[发明专利]一种采用深度卷积神经网络建立动态网络模型的方法

说明书

技术领域

本发明属于网络科学研究领域，主要涉及深度学习、混沌理论、动态网络分析等研究方向。

背景技术

依据网络拓扑结构变化的快慢通常可以将传统网络归结为三类：静态网络、稳态网络及动态网络。静态网络中的节点状态基本不会改变，其拓扑结构具有最高的稳定性，如：计算机网络；稳态网络相比静态网络，其拓扑的稳定性不高，但节点状态的变化情况则相对稳定，如：移动社交网络，无线传感器网络等；动态网络属于复杂网络的重点研究范畴，相比前两者，该类网络中的节点移动频繁，网络结构具有较高的动态性和复杂性，如：生物网络、社会网络、机会网络等。动态网络结构演化分析的目的是为了挖掘动态网络随时间演化的特点，由于网络结构本身比较复杂，难以表示和量化，动态网络时序、多变的演化过程更增加了分析的难度。本发明通过构建合适的模型来表达出动态网络中节点之间的复杂关系以及节点移动的潜在模式，进而推测出网络结构的演化规律。

网络分析作为网络科学领域热点研究方向之一，很早就已受到众多来自不同领域、拥有不同背景的科学家们的关注，对于动态网络分析的相关研究主要集中在生物网络、社会网络、机会网络等领域。如：(1)贾珺等人在“网络结构特征与链路预测算法关系研究”【复杂系统与复杂性科学[J]，2017，14(1):28-37。】中使用网络密度、同配系数和聚集系数等参数来衡量政治博客网络、科学家合作网络等社会网络的结构特征，用以分析不同网络下链路预测算法的性能；(2)Rossi R等人在“Role-Dynamics:Fast mining of large dynamic networks”【Proc。of the 21st Int’l Conf。on Companion on World Wide Web[C]。ACM Press，2012。997-1006。】以角色来量化动态网络的结构，提出了一种基于自学习方法来挖掘动态网络角色的混合模型，并分析了网络整体角色随时间的动态变化情况以及角色演化的几种特点。

上述方法中使用了常见的网络结构参数和指标来度量动态网络的结构特征，对于特定网络下的表现效果较优。但这些方法要求相关领域的专业经验，无法在不同情景下的真实网络数据中自发地找到网络结构特征合适的表征方式，其普适性不高。

为了在满足普适性的情况下更加有效地挖掘出动态网络的结构特征，本发明应用混沌时间序列理论来处理原始的网络数据，并利用特征提取能力强、数据表征效果好的深度卷积模型来从数据中自发地提取网络结构的高阶特征。

发明内容

本发明的目在于设计一种动态网络结构特征的非参数化的表征方式，以达到对不同情景下的动态网络演化过程的统一分析。应用混沌时间序列分析法处理原始的连续数据，通过深度卷积神经网络模型对数据进行建模分析和特征提取，从而准确地把握动态网络结构的演变规律。

本发明采用的技术方案如下：一种采用深度卷积神经网络建立动态网络模型的方法，其特征在于：动态网络中链路状态的变化受节点移动的影响，而网络拓扑的高阶特征蕴含了节点间的复杂关系，这些特征在一定程度上影响着链路的变化，发明的研究重点在于以合适的方法来表示网络拓扑的高阶特征。

依据时间切片的方法将动态网络分割成一系列静态的网络快照，然后对快照进行变换处理以适应模型的输入，最后通过深度卷积模型来提取输入数据中隐藏的高阶特征，整个建模过程的具体步骤如下：

①依据混沌时间序列理论，参考相空间重构中时间延迟的确定方法，采用自相关函数法确定网络快照的切片时长；

②将动态网络的连续数据按切片时长分割成一组离散数据，再将每份离散数据转换成对应的状态矩阵，从而实现网络拓扑信息的量化；

③对所得状态矩阵进行灰度图像化，得到的图像称之为“观测图”，观测图中像素的深浅代表对应节点之间的权重；

④确定卷积神经网络的模型结构、超参数及优化算法等，将部分观测图作为模型的原始输入，经过不断地迭代训练并测试以获取最优模型。

步骤一，其特征在于：动态网络的链路变化看似是完全随机的，其中却包含了一定的规律性，是一个介于完全随机和完全确定之间的混沌系统。

步骤一，其特征在于：切片时长的选择对动态网络模型的性能有一定的影响，所述时长满足以下公式：

式中，T表示切片时长，R(T)表示全部网络快照间的自相关性，N表示分割后的快照数量，x(i)表示第i时刻快照中节点的平均连接数，表示全部快照时间内的平均连接数。