基于元图注意力网络的异质信息网络链路预测方法

由于元路径存在节点之间语义信息模糊、联通性不强的缺陷,现有的基于元路径的异质信息网络链路预测方法不足以很好地捕捉复杂的结构信息和丰富的语义信息,从而影响链路预测性能的提升.为解决此问题,提出基于元图注意力网络的异质信息网络链路预测方法,综合利用元图内节点层面和元图间语义层面两种注意力机制学习节点向量表示,进而用学习到的...     

基于动态贝叶斯网络的WSNs链路质量预测

无线传感器网络中,链路质量预测为数据可靠传输和上层网络协议性能的提高提供支撑。为进一步提高链路质量预测的准确性,提出基于动态贝叶斯网络（dynamic Bayesian networks,DBN）的链路质量预测机制。为避免单一评价指标的片面性,从链路信号质量、链路稳定性及非对称性3方面综合评价链路质量;采用K-means聚类算法对参数进行离散化预处理,得到各参数的离散区间;采用熵值法确定各参数的权重,以消除参数权重计算中主观因素的干扰;为避免最大隶属原则的缺陷,采用非对称贴近度分析法构建综合性的链路质量等级指标;借助贝叶斯网络（Bayesian networks,BN）处理不确定性问题的优势和BN分类器在分类上的良好性能,确定DBN的初始网络和转移网络,采用EM算法进行DBN模型的参数学习,从而构建了基于DBN的链路质量预测模型。实验结果表明了采用非对称贴近度分析法划分链路质量等级的合理性与DBN链路质量预测模型的合理性;与4C及FLI预测模型相比,本文模型具有更高的预测准确度。采用链路信号质量、链路稳定性及非对称性3个指标评价链路质量,采用DBN构建预测模型,可得到更准确及鲁棒性更好的链路质量预测结果。     

基于结构平衡理论和高阶互信息的符号网络表示学习算法

提出了一种基于结构平衡理论和高阶互信息的符号网络表示算法SNSH，通过反转符号网络中的正负关系生成负图，来挖掘符号网络中隐含的高阶互信息。该方法旨在通过加强的社会平衡理论来模拟符号网络的局部隐含特征，并通过节点局部嵌入、网络全局结构和节点特征属性三者之间的高阶互信息，得到更全面的符合符号网络特性的节点嵌入。     

复杂网络链路预测

网络中的链路预测是指如何通过已知的网络结构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。预测那些已经存在但尚未被发现的连接实际上是一种数据挖掘的过程,而对于未来可能产生的连边的预测则与网络的演化相关。传统的方法是基于马尔科夫链或者机器学习的,往往考虑节点的属性特征。该类方法虽然能够得到较高的预测精度,但是由于计算的复杂度以及非普适性的参数使其应用范围受到限制。另一类方法是基于网络结构的最大似然估计,该类方法也有计算复杂度高的问题。相比上述两种方法,基于网络结构相似性的方法更加简单。通过在多个实际网络中的实验发现,基于相似性的方法能够得到很好的预测效果,并且网络的拓扑结构性质能够帮助选择合适的相似性指标。该文综述并比较了若干有代表性的链路预测方法,展望了若干重要的开放性问题。     

基于多维属性的跨域虚拟网络映射算法

基于一种支持多类型业务的跨域融合网络架构,提出了一种基于动态拓扑感知和资源属性的跨域虚拟网络映射算法。基于网络局部和全局角度,分析虚拟网络和物理网络中节点的拓扑信息,结合网络扩展资源,建立节点多属性评价模型,并基于该模型利用主成分分析法和逼近理想解排序法度量节点的映射优先级,随后依据链路资源成本分析网络负载状态。仿真结果表明,该算法提高了多域虚拟网络请求的构建成功率,网络收益开销比增大,并能减小网络映射时延。     

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。     

基于关系聚合的时序知识图谱表示学习

针对静态知识图表示方法不能对时间进行建模的局限性，从时序图谱实际应用的需求出发，设计了基于关系聚合的时序图谱表示学习方法来描述和推理动态知识图谱的时间信息.与离散的快照时序网络不同，将时间信息视为实体间的链接属性，提出利用时间感知的关系图注意力编码器来学习时序图谱的实体表征.将中心节点的邻域关系和时间戳融入图结构中，然后分配不同的权重，高效地聚合时间知识.在公开的时序知识图谱数据集上运行，结果表明,与传统的时序图谱编码框架相比,面向注意力聚合的时序图谱表示学习方法在补全和对齐任务的性能上都有较强的竞争优势,尤其对高时间敏感度实体更加显著，体现出算法的优越性和强鲁棒性.     

基于端到端Ad Hoc网络链路丢失率推测方法研究

可测量性是对Ad Hoc网络进行性能评价和网络管理的基础。文章提出了一种基于端到端多源测量的Ad Hoc网络内部链路丢失率的推测方法,基本思路是:首先利用链路拓扑快照捕获算法获得Ad Hoc网络端到端测量的窗口时间;建立Ad Hoc网络测量模型和链路丢失分析模型;然后在测量窗口时间内,采用多源测量方法实施端到端测量;最后根据采集到的测量样本、网络拓扑中节点间的相关性、链路丢失率分析模型以及数理统计理论推测Ad Hoc网络内部链路丢失率。仿真结果表明:采用基于多源测量的推测方法优于基于单源测量的推测方法,比较适合Ad Hoc网络内部链路性能推测。     

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%。     

基于最大独立链路集的随机虚拟网络映射算法

提出了一种基于最大独立链路集的快速随机虚拟网络映射算法. 基于图论中的匹配理论重新定义了带权图中匹配的概念,并命名为独立链路集,在映射独立链路集中的虚拟链路时首先将物理链路按照资源可用性进行筛选,然后随机映射到单一物理链路上,以此提高虚拟网络映射成功率及减少链路映射消耗,同时随机映射能保证物理网络的负载均衡. 仿真实验表明,该算法能有效减少链路映射的消耗和提高虚拟网络接受率.     

基于博弈的机坪感知网络机会传输控制方法

在机坪感知网络场景下,针对不连通网络消息机会传输过程中投递率低和网络开销大的问题,提出一种基于博弈的机坪感知机会传输控制方法（OTCM）.首先结合场景特性建立首传节点博弈模型,实现消息传输排序,解决传输优先级的问题;而后提出了一种融合多维拓扑节点属性的博弈规则体系和函数,实现消息传输环境的优化及传输过程的可靠性;同时根据博弈体系中的效用函数保证拓扑在新机会节点融入后的自适应更新,维持其传输性能的最优状态.利用机会网络仿真器建立国内某机坪场景,仿真结果表明,OTCM算法相较于其他机会路由策略,平均投递率可达52.50%,平均传输时延降低至1 773 s,基本达到了研究目标的要求.     

一种异质图的Lorentz嵌入模型

异质图嵌入的目标是用低维稠密向量表示原网络的拓扑结构和节点属性信息。为提高异质图嵌入质量、减少失真，提出了一种将异质图嵌入到基于Lorentz模型的双曲空间中的方法。该方法采用元路径约束的随机游走进行节点关系和语义的发现，模型基于负采样的极大似然为目标函数，使目标节点与邻居更相近，而远离非邻居节点，优化方法不同于欧式空间的黎曼梯度下降；在引文网上将所提算法与4种基准图嵌入算法进行比较，实验证明该方法不但获得了优于其他基准算法的预测精度，而且还保留了可解释的图的层次结构。双曲嵌入为异质图的研究提供了一种新的思路，能够为异质图的下游任务提供更高质量的嵌入结果。     

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.     

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。     

基于复杂网络的癫痫脑电分类与分析

为提取癫痫发作与间歇期脑电信号的特征,提出利用构建癫痫EEG(electroencephalogram)网络的方法来刻画脑电信号。研究各变量均可测情况下的Lorenz和Rössler混沌系统,利用其各变量的输出混沌时间序列构建复杂网络,发现构建的复杂网络拓扑图与其混沌吸引子存在形态相似性,说明由时间序列构建的复杂网络能刻画其原信号特征。对于多维系统中仅有一维可测时,多维时间序列由相空间重构得到。利用相空间重构方法对癫痫发作和间歇期脑电信号构建复杂网络进行分析。研究结果表明,癫痫发作时其网络拓扑较间歇期存在明显不同,且其平均路径长度显著增加,而递归率及其波动范围都显著降低,这些网络特性可以用来刻画脑电信号的特征,从而为癫痫疾病的自动辨识与预测提供基础。     

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。     

网络连通度约束下低开销的拓扑控制

为实现网络开销与网络连通度的权衡设计,分别基于链路添加和链路删除提出2个启发式的拓扑构建算法.通过采用网络图的代数连通度,并定义无线链路的连通度开销比这一新的拓扑度量,计算每条链路在拓扑优化中的权值.所提的启发式算法可根据该链路权值进行无线链路的添加或删除.设计了若干网络开销函数,以满足不同的网络场景.仿真结果表明,所提的启发式算法能够生成低开销的网络拓扑,同时满足给定的连通度约束.     

基于模糊神经网络的煤矿瓦斯预测

针对瓦斯爆炸为煤矿安全生产中主要事故的现状,提出基于TS型模糊神经网络的煤矿瓦斯预测算法.通过样本学习,在线修正TS型模糊系统的隶属函数参数,形成TS型模糊神经网络算法,将该算法应用于煤矿瓦斯的预测,掌握和捕捉影响煤矿瓦斯安全主要因素的内在联系.仿真结果表明,该方法能够准确预测煤矿瓦斯的安全等级,平均误差较小.