基于多粒度结构的网络表示学习

图卷积网络（GCN）能够适应不同结构的图,但多数基于GCN的方法难以有效地捕获网络的高阶相似性。简单添加卷积层将导致输出特征过度平滑并使它们难以区分,而且深层神经网络更难训练。本文选择将网络的多粒度结构和图卷积网络结合起来用于学习网络的节点特征表示,提出基于多粒度结构的网络表示学习方法Multi-GS。首先,基于模块度聚类和粒计算思想,用分层递阶的多粒度空间替代原始的单层网络拓扑空间;然后,利用GCN模型学习不同粗细粒度空间中粒的表示;最后,由粗到细将不同粒的表示组合为原始空间中节点的表示。实验结果表明:Multi-GS能够捕获多种结构信息,包括一阶和二阶相似性、社团内相似性（高阶结构）和社团间相似性（全局结构）。在绝大多数情况下,使用多粒度的结构可改善节点分类任务的分类效果。     

一种基于图卷积网络的文本多标签学习方法

多标签学习广泛应用于文本分类、标签推荐、主题标注等.最近,基于深度学习技术的多标签学习受到广泛关注,针对如何在多标签学习中有效挖掘并利用高阶标签关系的问题,提出一种基于图卷积网络探究标签高阶关系的模型TMLLGCN.该模型采用GCN的映射函数从数据驱动的标签表示中生成对象分类器挖掘标签高阶关系.首先,采用深度学习方法提取文本特征,然后以数据驱动方式获得基础标签关联表示矩阵,为更好地建模高阶关系及提高模型效果,在基础标签关联表示矩阵上考虑未标记标签集对已知标签集的影响进行标签补全,并以此相关性矩阵指导GCN中标签节点之间的信息传播,最后将提取的文本特征应用到学习高阶标签关系的图卷积网络分类器进行端到端训练,综合标签关联和特征信息作为最终的预测结果.在实际多标签数据集上的实验结果表明,提出的模型能够有效建模标签高阶关系且提升了多标签学习的效果.     

基于图卷积网络的多标签遥感图像分类

由于遥感图像包含物体类别多样,单个语义类别标签无法全面地描述图像内容,而多标签图像分类任务更加具有挑战性.通过探索深度图卷积网络(GCN),解决了多标签遥感图像分类缺乏对标签语义信息相关性利用的问题,提出了一种新的基于图卷积的多标签遥感图像分类网络,它包含图像特征学习模块、基于图卷积网络的分类器学习模块和图像特征差异化模块三个部分.在公开多标签遥感数据集Planet和UCM上与相关模型进行对比,在多标签遥感图像分类任务上可以得到了较好的分类结果.该方法使用图卷积等模块将多标签图像分类方法应用到遥感领域,提高了模型分类能力,缩短了模型训练时间.     

融合图卷积网络模型的无监督社区检测算法

图卷积神经网络（Graph Convolutional Neural Network）能有效地提取非欧式距离数据中的特征信息。提出一种基于图卷积网络模型的无监督社区检测算法。选择图中某些节点添加人工标签来模拟在图上的信号输入,使其满足图卷积网络的传播特征的要求,通过修改后的图卷积网络传播规则将节点本身的标签传递至其相邻节点,通过对同一节点获得的不同标签进行比较后将节点归类,之后优化归类结果并输出社区划分矩阵。使用现实世界的数据集进行测试,并与一些其他社区检测算法进行对比评估。实验结果表明算法在不同类型的数据集中都能得到很好的社区划分效果。     

基于高阶图卷积自编码器的网络流量预测

网络流量预测是有效保障用户QoS措施之一。当前深度学习为基础的网络算法预测中没有充分利用网络拓扑信息。为此,提出了基于高阶图卷积自编码器的网络流量预测模型。该流量预测模型基于软件定义网络（SDN）架构,利用高阶图卷积网络（GCN）获取网络拓扑中的多跳邻域之间的流量相互影响关系,采用门控递归单元（GRU）获取网络的时间相关性信息,利用自编码模型来实现无监督学习和预测。在Abilene网络上采用真实数据进行了仿真对比分析试验,结果表明,提出的方法在网络流量检测方面的MAPE值为41.56%,低于其它深度学习的方法,同时预测准确率方面也达到最优。     

一种Ad hoc网络中动态自适应的路由更新算法

目前Ad hoc网络中基于簇的路由算法都采用了混合路由策略,其路由信息的更新范围局限在局部网络中（或簇内）.提出了一种改进的路由更新算法-基于分簇机制的动态自适应路由更新算法.该算法使用簇头节点来进行簇内路由信息更新,使用簇头和网关节点来进行簇间路由信息更新,同时根据网络拓扑结构变化的快慢,动态地调整路由信息传播的范围.模拟结果显示该算法在使节点获得了较为准确的路由信息的前提下,有效地减少了路由信息更新所带来的控制开销.     

考虑时空影响下的图卷积网络短时交通流预测

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络（GCN）与门控循环单元（GRU）组合短时交通流预测模型。利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用GraphSAGE算法改进GCN模型,通过加和聚合算子和图注意力机制（GAT）聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。     

邻域信息分层感知的知识图谱补全方法

知识图谱补全（KGC）旨在利用知识图谱的现有知识推断三元组的缺失值。近期的一些研究表明,将图卷积网络（GCN）应用于KGC任务有助于改善模型的推理性能。针对目前大多数GCN模型存在的同等对待邻域信息、忽略了邻接实体对中心实体的不同贡献度、采用简单的线性变换更新关系嵌入等问题,提出了一个邻域信息分层感知的图神经网络模型NAHAT,在关系更新中引入实体特征信息,通过聚合实体和关系表征来丰富异质关系语义,提高模型的表达能力。同时,将自我对立的负样本训练应用到损失计算中,实现模型的高效训练。实验结果表明,与图卷积网络模型COMPGCN相比,所提出的模型在FB15K-237数据集上Hits@1、Hits@10指标分别提高了3%、2.6%;在WN18RR数据集上分别提高了0.9%、2.2%。验证了所提出的模型的有效性。     

结合图卷积的深层神经网络用于文本分类

随着图卷积网络的发展,图卷积网络已经应用到很多任务中,其中就包含文本分类任务。通过将文本数据表示成图数据,进而在图上应用图卷积,从而捕获文本的结构信息和单词间的长距离依赖关系获得了良好的分类效果。但将文本建模成图模型后,图卷积网络面临着文本上下文语义信息和局部特征信息表示不充分的问题。提出一种新的模型,利用双向长短时记忆网络（Bi_LSTM）和卷积神经网络（CNN）混合提取文本的上下文语义信息和局部特征信息去丰富图卷积网络（GCN）的文本表示,从而弥补图卷积网络的不足,同时使用图池化层筛选出重要节点帮助卷积神经网络捕获文本深层局部特征信息,使得模型能更好的表示文本信息。通过在3个英文数据集上的实验结果表明,该模型相比于基线模型有较好的分类效果。     

基于随机传播图卷积模型的零样本图像分类

零样本图像分类旨在识别训练时从未出现过的全新类别(未见类别),为此需要利用辅助信息建模未见类和可见类之间的关系。利用图卷积网络(GCN)进行零样本分类的模型可以借助知识图显式地表达类别之间的关系,但 GCN 易受过平滑影响,导致模型性能下降。针对此问题提出了基于随机传播图卷积模型的零样本图像分类方法。该方法使用随机传播机制处理原始特征以达到特征扰动和数据扩增的目的;利用数据中类别层级生成的知识图建模类别之间的语义关系。其中,图中节点代表类别,节点间的边代表类别之间的关系。再构建 GCN对处理后的特征进行训练,从节点中输出包含未见类别的分类器参数,进而实现零样本图像分类。实验结果表明,该方法可以有效地改善零样本图像分类中的时间消耗、分类精度和泛化性能。     

车载自组织网络中的被动地理路由算法

针对车载自组织网络中无可靠的基础设施可用、网络的拓扑结构变化快、障碍物多等特点,提出一种车载自组织网络的被动地理路由算法,采用基于城市交通图和节点位置信息的无线路由算法,使用基于路段与速度的位置预判方法,去除广播机制,降低路由开销。模拟实验结果证明,该算法能以较低的路由负荷提供较高的包递送率。     

软件定义网络中基于分段路由的多路径调度算法

针对当前软件定义网络(SDN)在应对大量数据流时造成的流表利用率低、转发响应较慢以及当前网络调度算法容易造成网络局部拥塞和负载不均衡等问题,提出一种基于分段路由的多路径调度算法SRMF。首先,SDN控制器根据网络拓扑连接情况下发初始流表;综合考虑网络链路剩余带宽、丢包率和数据流估测带宽需求进行路径权重计算;最后,根据路径权重选择最优路径并构造分段流表下发到边缘交换机。实验结果表明分段路由转发技术在多种网络拓扑下较一般转发技术在流表项开销方面有明显优势,SRMF算法与Hedera、ECMP相比,在业务流端到端时延、端到端时延抖动、网络吞吐率、丢包率等方面有一定的优势。     

具有路由性能和蚁群优化的移动P2P路由策略*

目前的移动P2P网络路由策略不能较好适应网络拓扑结构的动态多变、网络和移动设备的资源有限等特点,以及不能较好解决路由建立和维护所带来的网络拥塞和资源消耗。针对上述问题,采用有限洪泛路由查询和移动agent路由查询相结合的策略,为每个移动节点提供丰富可靠、及时高效的路由信息。同时,使用改进的蚁群算法,综合考虑网络带宽、时延等多个路由性能指标,作为路由策略中路由选择机制。仿真研究证明,将所提出的理论与方法应用于移动P2P的路由选择和维护等问题,本算法在控制消息的开销、平均响应效率等方面具有良好的性能,对于网络     

An adaptive multi-path computation framework for centrally controlled networks

The Adaptive Dynamic Multi-Path Computation Framework (ADMPCF) is to provide an integrated resource control and management platform with an adequate set of management applications for better routing and resource allocation in centrally controlled or loosely coupled distributed software defined networking (SDN), especially for large network systems. As an open and extensible solution framework, it can provide the necessary infrastructure and integrates data collection and analytics, network performance evaluation, and various optimization algorithms. ADMPCF utilizes a set of complementary algorithms that work together in an adaptive and intelligent fashion that enable global routing and resource allocation optimization. It can also be easily extended to incorporate new algorithms through some open APIs. Such an approach would be able to efficiently and effectively adapt to the rapid changes in network topology, states, and most importantly application traffic, while it is often infeasible for a single optimization algorithm to get satisfactory solution for multiple nonlinear optimization objectives and constraints for a large and centrally controlled network. As it would be costly for centrally controlled global optimization algorithms to calculate good routes dynamically with adequate response time, the proposed ADMPCF framework takes advantage of many hidden patterns of the network information fragments in the combinations of network topology, states, and traffic flows. Therefore, it can lead to a much improved data structure for fast search and match that avoids the expensive re-optimization whenever possible.     

能量驱动的移动Ad Hoc网络概率组播路由协议

在ODMRP协议中，由于采用周期性地广播Join-Query包来更新成员信息和路由信息，因此网络中流动着大量平凡的Join-Query控制包，造成网络开销增大，网络拥塞。采用能量驱动的概率转发的方法，根据每个节点的能量资源信息为每个节点设置相应的转发投递概率，抑制网络中的Join-Query控制包。模拟结果显示，能量驱动的MANET概率组播路由协议(p-ODMRP)在投递率满足需求的情况下，网络的控制开销减小20%左右，增加了网络寿命，协议的综合性能有明显提高。     

面向服务组合的覆盖服务网络设计

提出了面向服务组合的覆盖服务网络(OSN)的设计方法。从节点放置和链路选择两方面考虑OSN的设计问题。给出了覆盖节点的放置模型，分别用不同算法求解。实验结果表明，Lagrangian松弛算法在寻优能力上高于贪婪算法和随机算法。用实验模拟了不同链路选择策略对OSN路由性能的影响，结果说明邻接连接拓扑结构的故障恢复率高、路由开销小，适合作为OSN的拓扑结构。     

可变核心的Ad hoc组播路由协议

针对Ad hoc网络中信源节点增加时ODMRP按需组播路由协议会产生大量的控制开销,提出了一种优化的基于可变核心算法的组播路由协议VCMP(variable core multicast route protocol).该协议的核心不必事先固定,而是能根据当前的网络拓扑和组成员关系进行变化,利用核心的帮助,能解决ODMRP环境中所会出现的控制开销问题,使整个网络中的控制包大大的减少.仿真结果表明VCMP确实有更好的性能.     

基于图神经网络的智能路由机制

现有基于人工智能的路由方案泛化能力较差,难以适应动态的网络拓扑变化。提出基于深度强化学习的智能路由机制SmartRoute。通过实时感知网络中流量分布状态,动态调整路由策略,并结合图神经网络的拓扑信息感知能力和深度强化学习的自我训练能力,提升网络路由策略的智能性。实验结果表明,与DRL-TE、TIDE等方案相比,SmartRoute最多节省9.6%的端到端时延,且具有更好的鲁棒性。     

基于时空图神经网络的商品销量预测

精准预测商品的销量是提高商品营销效率的前提和基础.为了更好地预测商品销量,现有研究人员提出了基于深度神经网络(DNNs)、卷积神经网络(CNNs)、时间序列分析等方法,但这些方法大多只单方面考虑到商品销售过程中的时间或者空间特征.同时基于商品销售数据的建模分析发现,商品的销量和对应的零售商户的空间位置和销售时间有较大的相关性.为了更加准确地预测某种商品,在特定商店,以及在特定时间的销量,本研究首先构建了以商家为基础的大规模知识图谱系统,通过一张图的数据模型,描述商品销售和对应的商圈、商户、用户的相关交互场景.同时在图模型上增加了商家数据的空间和数据特征,用于描述商户的时空特性.最后基于构建的商家知识图谱,本研究提出了基于图卷积神经网络(GCN)聚合信息获取空间特征,然后使用长短期记忆(LSTM)提取时间特征,并将两种特征进行加权结合,进行商品销量预测.初步研究结果表明:基于图和LSTM模型的混合模型的算法预测投放量最为贴近实际销量,相比于传统的神经网络算法,该模型预测的平均准确率为89%.最后通过构建流水线工作流,将整个商品销量智能预测系统部署到生产环境中,为实现商品精准化营销提供了智...     

优化链路状态路由协议的低开销拓扑维护算法

优化链路状态路由（OLSR）协议利用多点中继（MPR）节点周期性地泛洪拓扑控制（TC）消息,以实现网络拓扑发现与维护,但其增加了网络的控制开销,并且当拓扑较稳定时固定的泛洪周期导致网络带宽浪费。针对该问题,提出OLSR的低开销拓扑维护（LCTM-OLSR）算法。通过缩减MPR节点个数减少TC消息产生的数量和转发次数,同时对比上一次发送周期MPR选择集的变动情况,在稳定量和变动量中选择较小量作为TC消息进行发送。在此基础上,根据网络拓扑的变化情况动态调整TC消息的发送周期。仿真结果表明,相比传统OLSR和HTR-OLSR算法,LCTM-OLSR算法能够有效降低网络的控制开销和端到端时延,提高网络的吞吐量。