一种卫星网络国际合作关系挖掘方法及系统

1.本发明属于卫星网络申报资料数据挖掘、卫星网络国际合作关系挖掘与分析领域，具体涉及一种卫星网络国际合作关系挖掘方法及系统。


背景技术：

2.近年来，世界各国纷纷就卫星网络资料申报开展合作，比如oneweb就依托法国、英国、加拿大等多个国家进行了多份卫星网络资料的申报，spacex也与挪威进行商业合作获取了两份ku、ka频段资料。然而很多合作关系比较隐蔽，大多数卫星网络操作者都不会具体公开自己与他国合作情况。
3.卫星网络国际合作关系分析旨在从已有数据中推理、分析出国家间隐蔽的合作关系，包括合作关系整体概况、具体合作业务类型。国际电联(itu)的卫星网络资料数据库(srs数据库)是目前卫星网络信息获取的主要来源，当前对其研究与分析大多依赖于人工，但是srs数据库结构复杂，数据更是将海量式发展，靠人力对已有资料进行关联性分析不够灵活且费时费力。


技术实现要素：

4.本发明的目的在于克服人力对卫星网络资料数据库进行分析不够灵活且费时费力的缺陷。
5.为了实现上述目的，本发明提出了一种卫星网络国际合作关系挖掘方法，所述方法以卫星网络资料数据库为依据，构建卫星网络关联关系网络，采用louvain算法和pagerank算法挖掘出卫星网络国家合作关系；所述国家合作关系包括：合作关系网络的社区分布情况、国家在合作中的重要性和各国在卫星网络工程中的合作业务类型。
6.作为上述方法的一种改进，所述方法包括：
7.步骤1：构建卫星网络关联关系网络；关系网络包含两种节点和两种关系，其中两种节点为国家名称和卫星网络资料，两种关系为资料间的链路关联关系和资料与所属国家关系；
8.步骤2：挖掘卫星网络国家合作关系；
9.其中，根据所挖掘的国家合作关系内容，步骤2又分为：
10.步骤2a：粗粒度国家合作关系挖掘；获取国家合作关系网络的社区分布情况以及国家在合作中的重要性；
11.步骤2b：细粒度国家合作关系挖掘；获取各国在卫星网络工程中的合作业务类型。
12.作为上述方法的一种改进，所述步骤1具体包括：
13.步骤1a：查询卫星网络资料数据库，得到所有未废除的卫星网络资料名称、资料申报国家名称；
14.步骤1b：查询卫星网络资料数据库，根据链路方向决定星间链路关联关系的方向，得到卫星网络资料间的星间链路关联。
15.作为上述方法的一种改进，所述步骤2a具体包括：
16.步骤2a-1：构建国家合作关系网络；将每个国家作为一个节点，遍历卫星网络关联关系网络中的每一对卫星相关资料节点，若两份资料所属国家不同，则两个国家间边权重加1，最终节点间的边权重为两个国家存在关联的卫星网络资料组数；
17.步骤2a-2：划分合作关系社区；将国家合作关系网络看作一个社交关系网络，初始时，每个国家作为一个节点，每个节点作为一个社区，计算每个社区的模块度q：
[0018][0019]
其中，v、w为两个相连的节点，a
vw
为节点v,w间连边的权重，cv,cw分别为节点v和w所属社区id，若cv＝cw，函数δ(cv,cw)＝1,否则为0，m为网络所有连边权重之和，kv为节点v所有连边权重之和，kw为节点w所有连边权重之和；
[0020]
步骤2a-3：移动节点计算模块度增益；每个节点单独作为一个社区，对于每个节点i，将其移入任意相连节点j所代表的社区c后计算模块度增益δq：
[0021][0022]
其中，∑
in
为社区c内部连边权重和，∑
tot
为社区c内节点所有关联边的权重之和，ki是点i所有连边权重之和，k
i,in
为节点i与社区c内节点间连边权重之和，m为网络所有连边权重之和；若存在δq＞0,将节点i移动到令δq最大的节点所在社区c；重复本步骤，直至移动任意节点都不存在模块度增益δq＞0；
[0023]
步骤2a-4：将步骤2a-3得到的每一个社区看作一个新的节点，将一个社区内部边权重之和看作新节点自我连接权重，相邻两个新节点间连边权重为两个社区之间节点连边权重之和，按照步骤2a-3计算模块度增益δq；
[0024]
步骤2a-5：重复步骤2a-3和2a-4，直至社区不再变化，得到卫星网络国际合作关系社群分布图；
[0025]
步骤2a-6：评估合作中心度；计算每个节点即国家的合作中心度pr值：
[0026][0027]
其中，pi是第i个节点，pj是第j个节点，是指向节点pi的所有节点,l(pj)是节点pj指向的链接数量，n是节点总数；α为阻尼因子，取值0.85；
[0028]
每个国家的合作中心度pr值与该国在合作中的重要性成正比。
[0029]
作为上述方法的一种改进，所述步骤2b具体包括：
[0030]
步骤2b-1：采用连通分图算法对卫星网络关联关系网络进行节点的聚类划分，得到卫星网络关联关系连通子图；
[0031]
步骤2b-2：对卫星网络关联关系连通子图中每一对关联资料，查询卫星网络资料数据库，得到关联资料间的具体合作业务类型。
[0032]
作为上述方法的一种改进，所述连通分图算法采用python中的networkx.connected_components函数进行。
[0033]
本发明还提供一种卫星网络国际合作关系挖掘系统，所述系统包括：
[0034]
构建关系网络模块，用于构建卫星网络关联关系网络；
[0035]
挖掘合作关系模块，用于挖掘卫星网络国家合作关系。
[0036]
作为上述系统的一种改进，所述挖掘合作关系模块包括：
[0037]
粗粒度关系挖掘模块，用于获取国家合作关系网络的社区分布情况以及国家在合作中的重要性；和
[0038]
细粒度关系挖掘模块，用于获取各国在卫星网络工程中的合作业务类型。
[0039]
本发明还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的方法。
[0040]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上述任一项所述的方法。
[0041]
与现有技术相比，本发明的优势在于：
[0042]
本技术方案将图论应用于卫星网络国际合作关系挖掘，根据卫星网络资料特点定义了卫星网络关联关系模型，将原本独立的卫星网络资料通过星间链路进行关联，无需先验知识，即可通过图算法自动从itu卫星网络资料数据库中分析出国家间的隐藏合作关系，节省人力，且在挖掘隐含合作关系上有良好效果。
附图说明
[0043]
图1所示为卫星网络国际合作关系挖掘总流程图；
[0044]
图2所示为卫星网络关联关系本体定义及构建模块；
[0045]
图3所示为卫星网络国际合作关系社群分布图；
[0046]
图4所示为合作关系网络图。
具体实施方式
[0047]
本发明采用社会网络分析法对itu卫星网络资料数据库进行挖掘与分析，发现隐藏的国际合作关系整体概况和具体合作业务类型，从而可以帮助了解国际卫星网络发展局势，为卫星网络申报与规划提出建议。
[0048]
下面结合附图对本发明的技术方案进行详细的说明。
[0049]
如图1所示，本发明对卫星网络国际合作关系挖掘主要包括两个步骤：构建卫星网络关联关系网络和挖掘国家合作关系，其中国家合作关系挖掘又分为粗粒度国家合作关系挖掘和细粒度国家合作关系挖掘。
[0050]
1、构建卫星网络关联关系网络
[0051]
采用图论分析卫星网络资料间的关系，将独立的卫星网络资料关联起来，得到国家间的合作关系。在itu的数据库中，卫星网络资料间的关联十分复杂，主要体现在链路关系上。卫星之间的链路关联不仅体现在星间链路上，还有以地球站为中介的星地链路，但是在itu的数据库中，存在相同名称的不同地球站，仅靠相关地球站名称将两份卫星网络资料进行关联并不可行，并且大多数相关地球站仅仅是各卫星网络公司抢占资源先机的纸面资料，无实际意义。因此，有共同名称地球站并不代表两颗卫星属于一个卫星星座。
[0052]
本发明基于卫星网络资料中的星间链路，将卫星网络资料关联起来，构建卫星网络关联关系网络。如图2所示，关系网络中包含两种节点：国家、卫星网络资料(包括gso资料、ngso资料)，2种关系：资料间的链路关联关系、资料与主管部门所属国家关系。
[0053]
首先采用sql语句查询srs2948数据库得到对地静止轨道卫星(gso)、非对地静止轨道卫星(ngso)资料名称、国家名称，以及不同资料中卫星间的星间链路方向：
[0054]
1)采用sql语句查询srs数据库，得到所有未废除的卫星网络资料名称“sat_name”、资料申报国家“adm”，以及(gso/ngso，belong to，adm)三元组。其中包括gso资料(select distinct adm,sat_name as gso from geo,notice where notice.ntc_id＝geo.ntc_id and notice.ntf_rsn！＝'u')、ngso资料：(select distinct adm,sat_name as ngso from non_geo,notice where notice.ntc_id＝non_geo.ntc_id and notice.ntf_rsn！＝'u')。
[0055]
2)采用sql语句查询srs数据库，根据链路方向“grp.emi_rcp”决定星间链路关联关系link的方向，得到卫星网络资料间的星间链路关联三元组(sat_name,link,sat_name)：gso资料间链路(select distinct geo.sat_name,geo2.sat_name,grp.emi_rcp from notice as n1,geo,grp,notice as n2,s_as_stn,geo as geo2where n1.ntc_id＝geo.ntc_id and n2.ntc_id＝geo2.ntc_id and n1.ntc_id＝grp.ntc_id and grp.grp_id＝s_as_stn.grp_id and s_as_stn.sat_name＝geo2.sat_name and n1.ntf_rsn！＝'u'and n2.ntf_rsn！＝'u'and n1.ntc_id！＝n2.ntc_id)、gso与ngso资料间链路(select distinct geo.sat_name,non_geo.sat_name,grp.emi_rcp from notice as n1,geo,grp,notice as n2,s_as_stn,non_geo where n1.ntc_id＝geo.ntc_id and n2.ntc_id＝non_geo.ntc_id and n1.ntc_id＝grp.ntc_id and grp.grp_id＝s_as_stn.grp_id and s_as_stn.sat_name＝non_geo.sat_name and n1.ntf_rsn！＝'u'and n2.ntf_rsn！＝'u'and n1.ntc_id！＝n2.ntc_id、select distinct non_geo.sat_name,geo.sat_name,grp.emi_rcp from notice as n1,non_geo,grp,notice as n2,s_as_stn,geo where n1.ntc_id＝non_geo.ntc_id and n2.ntc_id＝geo.ntc_id and n1.ntc_id＝grp.ntc_id and grp.grp_id＝s_as_stn.grp_id and s_as_stn.sat_name＝geo.sat_name and n1.ntf_rsn！＝'u'and n2.ntf_rsn！＝'u'and n1.ntc_id！＝n2.ntc_id)、ngso资料间链路(select distinct non_geo.sat_name,non_geo2.sat_name,grp.emi_rcp from notice as n1,non_geo,grp,notice as n2,s_as_stn,non_geo as non_geo2 where n1.ntc_id＝non_geo.ntc_id and n2.ntc_id＝non_geo2.ntc_id and n1.ntc_id＝grp.ntc_id and grp.grp_id＝s_as_stn.grp_id and s_as_stn.sat_name＝non_geo2.sat_name and n1.ntf_rsn！＝'u'and n2.ntf_rsn！＝'u'and n1.ntc_id！＝n2.ntc_id)。
[0056]
最终得到gso网络资料节点3430个，ngso网络资料节点2025个，国家节点93个；得到gso网络资料间关联关系2475条，ngso网络资料间关联关系375条，gso网络资料与ngso网络资料间关联关系2026条,对所有节点和关系采用neo4j数据库进行存储。
[0057]
2、挖掘国家合作关系
[0058]
(1)粗粒度国家合作关系挖掘
[0059]
粗粒度合作关系挖掘目的为：对各国在卫星网络工程中的合作关系进行整体趋势划分，并分析各国在合作中的合作中心度，具体流程如下：
[0060]
1)构建国家合作关系网络
[0061]
对国家合作关系进行量化：将每个国家作为一个节点，遍历卫星网络关联关系网络中的每一对相关资料节点，若两份资料所属国家不同，则两个国家间边权重加1，最终节点间的边权重为两个国家存在关联的卫星网络资料组数。实验发现，在srs2948数据库中，存在4876组直接相关联卫星网络资料，其中属于不同国家的直接相关资料共70组，这70组相关联卫星网络资料涉及13个国家/地区主管部门，分别为：比利时、英国、新加坡、塞浦路斯、瑞典、新西兰、美国、法国、德国、日本、卢森堡、澳大利亚、意大利。
[0062]
2)划分合作关系社区
[0063]
本发明将国家合作关系网络看作一个社交关系网络，采用图划分算法louvain对国家关系网络进行社区划分，分析各国在合作中的整体聚集情况。初始时，每一个国家作为一个节点，每一个节点作为一个社区。louvain算法是一种基于模块度的社区发现算法模型，模块度q是用来衡量社区划分结果的质量，如式1。
[0064][0065]
其中a
vw
为节点v,w间连边的权重，cv,cw分别为节点v和w所属社区id，若cv＝cw，函数δ(cv,cw)＝1,否则为0，m为网络所有连边权重之和，kv为节点v所有连边权重之和，kw为节点w所有连边权重之和，为在随机图情况下，顶点v和w之间存在边的概率。一般当q值大于0.3时，认为社区划分具有良好效果。louvain算法分两个阶段：
[0066]
第一阶段：
[0067]
初始化，每个节点单独作为一个社区。
[0068]
对于每个节点i，根据式2计算将其移入任意相连节点j所代表的社区c后的模块度增益δq，若存在δq＞0,将节点i移动到令δq最大的节点所在社区c。其中∑
in
为社区c内部连边权重和，∑
tot
为社区c内节点所有关联边的权重之和，ki是点i所有连边权重之和，k
i,in
为节点i与社区c内节点间连边权重之和。
[0069][0070]
重复步骤上述步骤，直至移动任意节点都不存在模块度增益δq＞0，则第一阶段结束。
[0071]
第二阶段：将第一阶段得到的每一个社区看作一个新的节点，将同一个社区内部边权重之和看作节点自我连接权重，相邻两个新节点间连边权重为两个社区之间节点连边权重之和。
[0072]
重复上述两个阶段，直至算法稳定，社区不再变化。
[0073]
以itu的srs2948数据库为例，卫星网络国际合作关系社群分布图如图3所示，分别形成了以美国和英国为中心的两大合作社群。可以看出，美国主要合作方为日本、法国、澳大利亚等国家，而英国主要合作方为新加坡、瑞典等国家，并且英国和美国之间也有18组相关联卫星网络资料，除此之外，两大合作社区划分鲜明，不存在两个社区间合作国家交叉的情况。
[0074]
3)评估合作中心度
[0075]
本发明采用pagerank算法对网络中的节点进行合作中心度评估。pagerank算法是由谷歌创始人提出的，用来衡量网页重要性，并对网站进行重要性排名。pagerank公式如式3，它通过衡量网页的入度以及到达它的链接的质量，计算网页的pr值，依据pr值衡量网页的重要性，pr值越大则网站排名越靠前。
[0076][0077]
其中是指向网页pi的所有网页,l(pj)是网页pj指向的链接数量，n是考虑范围内的网页总数，为初次浏览链接到各个网页的概率。α为阻尼因子，即下一步停留在当前网页的概率，在本发明实验中设置α为0.85。
[0078]
采用pagerank算法得到的各国在合作中的中心度得分如表1所示，认为中心度得分与国家在合作中的重要性成正比，美国的中心度明显高于其它国家，其次是英国、日本。这说明美国在合作中占据最高主导地位，其次是英国。
[0079]
表1合作中心度评估
[0080][0081][0082]
(2)细粒度国家合作关系挖掘
[0083]
细粒度合作关系挖掘目标为：获得各国在卫星网络工程中的合作细节，即具体合作业务类型，具体流程如下：
[0084]
1)采用连通分图算法对卫星网络关联关系网络进行节点的聚类划分，得到卫星网络关联关系连通子图，子图内部的每份资料间都存在直接或间接的关联关系。在本发明中，采用python中的networkx.connected_components函数划分连通分图，输入的卫星网络关联关系网络为有向图。
[0085]
2)经过步骤1)，得到所有卫星网络资料连通分图。以图4为例，图4是一个包含多个国家节点的连通子图，较大节点代表国家，较小节点代表卫星网络资料。涉及多个不同国家
资料的连通子图中存在国家间的合作关系，对每一对关联资料，采用sql语句查询itu数据库，得到关联资料间的具体合作业务类型“stn_cls”，查询示例(卫星网络'apog'与'andromeda-a'间合作业务类)如：
[0086]
select distinct stn_cls from non_geo,grp,s_as_stn,srv_cls where s_as_stn.sat_name＝'apog'and non_geo.sat_name＝'andromeda-a'and non_geo.ntc_id＝grp.ntc_id and grp.grp_id＝s_as_stn.grp_id and grp.grp_id＝srv_cls.grp_id
[0087]
返回如图4所示的合作关系网络图，以及表2所示的合作业务类型表。
[0088]
表2合作业务类型表
[0089][0090]
本发明定义了卫星网络关联关系网络本体模型，将社会网络分析法应用于卫星网络的国际合作关系挖掘，为卫星网络情报数据分析提供了新思路。
[0091]
本发明还可提供的一种计算机设备，包括：至少一个处理器、存储器、至少一个网络接口和用户接口。该设备中的各个组件通过总线系统耦合在一起。可理解，总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。
[0092]
其中，用户接口可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(track ball)、触感板或者触摸屏等。
[0093]
可以理解，本技术公开实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0094]
在一些实施方式中，存储器存储了如下的元素，可执行模块或者数据结构，或者他
们的子集，或者他们的扩展集：操作系统和应用程序。
[0095]
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(media player)、浏览器(browser)等，用于实现各种应用业务。实现本公开实施例方法的程序可以包含在应用程序中。
[0096]
在本上述的实施例中，还可通过调用存储器存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器用于：
[0097]
执行上述方法的步骤。
[0098]
上述方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行上述公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合上述公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0099]
可以理解的是，本发明描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dsp device，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0100]
对于软件实现，可通过执行本发明的功能模块(例如过程、函数等)来实现本发明技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0101]
本发明还可提供一种非易失性存储介质，用于存储计算机程序。当该计算机程序被处理器执行时可以实现上述方法实施例中的各个步骤。
[0102]
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。