似性指标，对切分后的各个所述网络快照进行随机游走得到对应的相似性矩阵；

建立深度信念网络模型，将所述相似性矩阵作为模型输入，经迭代训练测试后得到最优深度信念网络预测模型，以对机会网络链路进行预测。

本发明提出的机会网络链路的预测方法，首先基于随机游走算法，重构随机游走者的马尔科夫转移概率矩阵，从而得到改进后的重启随机游走相似性指标，并对机会网络数据进行切片，并采用改进后的重启随机游走相似性指标对各个网络快照进行随机游走，得到各个网络快照的相似性矩阵，利用特征提取能力强、数据表征效果好的深度信念网络模型，自发地提取机会网络中链路状态变化的内在特征，从而对机会网络链路进行预测。本发明提出的机会网络链路的预测方法，可实现对网络链路的精准预测。

另外，本发明提出的机会网络链路的预测方法，还可以具有如下附加的技术特征：

所述机会网络链路的预测方法，其中，所述基于随机游走算法以及二阶邻居信息，重构马尔科夫转移概率矩阵，根据马尔科夫转移概率矩阵得到改进的重启随机游走相似性指标包括如下步骤：

基于所述随机游走算法，根据二阶邻居节点以及各个节点的度计算得到所述马尔科夫转移概率矩阵；

根据所述马尔科夫转移概率矩阵计算随机游走粒子到达各节点的概率向量，并根据各个所述概率向量得到所述重启随机游走相似度值。

所述机会网络链路的预测方法，其中，所述马尔科夫转移概率矩阵包括多个概率矩阵元素，所述概率矩阵元素的表达式为：