[发明专利]一种自主学习优化物联网拓扑结构鲁棒性的方法

说明书

本发明公开了一种自主学习优化物联网拓扑结构鲁棒性的方法，步骤1：初始化物联网拓扑结构；步骤2：压缩拓扑结构；步骤3：初始化自主学习模型。根据深度学习与增强学习的特征，构建一种深度确定性学习策略模型来训练物联网拓扑结构；步骤4：训练与测试模型；步骤5：一次独立重复实验中周期性的重复步骤4，多次独立重复性实验中周期性的重复步骤1、2、3和4；直至最大的迭代次数。在此过程中，最大的迭代次数被设置，每次独立重复实验，选取最优的结果。多次重复实验，选取平均值作为此次实验的结果。本发明可以显著的提高初始拓扑结构抵御攻击的能力；自主学习优化网络拓扑结构的鲁棒能力，保证高可靠的数据传输。

技术领域

本发明涉及一种物联网网络技术领域技术领域，特别是涉及一种优化物联网拓扑结构鲁棒性方法。

背景技术

物联网是智慧城市网络中的重要组成部分，大规模的设备节点通过物联网连接在一起为人们提供高质量的服务。但是，连接的设备节点需要容忍失效的威胁，比如设备的随机故障、人为的恶意破坏和自然灾害、能量耗尽等导致的网络部分节点失效从而使得整个网络瘫痪的事件。在物联网广泛的应用场景下，如何保证大规模的节点在网络部分节点失效的前提下保证网络高质量的数据服务通信具有重要的研究意义。

在传统的物联网网络拓扑结构优化中，节点通常被部署在固定的地点，具有一定的通信范围限制。网络拓扑结构按照一种无标度网络模型初始化其网络模型。在网络拓扑结构优化策略中，据我们所知，大部分研究采用贪婪的换边策略或演化算法优化网络拓扑结构的鲁棒性，使得整个网络具有非常高的抵御攻击的能力。比如期刊“Robustnessoptimization scheme with multi-population co-evolution for scale-freewireless sensor networks”提出一种多种群的遗传算法来解决局部最优的问题从而得到全局最优的网络拓扑结构，但是，优化一张网络拓扑结构的时间开销大，而且算法不能累积每次的优化经验导致算法每次运行都需要重新启动。其次，还有的研究者利用神经网络模型来表征网络拓扑结构优化前后的学习行为，减少拓扑的优化时间，但是该方法需要标签目标数据，标签目标数据限定了优化的最大值。因此，在物联网拓扑结构优化中，利用自主学习优化网络拓扑结构策略提高网络拓扑鲁棒性，消除优化目标值的上线，累积每次学习的经验指导后续的优化行为。

发明内容

为解决现有技术存在的问题，本发明旨在提出一种自主学习优化物联网拓扑结构鲁棒性的方法，根据强化学习和深度学习的特性，将物联网拓扑结构作为一个环境空间，同时设计动作空间对其进行环境探索，优化每步动作对环境空间的效果，使累积的优化效果最大化，以此来提高物联网拓扑结构的鲁棒性，同时增加整个网络拓扑结构的自主学习行为。

本发明的一种自主学习优化物联网拓扑结构鲁棒性的方法，该方法包括以下步骤：

步骤1：初始化物联网拓扑结构，即根据无标度网络模型的规则、边密度参数M随机部署节点，并固定地理位置，其中，边密度参数设置为M＝2；

步骤2：压缩拓扑结构，即剔除多余的不在通信范围内的节点信息，在邻接矩阵的形式上仅保留通信范围内的节点连接关系，压缩网络拓扑结构的存储空间，并将压缩后的网络拓扑作为环境空间S，其中，环境空间S为一个行向量，该行向量会随着网络拓扑状态的改变而改变；

步骤3：初始化自主学习模型，即根据深度学习与增强学习的特征构建一种深度确定性学习策略模型来训练物联网拓扑结构：采用一种深度确定性Q-学习网络模型，模拟动作的选取策略π与网络的优化策略Q，将连续动作空间映射到离散动作空间中，设计目标优化函数O与整个训练模型的更新规则；其中：

动作选择策略π由式(1)定义：

a_t＝π(s_t|θ) (1)