[发明专利]自组织网络的流量图谱生成方法

权利要求书

1.一种自组织网络的流量图谱生成方法，其特征在于，包括如下：

(1)将每个节点对于整体网络拓扑的认知描述为一个元组，即流量图谱G:

其中，V＝{v₁,v₂,...,v_i,...,v_n'}表示G中全部点的集合，代表所有本节点了解自组织网络节点，v_i为V中的第i个节点，n’为节点总数，

E＝{e₁,e₂,...,e_j,...,e_m'}表示G中全部边的集合，代表所有本节点了解的于通信范围内两个自组织网络节点之间的无线链路,e_j为E中的第j个链路，m'为链路总数，

是一组点的状态特征，代表了V中的任意节点u随时间t变化的通信状态，q为不同的节点特征编号，f₁^v(u,t)为节点u在t时刻的业务负载，f₂^v(u,t)为节点u在t时刻的移动速度，f₃^v(u,t)为节点u在t时刻的缓冲空间，f₄^v(u,t)为节点u在t时刻的剩余电量；

是一组边的状态特征，代表了V中存在通信链路的两个节点u与v之间随时间t变化的链路通信状态，p为不同的链路特征编号，其中f₁^e(u,v,t)为节点u与v在t时刻之间的链路稳定度，f₂^e(u,v,t)为节点u与v在t时刻之间的链路吞吐量，

(2)初始化仅有历史状态的流量图谱：

(2a)对G中的与以当前时间t_c为分割，将满足t∈[0,t_c]的特征被称为历史状态，表示网络的过去状态，该状态的变化时间用t₁表示；将满足t∈(t_c，+∞)的特征被称为未来状态，表示网络的未来态势，该状态的变化时间用t₂表示；

(2b)在任意节点入网时，该节点初始化一个仅有历史状态的流量图谱G_h：

并初始化V，E、与为空集；

(2c)该入网节点通过采集网络数据填充G_h的全部点的集合V与全部边的集合E；

(2d)依次判断G_h中全部点的集合V的节点u是否为本节点：

如果u是本节点，则通过收集本节点的信息获得其特征与

如果u不是本节点，则通过表驱动的路由算法在控制包中携带获得其特征与

(3)构建网络特征预测框架：

(3a)基于小波神经网络建立业务负载预测模块，通过学习业务负载的数据形成独特的神经网络权重以根据历史数据预测未来态势，该模块的输入为t时刻的业务负载f₁^v(u,t)，模块输出为t+1时刻的业务负载f₁^v(u,t+1)，且需要提前训练才能工作；

(3b)基于小波神经网络建立移动速度预测模块，通过学习节点速度的数据形成独特的神经网络权重以根据历史数据预测未来态势，该模块输入为节点u在t时刻的移动速度f₂^v(u,t)，模块输出为节点u在t+1时刻的移动速度f₂^v(u,t+1)，且需要提前训练才能工作；

(3c)设置缓冲空间预测模块，其输入为业务负载预测模块的输出f₁^v(u,t+1)与节点u在t时刻的缓冲空间f₃^v(u,t)，输出为节点u在t+1时刻的缓冲空间f₃^v(u,t+1)，该模块无需训练；

(3d)设置剩余电量预测模块，其输入为业务负载预测模块的输出f₁^v(u,t+1)、移动速度预测模块的输出f₂^v(u,t+1)与节点u在t时刻的剩余电量f₄^v(u,t)，块输出为节点u在t+1时刻的剩余电量f₄^v(u,t+1)，该模块无需训练；

(3e)将业务负载预测模块，移动速度预测模块，缓冲空间预测模块，剩余电量预测模块级联组成网络特征预测框架，其输入为节点u在t时刻图谱的特征输出其t+1时刻图谱的特征

(4)对网络特征预测框架中的业务预测模块与移动预测模块进行训练，得到训练后的网络特征预测框架：

(4a)初始化业务预测模块与移动预测模块，设置其神经网络参数为随机值；

(4b)使用NS3仿真程序仿真场景含40个不同的节点，分别收集每个仿真节点的业务负载与移动速度，导出并进行相空间重构生成业务负载数据集和移动速度数据集；

(4C)分别使用业务负载预测模块的数据集和移动预测模块的数据集通过梯度下降法对这两个模块进行训练，得到训练后的网络特征预测框架；

(5)利用训练后的网络特征预测框架，得到完整流量图谱：

(5a)将仅有历史状态流量图谱G_h中的作为训练后的网络特征预测框架的输入得到输出

(5b)设置k_t为未来状态预测窗口，k_t∈(0,∞)，循环执行(5a)共k_t次，得到输出并根据该构建包含未来状态的流量图谱G_f：

(5c)将未来状态的流量图谱G_f与仅有历史状态的流量图谱G_h进行交集，获得完整流量图谱G。