[发明专利]基于循环生成式对抗网络的机会网络拓扑预测方法及装置

权利要求书

1.一种基于循环生成式对抗网络的机会网络拓扑预测方法，其特征在于，包括：

通过时间序列分析方法对机会网络的通信数据进行切片，得到一系列离散的网络快照数据；

对所述机会网络中的所有节点进行随机抽取和分组，得到多个观测节点组；

以预设尺寸的滑动窗口对所述网络快照进行截取，并提取每个滑动窗口下各个观测节点组的网络拓扑结构变化序列；

利用生成模型和判别模型构建生成式对抗网络模型，将提取的网络拓扑结构变化序列作为训练样本对生成式对抗网络模型进行训练，并将训练后的生成式对抗网络模型中的生成模型作为预测模型；

利用所述预测模型对所述机会网络进行拓扑结构预测。

2.如权利要求1所述的机会网络拓扑预测方法，其特征在于，所述生成模型和所述判别模型均采用循环神经网络模型。

3.如权利要求1所述的机会网络拓扑预测方法，其特征在于，所述利用生成模型和判别模型构建生成式对抗网络模型的步骤包括：

确定生成式对抗网络模型中生成模型、判别模型，以及超参数和模型优化算法，并根据确定的信息构建生成式对抗网络模型。

4.如权利要求3所述的机会网络拓扑预测方法，其特征在于，所述模型优化算法的目标函数为：

其中，E(*)表示分布函数的期望值，P_data(x)表示真实的数据分布，G_i表示第i个时间切片的网络快照数据，D(*)表示判别模型判断输入样本来自真实网络数据的概率，G(x)表示生成模型生成的网络拓扑数据。

5.如权利要求1所述的机会网络拓扑预测方法，其特征在于，所述将提取的网络拓扑结构变化序列作为训练样本对生成式对抗网络模型进行训练的步骤包括：

将前L-1时刻的网络拓扑结构变化序列作为所述生成模型的输入，并输出预测的第L时刻的网络拓扑数据，其中L为滑动窗口的总长度；

将前L-1时刻的网络拓扑结构变化序列作为所述判别模型的第一输入，同时将所述生成模型输出的第L时刻的网络拓扑数据或真实网络中的第L时刻的网络拓扑数据作为第二输入，并输出概率值，所述概率值为所述判别模型输入的数据来自真实网络拓扑数据的概率。判别模型根据所述概率值计算模型损失，并反向传播至生成模型进行网络参数更新。

6.如权利要求1所述的机会网络拓扑预测方法，其特征在于，所述将提取的网络拓扑结构变化序列作为训练样本对生成式对抗网络模型进行训练的步骤包括：

将所述网络拓扑结构变化序列划分为训练集和测试集；

利用所述训练集对所述生成式对抗网络模型进行训练；

利用测试集对训练后的生成式对抗网络模型进行训练进行验证。

7.一种基于循环生成式对抗网络的机会网络拓扑预测装置，其特征在于，包括：

数据切片模块，用于通过时间序列分析方法对机会网络的通信数据进行切片，得到一系列离散的网络快照数据；

分组模块，用于对所述机会网络中的所有节点进行随机抽取和分组，得到多个观测节点组；

数据提取模块，用于以预设尺寸的滑动窗口对所述网络快照进行截取，并提取每个滑动窗口下各个观测节点组的网络拓扑结构变化序列；

模型构建模块，利用生成模型和判别模型构建生成式对抗网络模型；

模型训练模块，用于将提取的网络拓扑结构变化序列作为训练样本对生成式对抗网络模型进行训练，并将训练后的生成式对抗网络模型中的生成模型作为所述机会网络的拓扑结构的预测模型；

网络预测模块，利用所述预测模型对所述机会网络进行拓扑结构预测。

8.如权利要求1所述的机会网络拓扑预测装置，其特征在于，所述模型构建模块具体用于：

确定生成式对抗网络模型中生成模型、判别模型，以及超参数和模型优化算法，并根据确定的信息构建生成式对抗网络模型。