专利名称：基于历史数据的容迟容断网络节点相遇概率预测方法
技术领域：
本发明涉及容迟容断网络的相遇概率预测领域，特别是涉及一种基于历史数据的节点相遇概率预测方法。
背景技术：
容迟容断网络是在特定网络环境下，经常出现网络断开现象导致报文在传输过程中不能确保端到端的路径的一类网络的统称。网络的断开和连接会对网络的路由、传输成功率及可用性等方面造成较大影响。由于容迟容断网络的断开和连接对网络可用性有较大影响，因此高效、可靠的节点相遇概率预测方法对网络可靠性差、链路不稳定、资源受限的容迟容断网络而言尤其重要。近年来，为了解决容迟容断网络环境下的节点相遇概率预测问题，研究人员从多个方面展开研究，所取得的成果主要有:(I)以移动模型为基础的节点相遇概率预测方法:当采用该方法时，节点记录和其它节点间的相遇信息，根据不同移动模型的特点，进行具有针对性的节点相遇概率预测。在随机移动模型中，节点相遇频率服从幂律分布，通过节点相遇频率进行预测；在基于社区的移动模型中，每个节点均隶属于某个社区，相同社区内的节点具有较高的相遇概率，通过节点所属社区及向目标节点所在社区转移的概率进行相遇概率预测。(2)以节点移动轨迹为基础的节点相遇概率预测方法:当采用该方法时，节点需要获得自身和目标节点的位置、速度及移动方向。根据节点的位置和移动轨迹，结合节点移动特点，使用几何的方法计算两个节点未来进入彼此通信半径的概率，从而进行节点相遇概率预测。该方法多用于车载网络等可以随时定位，移动方向明确的网络形态中。(3)以地理信息为基础的节点相遇概率预测方法:当采用该方法时，节点需要获得自身和目标节点所处的地理位置信息，并结合双方当前的移动方向和移动速度，结合两个节点的目的地址，计算两者未来进入彼此通信半径的概率。该方法对节点移动轨迹要求较少，但要求节点提供移动的目标地址。根据所需信息不同，可将(I)归纳为不需要节点位置信息的方法，而(2)和(3)则属于需要节点位置信息的方法。以上三种方法所需要的信息，在实际应用场景中都存在限制。方法(I)中，对于不同的网络环境，通常具有不同的移动模型，而目前在大多数场景中的移动模型较为粗略，移动所采用的也多为生成的实验数据。方法(2)中，在容迟容断网络分布式的环境下，通常无法获得目的节点的位置和移动轨迹，而方法(3)中，在目前绝大多数容迟容断网络场景中，均无法获得节点的目的地址。以上因素都制约了容迟容断网络中相遇概率预测方法在实际应用中的难度。在各种容迟容断网络环境中，节点相遇的历史数据可以较为容易的通过分布式的方式获取。通过挖掘节点相遇历史数据，利用隐含的节点相遇知识，可以在不需要额外信息的情况下对节点的相遇概率进行预测，从而提高网络中路由协议、分簇方法、分发方法的有效性和可靠性，进一步提高容迟容断网络的可用性。因此，充分利用节点相遇历史数据进行节点相遇概率预测，对提高容迟容断网络可用性具有非常重要的意义。
发明内容
本发明以提高节点容迟容断网络可用性为目标，以节点相遇历史数据为基础，解决容迟容断网络节点相遇概率预测问题。具体包括:1.依据各节点记录的历史数据，统计并计算其中的平均相遇时长、相遇频率等和网络及节点移动环境相关的参数，将这些参数代入通过贝叶斯网络进行计算，计算节点移动参数间的依赖关系，寻找影响节点移动特性的主要因素。2.给出基于历史数据和影响节点移动特性的主要因素，将对节点相遇概率的预测问题转化为对特定条件的相遇过程的统计问题，从而实现对节点相遇概率进行计算。为了使计算结果适用于路由、分簇、分发等领域，本发明引入了平滑函数和间隔时长、接触频数的加权方法。与现有技术相比，本发明的创新之处在于:以节点相遇历史数据为基础，适用于不同的容迟容断网络形态，并具有自适应能力。具体体现在:1.以节点相遇历史数据为基础，在各种容迟容断网络的环境中各节点都可以分布式记录其它节点的相连和断开信息，所需要的信息和其它方法相比容易获得。2.在相遇历史数据的使用过程中，不依赖节点的先验知识，在不同的网络环境中不需要调整网络环境相关参数，使本发明具有自适应能力。
图1基于历史数据的节点相遇概率预测体系结构图2贝叶斯网络拓扑结构示意3时间符号含义示意4相遇概率预测方法流程
具体实施例方式参阅图1，依据各节点记录的历史数据，统计并计算其中的平均相遇时长、相遇频率等和网络及节点移动环境相关的参数，将这些参数代入通过贝叶斯网络进行计算，计算节点移动参数间的依赖关系，寻找影响节点移动特性的主要因素。给出基于历史数据和影响节点移动特性的主要因素，将对节点相遇概率的预测问题转化为对特定条件的相遇过程的统计问题，从而实现对节点相遇概率进行计算。本发明引入了平滑函数和间隔时长、接触频数的加权方法，使计算结果适用于路由、分簇、分发等领域。相遇概率预测方法的流程参阅图4，实际实施中主要包含三个阶段进行实施。1.贝叶斯网络的构建节点相遇知识是指容迟容断网络中任意两节点间存在的两节点在过去一段时间内的相遇情况的特征，包括节点接触频率、平均接触时长、平均接触时间间隔等。这些参数中有些参数代表受节点影响的主要因素，有些则受其它因素影响。为了得到影响节点相遇的主要因素，通过构建贝叶斯网络对节点间相遇情况的特征进行学习。贝叶斯网络的构建主要包括数据收集、数据离散化分析以及创建贝叶斯网络。在数据收集阶段是指各节点在和其它节点相遇或失去连接时进行记录。对于收集的原始记录，可以通过简单的计算获得其中的主要参数，包括节点接触频率、平均接触时长、平均接触时间间隔等。对于收集的历史数据和从中获得的参数，需要经过离散化分析。对历史数据进行离散化分析是指对测量、记录和计算后的关于节点相遇信息的离散化处理操作。贝叶斯网络中要求所有的变量必须是离散的，因此要对结合具体特征进行离散化处理。离散化分析过程主要是结合具体应用需求和变量取值范围，将变量划分为不同的等级。以接触频率为例，首先需要确定可能有几种取值，结合具体的接触频率结果值，以固定的差额划分出不同的离散值大小。贝叶斯网络是一种表示变量之间依赖关系的有向无循环图模型。网络结构中的节点表示参数变量，节点之间的有向弧表示节点之间的依赖关系。有向弧连接的两个节点表示它们之间的父子关系，即弧线箭头的节点依赖于前面的节点。利用统计得到的历史数据构建贝叶斯网络模型分为两个过程:结构学习和参数学习。结构学习用来确定基本的贝叶斯网络结构，通过该网络结构可以得到变量之间的依赖关系，而参数学习则是基于得到的网络结构进行计算得到其中的条件概率值。构建贝叶斯网络模型的主要过程如下:I)节点相遇知识特征参数作为贝叶斯网络中的节点；2)贝叶斯网络中的有向箭头表示性能参数之间的依赖关系；3)对历史数据进行结构学习，利用结构学习算法得到贝叶斯网络结构
结构学习过程中采用基于搜索评分的方法，就是对每种结构进行评分最后选择得分最高的网络结构。采用经典的K2算法，它要求先确定网络中节点变量的次序然后基于结构搜索并且打分，它的结构打分函数为
权利要求
1.一种基于历史数据的容迟容断网络节点相遇概率预测方法，包含构建贝叶斯网络、相遇概率的计算及后期处理步骤，其特征在于: 各节点分别记录和其它节点相遇和失去连接的时间，这些记录被作为历史数据存储起来用于相遇概率的预测；在收集充足的历史数据的基础上，创建贝叶斯网络。
2.根据权利要求1所述的方法，创建贝叶斯网络的方法包含如下步骤: 1)根据历史数据计算节点相遇描述参数，并对这些参数进行离散化处理，通过离散化将网络性能参数划分成不同的等级； 2)节点相遇描述参数作为贝叶斯网络中的节点，贝叶斯网络中的有向箭头表示性能参数之间的依赖关系； 3)利用历史数据进行结构学习，结构学习采用基于搜索打分的K2算法，它的结构打分函数为:
3.根据权利要求1所述的方法，其特征在于:后期处理包括预测函数平滑处理、间隔时长加权及接触频率加权，其中采用正态分布函数作为概率分布的平滑函数，采用如下公式作为平滑后相遇概率计算公式:
4.根据权利要求3所述的方法，其特征在于，采用如下公式作为间隔时长加权函数:
5.根据权利要求3所述的方法，其特征在于:采用如下公式作为两节点间接触频率加权函数:
6.根据权利要求5所述的方法，其特征在于:采用如下公式作为最终相遇概率预测公式:P = Wf(χ, λ).(Wt+C1).(P0+C2) 其中Wf为接触频率加权函数，Wt为间隔时长加权函数，P0为初步计算的相遇概率,C1和C2为常数参数。
全文摘要
一种基于历史数据的容迟容断网络节点相遇概率预测方法。本发明以提高节点容迟容断网络可用性为目标，以节点相遇历史数据为基础，解决容迟容断网络节点相遇概率预测问题。依据各节点记录的历史数据，统计并计算其中的平均相遇时长、相遇频率等和网络及节点移动环境相关的参数，将这些参数代入通过贝叶斯网络进行计算，计算节点移动参数间的依赖关系，寻找影响节点移动特性的主要因素。给出基于历史数据和影响节点移动特性的主要因素，将对节点相遇概率的预测问题转化为对特定条件的相遇过程的统计问题，从而实现对节点相遇概率进行计算。本发明引入了平滑函数和间隔时长、接触频数的加权方法，使计算结果适用于路由、分簇、分发等领域。
文档编号H04L12/26GK103200041SQ20131006719
公开日2013年7月10日 申请日期2013年3月4日 优先权日2013年3月4日
发明者白跃彬, 杨文涛 申请人:北京航空航天大学