融合用户行为同步指标的链路预测研究

现有链路预测方法大多基于网络结构相似性及连边的权重特征,没有有效挖掘连边权重形成的时序信息。考虑到两个节点行为的时间同步性往往是由于两个节点存在链接造成的,因此在网络结构的重构研究中通常利用节点的行为同步性来反推它们之间是否存在链接关系。该文尝试将节点同步性信息这一网络重构的方法引入链路预测领域,提出一种网络拓扑相似性上融合节点行为同步指数的链路预测算法。经过两类6种真实网络数据的比较分析,发现该算法可有效提高链路预测准确率,相比现有方法,Precision指标提高了15.3%～68.2%。该研究不仅发现节点局域结构相似性和节点行为同步指数对链路预测的共同影响,也揭示了不同类别真实加权网络的内在结构和动态特征。     

基于异质模体特征的社交网络链路预测

现有链路预测方法大多是针对同质网络,没有考虑到真实网络多数是节点或连边性质具有差异的异质网络,无法充分利用不同类型节点或连边的拓扑结构信息.提出了一种基于异质模体特征的链路预测方法,将网络中的用户以性别差异作为节点类型划分,构建区分节点类型的异质模体特征进行异质网络中的链路预测.在此基础上,提出融合同质模体与异质模体特...     

基于共同邻居有效性的复杂网络链路预测算法

链路预测旨在预测网络中的缺失连边，对于实际网络演化机制的了解具有重要意义。虽然现有研究已经提出了很多相似性指标，但它们都忽视了不同网络结构下共同邻居的有效性，而局部拓扑结构信息尤其是共同邻居结构在计算节点间相似性中发挥重要作用。考虑到共同邻居周围局部拓扑信息，该文提出了一种高效共同邻居指标。该指标首先分析了共同邻居所有连边的有效性，分别从端点两侧量化了节点的有效性；然后，通过分析共同邻居节点拓扑有效性对两侧资源分配过程的影响刻画节点间相似性。15个实际网络数据实验表明，相比现有经典的9种方法，所提方法具有较高的预测精度。     

基于拓扑有效连通路径的有向网络链路预测方法

链路预测旨在利用已有的网络拓扑信息来挖掘未知连边,具有较高的应用价值。大部分已有的基于拓扑结构的方法,关注节点对之间的路径数或者预测节点对的出入度,未有效挖掘节点对之间的连边长度和连边上节点的影响力对相似性的影响。针对此问题,该文提出了基于拓扑有效连通路径的链路预测方法,并分析了不同路径长度在节点度、半局部中心性和H-指数这3种不同衡量节点影响力指标下对节点相似性的贡献。通过8个真实网络仿真,发现H-指数能有效量化节点的局部影响力,且在3种衡量指标下均具有较高的预测精度。     

基于学习自动机与萤火虫算法的链路预测

便携交换网络由具有社区属性和移动规律的人组成,具有节点移动性、节点间间歇性连接、高延迟等特点,本文研究其网络行为预测中的链路预测问题,提出基于学习自动机和萤火虫算法的链路预测方法。采用学习自动机对节点进行自适应聚类,完成网络的社区划分;定义社区属性影响系数和移动行为影响系数,构建反映便携交换网络社区属性、节点移动性和节点间间歇性连接的相似性指标;将该指标与CN、RA、AA等指标融合,得到便携交换网络的相似性指标向量;借助差分整合移动平均自回归模型的时间序列分析能力,提取相似性指标向量序列的演化规律;采用萤火虫算法优化所构建的二分类器,预测节点对下一时刻的连接状态。在INFOCOM06和MIT两个真实数据集上的实验结果表明,与受限玻尔兹曼机、弱评估器等方法对比,本文方法具有更高的准确率和更好的稳定性。     

基于边重整化方法的新社团检测算法

现实网络构造过程中，存在连接数据不完整甚至自相矛盾等问题，且现有的社团检测算法易出现丢失部分连接信息等现象，为此，提出一种基于边重整化方法的新社团检测算法。根据“节点间相似性越小则属于同一社团的概率也越小”原理，引入节点间随机游走的稳态概率来衡量节点之间的相似性，不断移除相似性最小的现存连边，并补充相似性最大的丢失连边，以保持网络总连接边数不变。最后通过实例验证了新社团检测算法的有效性。     

基于模块度相似性的二分网络链路预测算法

基于社团结构，提出模块度相似性的二分网络链路预测算法，克服了二分网络在链路预测中丢失社团结构信息的局限性。首先，通过定义二分模块度，利用奇异值分解，将网络中的节点嵌入到欧式空间中的向量。其次，提出二分网络模块度相似性的框架，利用向量余弦相似度定义二分网络节点对之间的模块度相似性指标(MS指标)。最后，基于小提琴图和评价指标AUC，在3个真实网络上进行模拟仿真，与9种链路预测相似性指标进行对比，证明MS指标用于二分网络链路预测具有较高的精度。     

异常链路分析在电力网络恢复中的应用

在大规模瘫痪状态下的电力系统的恢复过程中，网络中的一些特殊连边起到了关键作用，这是该文提出的基于异常链路分析的网络重构策略的主要思想。通过链路预测算法对网络中真实存在的连边进行异常度排名，以优先恢复异常度高的电源节点为目标，建立骨架网络恢复策略，然后根据链路的重要性进行骨架网络之外的线路的修复。这样不仅可以快速连通电源发电机，也能及时恢复重要线路，具有实际意义。     

融合权重和结构的加权非负矩阵分解的链路预测

链路预测的目标是根据已知网络结构信息去预测尚未连接的节点间形成链接的可能性。大部分现存链路预测方法仅关注无向无权网络,忽略自然权重与网络结构,从而导致预测精度下降。为此,文章提出一个加权非负矩阵分解（WNMF）的链路预测模型。该模型同时保持自然权重和加权网络局部结构。首先,将权重网络的邻接矩阵分解映射到低维潜在空间,以保持原始网络自然链接权重,然后将3个经典的加权共同邻居（WCN）、加权Adamic-Adar（WAA）和加权资源分配（WRA）作为指示矩阵分配给非负矩阵分解模型,以保持网络局部结构,并融合以上两类信息提出3个基于加权非负矩阵分解框架（WNMF框架）的链路预测模型:WNMF-WCN、WNMF-WAA和WNMF-WRA。此外,采用拉格朗日乘法规则学习所提3个模型参数。在6个真实世界加权网络上将现有链路预测模型与本文链路预测模型相比较,其结果表明,所提模型的PCC和Precision值最高可分别提升22.8%和23.5%。     

加权网络中基于多路径节点相似性的链接预测

鉴于现有大多数链接预测算法仅考虑了图的局部或全局特性,在预测准确率和计算复杂度上难以均衡,且有关加权网络的链接预测研究相对较少,提出新的加权社会网络链接预测算法(STNMP).引入节点对边权强度的概念,用于度量邻居节点间的局部相似度.提出路径相似性贡献的概念,定义多路径传输节点相似性,用于描述步长为2和3的所有路径及这些路径上的中间节点对于所连接的两个节点的相似性总贡献.在多个真实网络中对算法的有效性进行验证,以AUC作为评价指标,与经典相似性算法CN、Jaccard、AA等进行预测准确率的对比分析.结果显示,针对小规模社会网络,STNMP算法的预测准确率高于现有算法.     

基于卷积神经网络的链接表示及预测方法

针对节点全局表示和链接局部拓扑关系,提出链接序列化表示及卷积神经网络（CNN）提取序列特征的链接预测方法.研究节点间的局部拓扑及共邻关系,基于共邻紧密度构建链接局部拓扑的有序节点序列,并用node2vec节点向量表达生成潜在链接的矩阵表示;基于CNN建立链接预测的分类模型,采用CNN可变滤波器窗口卷积运算提取序列中共邻与节点对的多层隐含关系,分类训练实现链接的有效预测.在4种大规模网络数据集上的实验结果表明,相比已有方法,该方法的AUC值有显著提高,最高达12.4%,稳定性及普适性较强,解决了传统方法对大规模稀疏网络的预测准确率下降问题.     

多目标融合势博弈无线自组网络拓扑控制算法

针对基于博弈论的无线自组网络拓扑控制算法存在个别"瓶颈节点"负载不均衡、冗余链路多、生存时间短的问题,提出了一种多目标融合的网络拓扑控制算法。首先通过分析网络的连通性、节点发射功率、剩余能量、节点度、链路质量和链路长度对节点负载的影响,设计了一种改进的综合效用函数;建立多目标融合的网络拓扑控制势博弈模型,并证明该模型是序数势博弈且存在纳什均衡解;在维持网络k-连通的基础上,再采用最小路集算法对博弈后的网络拓扑链路进行优化,剔除冗余链路。仿真实验及对比分析结果表明,所提算法在保证网络连通性的前提下,实现了网络负载均衡,消除了冗余链路,生存时间相较于分布式能耗均衡拓扑控制算法、能量平衡拓扑控制博弈算法和节能容错拓扑控制博弈算法分别提升了25.4%、92.6%、36.8%。     

基于单元格的无线传感器网络节点定位算法

在一种由基本单元格构成的离散化无线传感器网络模型中,针对典型的Bounding Box定位方法存在的问题,利用所有位置已知的锚节点对于未知节点位置形成的约束,提出了2种分布式的节点定位算法LIE和LIE-R,并对新算法的性能进行了详细的评估。理论分析及仿真实验结果均表明,文中所提出的算法具有良好的定位性能。     

基于Kleinberg模型的P2P网络搜索协议

针对基于DHT技术的结构化P2P网络存在路由效率低和负载不均衡问题,依据Kleinberg小世界模型设计了一个结构化P2P网络协议.P2P网络由一些相互连接结点类构成,结点类之间存在长程连接和短程连接,具有一定的小世界特征,减少了查询路由步数;通过设置结点类内部结点数量的最大值,可以平衡P2P网络负载;分析了P2P网络搜索开销,基于Kleinberg小世界模型的P2P网络搜索平均传递步数存在一个上界.实验结果表明,随着网络规模的扩大,平均搜索步数呈对数函数增长;长程连接数量增多可以减少平均搜索步数,减少的趋势呈反比函数.     

基于最优刚性子图的势博弈无线传感器网络拓扑优化算法

为了高效的利用网络资源,均衡网络拓扑能耗、剔除网络拓扑冗余链路、降低节点负载、最大化的延长网络的生命周期。本文通过势博弈和最优刚性子图的概念,综合考虑节点的剩余能量、节点的负载及网络拓扑链路的冗余性,设计了一种基于最优刚性子图的势博弈无线传感器网络拓扑优化算法(PGOSG)。首先,根据节点间通信的功率变化,构造节点的功率集合作为博弈的策略集,利用势博弈理论以均衡能耗均衡为目标构建势博弈函数,并使其收敛至纳什均衡点,进而构建初步的网络拓扑结构。然后,利用最优刚性图全局链路数较少,且不损坏网络拓扑结构的特性,在上一步构建的网络拓扑结构上,利用最优刚性子图逐层剔除网络拓扑中的冗余链路,得到最终的网络拓扑结构。仿真实验分析了PGOSG算法的网络拓扑图、链路通信质量、网络鲁棒性以及网络生命周期,并将其与现有的DEBA算法进行了对比。从仿真结果可知：在拓扑结构上,PGOSG算法在网络的通信链路上剔除了网络中的冗余链路,降低了网络中部分节点的负载。在能耗均衡上,博弈算法制定了节点数据转发规则有效的利用了网络资源,均衡了节点能耗、避免节点间冗余转发。因此本文提出的算法能够剔除网络中的冗余链路,降低节点的负载和链路权值,延长网络生存时间。     

基于多变量LSTM神经网络的澳大利亚大火预测研究

长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点,在许多实际应用中展现了优异的性能。该文构建了LSTM多变量数据驱动的预测模型,通过多变量输入的方式预测澳大利亚森林大火。首先使用多变量LSTM预测模型对日最高温度进行预测,并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比。研究表明:以相关变量为输入的BP神经网络无法考虑时序变化规律,预测误差最大;以温度单变量为输入的ARIMA根据时序变化做出相应预测,预测效果较好;多变量LSTM预测模型综合考虑了多种因素的相互影响,同时结合了时间序列依赖关系,预测效果最好。最后通过多变量LSTM预测模型对某节点是否着火进行了预测,预测结果与实际值契合较好。总体来说,多变量LSTM预测模型对澳大利亚大火的预测结果可信。     

Anycast service model and its QoS routing algorithm

Ａｓｍｏｒｅｈｏｓｔｓａｒｅｃｏｎｎｅｃｔｅｄ ,ｎｅｔｗｏｒｋｓｅｒｖｉｃｅｄｅｍａｎｄｓｅｖｅｎｔｕａｌｌｙｅｘｃｅｅｄｃａｐａｃｉｔｙａｎｄｎｅｔｗｏｒｋｓｅｒｖｉｃｅｄｅｇｒａｄｅｓ.ＡｌｔｈｏｕｇｈｉｔｄｏｅｓｎｏｔａｄｖｅｒｓｅｌｙａｆｆｅｃｔｔｙｐｉｃａｌＩｎｔｅｒｎｅｔａｐｐｌｉｃａｔｉｏｎｓ,ｓｕｃｈａｓｅｍａｉｌａｎｄｆｉｌｅｔｒａｎｓｆｅｒ,ｉｔｄｏｅｓｃａｕｓｅｓｅｒｉｏｕｓｐｒｏｂｌｅｍｓｆｏｒａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｒｅａｌ ｔｉｍｅｒｅｑｕｉｒｅｍｅｎｔｓ,ｓｕｃ…