[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

说明书

一种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，该方法包括：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对机会网络进行拓扑结构预测。本发明利用该预测模型提取机会网络拓扑结构演化规律的高阶时空特征，实现对机会网络未来时刻的拓扑预测。

技术领域

本发明涉及网络技术领域，特别是涉及一种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。

背景技术

机会网络利用节点的移动，将数据以多跳的方式从源节点传输到目标节点，以“存储-携带-转发”的路由模式实现节点间通信。机会网络的这种动态性和不要求网络全连通的特点，更适合实际的自组网需求，且更具有普适性并能满足恶劣条件下的网络通信需要，因此在军事和民用无线通信领域都具有重要的研究和应用价值，相关研究的开展也越来越广泛。

由于机会网络中节点的移动导致网络拓扑结构、节点通信存在时变性，节点间无固定的通信路径，使得机会网络的路由选择更为困难。与传统的动态网络相比，机会网络的拓扑结构变化更加复杂、链路状态变化更频繁且网络更加稀疏。动态性是影响机会网络使用效果的一个重要因素，拓扑结构预测被认为是解决这一问题的有效方法。例如，在ad hoc网络中通信链路的动态性使得路由协议的设计成为一个具有挑战性的问题，其中网络动态拓扑的预测对于实现更高效、更可靠的通信起着重要的作用。

尽管现在已近开展了大量的研究来处理动态网络的链路预测，传统的链路预测方法无法适用于获取机会网络的网络演化特征，且多数研究的对象是节点对之间的链路预测，而无法整个机会网络全局的未来时刻拓扑预测。

发明内容

鉴于上述状况，有必要针对现有技术中无法对机会网络拓扑结构进行预测的问题，提供一种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。

一种基于循环生成式对抗网络的机会网络拓扑预测方法，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。

进一步的，上述机会网络拓扑预测方法，其中，所述生成模型和所述判别模型均采用循环神经网络模型。

进一步的，上述机会网络拓扑预测方法，其中，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。

进一步的，上述机会网络拓扑预测方法，其中，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。