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。     

车辆接入互联网基于机会链接的资源分配

为提高车辆接入互联网的通信服务能力,研究了无线网络接入点(AP)如何分配信道资源,才能更为有效地利用车载节点间的机会通信扩展AP通信服务范围.对基于机会链接的资源分配问题进行了形式化定义并证明该问题是NP-难的.为解决该问题又提出基于节点间链接预测的资源分配近似算法. 通过模拟实验分析了节点数量与节点请求下载量对传输率的影响,并将基于链接预测的资源分配算法(APL)与现有的基于竞争及随机资源分配方法进行了对比实验分析,实验结果表明: 该方法显著地提高了网络的通信服务能力.     

基于DOM的Deep Web查询接口属性抽取方法

属性抽取主要基于单元素属性抽取,而多元素属性抽取的研究较少.针对多元素组成属性情况进行研究,提出一种基于查询接口DOM结构的属性抽取方法,该方法将查询接口解析成DOM,基于DOM节点提取查询接口上对应的表单元素,对从查询接口上提取获得的元素集合进行二次聚类,挖掘元素之间的组合关系,最终将元素组合形成属性.这种方法能很好地抽取接口上的单元素属性和多元素属性,实验结果表明了方法的有效性.     

异质信息网络的互信息最大化社区搜索

针对现有社区搜索方法难以处理复杂多样的搜索要求及在高维稀疏的异质信息网络(HINs)中难以融合网络结构和节点属性来度量节点间相关性的不足，提出异质信息网络互信息最大化社区搜索问题，给出互信息最大化的社区定义，设计相应的搜索方法 (互信息最大化社区搜索，CSMIM).将用户的搜索要求定义为查询约束，利用带查询约束的深度图互信息最大化(QC-DGI)模型融合网络结构、语义和节点属性信息获得节点嵌入，有效地计算节点间的互信息.根据给定的查询信息，利用互信息最大化准则搜索目标社区.为了提高搜索结果的准确率，提出基于用户反馈的优化策略，实现互信息从全局到局部的个性化计算.在真实数据集上进行大量实验，实验结果表明所提方法能够有效地根据搜索要求挖掘出给定节点所在的社区，相比具有代表性的基线方法有更高的准确率.     

图卷积融合计算时效网络节点重要性评估分析

复杂网络节点的重要性度量与时间属性相关，经典静态网络模型弱化对节点交互时间属性的有效表征.将深度学习模型迁移到动态图数据上进行端到端系统建模，提出基于图卷积融合计算的时效网络节点重要性综合评估模型.通过超邻接矩阵集结时效网络结构特征的动态演化过程，利用图卷积神经网络框架融合计算节点邻域特征，分析节点时序演化重要性顺序结构，实现节点重要性综合排序.仿真实验结果表明，与基线方法相比，所提方法得到的Kendall’sτ值在所选网络数据集上均表现优良，体现出基于图卷积融合计算的时效网络节点重要性综合评估方法的有效性和优越性.     

基于属性关系图正则化特征选择的零样本分类

为挖掘属性学习中属性与特征、属性与属性之间的关系,针对属性学习中存在的所有特征与属性被同等对待,底层特征与属性、属性与属性之间的先验知识被忽略的问题,提出一种基于属性关系图正则化特征选择的零样本分类方法.首先,根据训练样本和类别-属性矩阵计算属性之间的正负相关性,进而构建属性关系图;然后,基于属性关系图,对底层特征进行图正则化特征选择,并将选择后的特征用于直接属性预测(DAP)模型的训练;最后,通过直接属性分类器对测试样本进行零样本分类.AWA数据集上的实验结果表明,在40类训练10类测试的情况下,所提方法获得了0.692 6的属性预测平均AUC值及19.5%的零样本分类精度.     

基于多属性偏好信息集结的复杂网络重要节点辨识

为了准确辨识复杂网络中的重要节点,避免单一属性指标评价节点重要性出现的偏差,提出了一种基于多属性偏好信息集结的复杂网络重要节点辨识方法。首先根据节点的局部特性、全局特性及空间位置等特性,选取度中心性、介数中心性、紧密度、结构洞、K-核(Ks)五个属性指标构建多属性复杂网络重要节点辨识模型,对节点属性偏好信息进行分析、集结和融合;然后将网络中所有节点作为评价主体,构建复杂网络多属性决策矩阵,根据熵理论对节点属性赋权,计算其与理想重要节点的贴近度,对节点重要性进行精细化排序。将该模型应用到"风筝网络"和"ARPA网络"中,根据节点重要性辨识结果对网络进行破坏性实验,结果表明,该方法的准确性比已有方法更高。     

交通流量预测的时间异质性图注意力网络

采用注意力模型研究交通流量预测问题,提出并设计一种基于时间异质性结合噪声滤除的交通流量预测方法,有效预测美国加州高速公路未来1 h的交通流量。在构建预测方案过程中,分析交通流量数据特性,分别针对相对时间间隔和绝对时间进行建模,挖掘时间异质性;使用基于节点固有属性的动态噪声滤除方法,解决空间中噪声干扰问题;对预测模型的工作性能和结果进行详细分析,并结合基线模型进行对比评价。试验结果表明,挖掘时间异质性并动态滤除噪声的改进注意力机制预测模型具有一定的预测精度。     

移动医疗机会网络中基于时间窗口的数据转发算法

移动医疗机会网络中存在不稳定的端到端的连接问题,该网络的数据转发是一个值得研究的重要问题.而现有的机会网络中的数据转发算法大多关注的是节点的静态属性,往往忽略了节点属性随时间变化而造成网络拓扑结构的改变.文章在分析了移动医疗机会网络中节点与相邻k跳邻居结构属性的基础上,提出了基于时间窗口的数据转发算法(DFTW).该算法的主要思想是通过比较在相邻时间窗口节点的转发属性来选择合适的中继节点,进而提高网络的转发性能.通过仿真实验,与Epidemic、Label、Greedytotal算法相比,DFTW算法在保证较高传递率的同时,可以明显降低网络开销.     

基于网络表示学习的机会网络链路预测

针对机会网络的多维链路属性和网络结构动态变化的特点,提出基于网络表示学习的链路预测方法。设置切片时长,将机会网络转化为网络快照序列,利用多维链路属性表示每个快照内的链路状态。采用网络表示学习方法聚合邻居节点的多维链路属性,并映射为低维的属性嵌入矩阵;采用基于注意力机制改进的循环神经网络学习网络拓扑随时间动态演化的规律,提取属性嵌入矩阵之间的时序特征;在输出层建立时序特征与链路状态之间的映射关系,实现下一时刻整网的链路预测。在Infocom-05和Hyccups等数据集上的实验结果表明,与现有同类方法相比,所提方法具有更高的预测精度。     

综合时间序列分析和新颖性的信息扩散预测

现有信息扩散预测普遍依赖于社会网络构建,从而引发网络链路估计准确率低,信息扩散预测精度差的问题,为此提出了一种综合时间序列分析和信息新颖性的信息扩散预测方法.通过分析信息在网络节点上扩散随时间的变化特性,对网络节点的全局影响力进行估计,并考虑信息产生至节点受影响的时间差来衡量信息新颖性,进而平移调整节点影响力大小,最终实现信息扩散范围的预测.向斯坦福大学所提供测试数据的实验结果表明,新方法准确稳定地预测了信息扩散范围的实时变化.     

容迟网络中提高数据包转发方向性的路由算法

将灰色-马尔科夫位置预测模型与基于节点活跃系数的喷射-等待路由算法相结合,提出了适用于容迟网络的基于灰色-马尔科夫预测模型的路由算法.该算法利用灰色-马尔科夫链预测模型预测目的节点的位置,提出节点活跃系数并利用节点活跃系数来量化节点活动性的强弱,算法以预测位置为基准,基于节点活跃系数喷射转发数据包,增强了数据包扩散的方向性.仿真结果表明,与Epidemic算法以及传统的喷射-等待路由算法相比,提出的路由算法具有更好的网络性能.     

New approach to acquisition of the load parameter for NOW

0　ＩＮＴＲＯＤＵＣＴＩＯＮＡｍｏｄｅｒｎｎｅｔｗｏｒｋｏｆｗｏｒｋｓｔａｔｉｏｎｓｒｅｐｒｅｓｅｎｔｓａｔｏｔａｌｃｏｍｐｕｔａｔｉｏｎａｌｃａｐａｂｉｌｉｔｙｏｎｔｈｅｏｒｄｅｒｏｆａｓｕｐｅｒ ｃｏｍｐｕｔｅｒ,ａｎｄｉｔｉｓｔｈｅｒｅｆｏｒｅａｓｔｒｏｎｇｍｏｔｉｖａｔｉｏｎｔｏｕｓｅＮＯＷａｎｅｔｗｏｒｋｏｆｈｅｔｅｒｏｇｅｎｅｏｕｓｃｏｍｐｕｔａｔｉｏｎａｌｒｅｓｏｕｒｃｅａｓａｔｙｐｅｏｆｌｏｗ ｃｏｓｔｓｕｐｅｒｃｏｍｐｕｔｅｒ.Ｎｏｗｆｅａｔｕｒｅｓｏｐｅｎｎｅｓｓａｎｄｈｅｔｅｒ…     

基于时间序列预测的延迟容忍网络路由算法

本文提出了一种基于时间序列预测的延迟容忍网络路由算法。该算法通过改进的加权移动平均时间序列预测方法,利用节点中不断积累的历史连接信息,预测链路的未来连接状态,并以保证消息最早到达目标节点为路由选择依据,构建节点内部的路由表信息。本文算法不要求节点有任何网络连接的先验知识,并且能够随着网络拓扑的变化调整消息的传输路径,克服了同类算法需要大量网络连接先验知识而导致路由算法实用性差的问题,提高了算法的适用性。仿真结果表明,本文算法与MED、MEED算法相比,在不同的网络带宽和节点缓存条件下具有更高的传输成功率和更低的平均传输延迟。     

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.     

A quality of service routing protocol based on mobility prediction in mobile ad hoc networks

1　ＩＮＴＲＯＤＵＣＴＩＯＮＱｕａｌｉｔｙｏｆｓｅｒｖｉｃｅ (ＱｏＳ)ｗｉｔｈｔｒａｎｓｍｉｔ ｔｉｎｇｍｕｌｔｉｍｅｄｉａｉｎｆｏｒｍａｔｉｏｎｉｓａｋｅｙｔｅｃｈｎｏｌｏｇｙｉｎｔｈｅｎｅｘｔｇｅｎｅｒａｔｉｏｎｎｅｔｗｏｒｋｓ.Ａｔｔｈｅｓａｍｅｔｉｍｅ ,ｉｔｉｓａｈｏｔｉｓｓｕｅｉｎｎｅｔｗｏｒｋｒｅｓｅａｒｃｈ[1,2 ] .Ｍｏｂｉｌｅａｄｈｏｃｎｅｔｗｏｒｋｓ (ＭＡＮＥＴ)ｉｓａｓｐｅｃｉａｌｗｉｒｅｌｅｓｓｎｅｔｗｏｒｋ ,ｗｈｉｃｈｉｓａｍｕｌｔｉ ｈｏｐｔｅｍｐｏ ｒａｒｙａｕｔｏｎｏｍｏｕ…     

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...     

地理和交通信息感知的车载Ad Hoc路由

为提高数据包投递率和降低时延,提出了一种基于地理和交通信息的车载Ad Hoc网络(VANET
)路由算法. 该算法利用实时的道路交通信息和车辆移动位置预测进行数据转发,并采取暂存转发策略,同时能处理目的节点移动情况. 仿真结果表明,该算法比贪婪的周边无状态路由(GPSR)算法具有更高的数据包投递率和更低的时延.