[发明专利]用于预测网络节点的状态改变的系统和方法

权利要求书

1.一种用于预测网络中的节点的状态改变的概率的方法(600)，所述方法在网络节点中执行，包括：

基于所述节点的属性来确定(602)权重的集合；以及

使用与所述节点相关的一个或多个属性值的集合以及确定的权重的集合来估计(604)所述节点的状态改变的所述概率，其中

确定(602)所述权重的集合包括确定使与所述节点关联的评估值最大化的权重，以及

确定的使所述评估值最大化的权重被包括在所述确定的权重的集合中。

2.如权利要求1所述的方法，其中所述节点包括雾节点。

3.如权利要求1或2所述的方法，其中使用预测模型来预测所述节点的状态改变的所述概率。

4.如权利要求1或2所述的方法，其中使与所述节点关联的所述评估值最大化包括：

使特定分类器的f-measure最大化。

5.如权利要求4所述的方法，其中所述f-measure被定义为：

f-measure＝2*T_p(w)/N_p+M_p(w)，

其中N_p是实际阳性样本的总数量，M_p(w)是预测为阳性的样本的总数量，并且T_p(w)是预测的阳性之中的实际阳性样本的数量，以及

其中阳性样本对应于处于操作状态中的所述节点，并且阴性样本对应于处于非操作状态中的所述节点。

6.如权利要求5所述的方法，其中T_p(w)被定义为：

其中T_p(w)仅考虑所述预测的阳性之中的实际阳性样本的所述数量，以及

其中M_p(w)被定义为：

其中M_p(w)考虑所述预测的阳性之中的实际阳性样本的所述数量和所述预测的阳性之中的阴性样本的数量。

7.如权利要求6所述的方法，其中使所述f-measure最大化包括计算所述f-measure的导数并且使所述f-measure的所述导数等于零。

8.如权利要求7所述的方法，其中使所述f-measure最大化进一步包括：

基于所述f-measure的所述导数来采用梯度下降算法来确定所述权重的集合。

9.如权利要求7所述的方法，其中所述f-measure的所述导数包括：

(i)所述T_p(w)的导数，被定义为：

以及

(ii)所述M_p(w)的导数被定义为：

10.如权利要求6所述的方法，其中函数h(z)被定义为：

其中z是实数。

11.如权利要求1所述的方法，其中

使用所述确定的权重的集合和所述一个或多个属性值的集合包括将所述确定的权重的集合中的每个权重应用于所述一个或多个属性值的集合中的对应属性值。

12.如权利要求1所述的方法，所述方法进一步包括：

基于一个或多个内部属性值的第一集合和一个或多个外部属性值的第二集合来确定所述一个或多个属性值的集合。

13.如权利要求12所述的方法，其中确定所述一个或多个属性值的集合包括：

获得所述一个或多个内部属性值的第一集合和所述一个或多个外部属性值的第二集合；

基于所接收的一个或多个内部属性值的第一集合和所述一个或多个外部属性值的第二集合来采用属性选择算法；以及

基于所述属性选择算法来确定所述一个或多个属性值的集合。