[发明专利]一种基于谱聚类和C4.5算法的机会路由实现方法

说明书

本发明涉及一种基于谱聚类和C4.5算法的机会路由实现方法。其发明内容主要包括：(1)亲密度权重计算方法；(2)基于谱聚类的子社区划分方法；(3)基于C4.5算法的“信使节点”识别模型；(4)基于亲密社区和决策树算法的机会路由实现方法。通过谱聚类将节点社区化，当源节点与目的节点同社区时，基于简单的泛洪传递消息，提高消息传递效率。当源节点与目的节点不同社区时，通过决策树模型确定“信使节点”，利用“信使节点”充当媒介，将消息传递至目的社区，实现跨社区传递消息。

技术领域

本发明涉及机器学习领域和无线通信技术领域，一种基于谱聚类和C4.5算法的机会路由实现方法。

背景技术

随着5G的兴起，无线通信技术的快速发展，越来越多小体积、低成本、具有短距离通信能力的移动终端设备得以大规模的普及。无线通信网络因其通信灵活、部署简单、成本低廉等特点被广泛应用到地下、水下、深空、山丘等各种极端的、具有挑战性的特殊环境中。但在这些应用中，由于节点移动、节点稀疏、射频关闭或障碍物造成信号衰减等多种原因都可能导致网络在大多数时候不能连通。在这种网络环境中，传统的MANET通信模式无法适用。而机会网络因其特殊的通信方式“存储-携带-转发”，可以有效地解决上述问题，但由于机会网络的拓扑动态变化，节点之间没有相对稳定的数据传输路径。因此，实现具有良好路由性能的路由协议是机会网络研究中最具挑战性的问题之一。

为了克服机会网络中不可预测性和高移动性带来的问题，已提出了许多路由协议，这些协议试图利用节点自身的移动性来帮助进行路由，大多数都采用基于泛洪的方法，其中消息以有限的生存时间(TTL)在整个网络中传播。节点通过在洪泛期间将副本发送到其他节点来帮助消息到达其目的地。虽然洪泛提高了传递概率，但它需要高开销，会消耗许多节点能量。因此，对于有限能量的移动节点，简单的泛洪是不切实际的。

随着人工智能的发展，机器学习算法在研究优化问题方面取得了很大的进步。因此可以考虑在机会网络领域中结合机器学习方法进行优化改进，自适应转发消息。目前谱聚类(spectral clustering，SC)是一种广泛使用的聚类算法，比起传统的K-Means算法，谱聚类对数据分布的适应性更强，对于处理稀疏数据的聚类很有效，同时聚类的计算量也小很多。C4.5算法是机器学习算法中的一个分类决策树算法，它是基于ID3算法进行改进后的一种重要算法，对于数据分类方面具有良好效果。因此本发明利用谱聚类划分的亲密社区，以及基于C4.5算法构造的“信使节点”识别模型来辅助机会网络中的消息转发。

发明内容

本发明提出了一种基于谱聚类和C4.5算法的机会路由实现方法，主要包括四大内容：

(1)亲密度权重计算方法；

(2)基于谱聚类的子社区划分方法；

(3)基于C4.5算法的“信使节点”识别模型；

(4)基于亲密社区和决策树算法的机会路由实现方法。

具体内容如下：

(1)亲密度权重计算方法。

定义1节点间亲密度越高，则认为越容易进行通信。本发明将单位时间内，节点间平均间隔通信时间的倒数作为其亲密度。它的意义表示两节点等待下一次通信时间越短，说明它们越亲密。平均间隔通信时间通过以下公式计算：

其中Intervals_(i,j)表示节点i与节点j之间的平均间隔通信时间，delay_time_(i,j,n)表示节点i与节点j第n次间隔时长，count表示单位时间内节点i与节点j之间通信总次数。间隔时长等于本次开始通信时刻减去上次结束通信时刻。

节点间的亲密度可通过以下公式计算：