[发明专利]一种基于FCM的大规模路由网络表达方法

说明书

本发明属于网络拓扑结构分析领域，具体涉及一种基于FCM的大规模路由网络表达方法，该方法包括：通过模糊均值聚类对大规模网络拓扑结构进行分解，得到粒度粗化的球体。在各个球体间进行随机游走得到宏观序列，在球体内进行随机游走得到局部序列。最后使用无监督学习算法Skip‑Gram进行训练，得到每个设备的低维向量表达；本发明采用多粒度的思想，将初始网络根据性质进行划分，需要计算网络设备的三种性质：度中心性、中介中心性、特征向量中心性，从不同粒度上进行考虑可以提高效率和提升效果；相较于传统算法，本发明的算法复杂度低，并行能力强，适合于大规模的复杂网络。

技术领域

本发明属于网络拓扑结构分析领域，具体涉及一种基于FCM的大规模路由网络表达方法。

背景技术

随着卫星通信和互联网的发展，网络结构的规模呈指数增加，针对复杂的大规模网络分析成为当前的重要问题。传统用邻接矩阵表示网络的结构，它的维度为设备数n的平方，对于真实世界的大规模网络是不能接受的。而且大部分网络是稀疏的，用邻接矩阵表示会有很多的冗余信息。基于嵌入的网络表达方法旨在学习设备在低维空间中的连续稠密表示，从而减少噪声和冗余信息。

如果直接针对原网络进行训练复杂度会很高，通过分而治之的思想，将原网络进行粒度分层，然后采用并行计算的思想，加快模型训练速度。提出用FCM进行模糊聚类，相比于硬聚类算法，FCM对于孤立点是敏感的。先对聚类的每个球体进行宏观的训练，它可以让模型在前期快速的收敛；然后针对具体设备进行局部的训练，对每个设备的向量进行细微调整。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于FCM的大规模路由网络表达方法，该方法包括：

S1：获取大规模路由拓扑结构，将大规模路由拓扑结构输入到FCM模型中，得到大规模路由拓扑结构中每个设备的特征z_j；

S2：确定将设备划分到球体的个数，对球体个数进行初始化；确定每个球体的特征c_i；根据设备的特征和球体特征计算每个设备属于球体的隶属度

S3：根据设备的特征z_j、每个球体的特征c_i以及隶属度计算模糊均值聚类算法的目标函数J；

S4：对目标函数中的变量求导，根据求导结果更新目标函数J的值；

S5：重复步骤S4，当目标函数J的值固定时停止更新，输出此时的隶属度u_ij；

S6：根据隶属度u_ij将各个设备划到对应的球体中；

S7：计算各个球体间的相似度以及球体内各个设备之间的相似度；

S8：根据球体间的相似度和宏观随机游走模型对球体序列进行处理，得到球体向量Φ(c_i)；根据球体内各个设备之间的相似度和局部随机游走模型对设备序列进行处理，得到设备向量Φ(z_j)；

S9：初始化球体向量Φ(c_i)和设备向量Φ(z_j)；采用无监督算法Skip-Gram更新球体向量和设备向量，得到包含语义信息的低维向量。

优选的，构建大规模路由拓扑结构图包括：获取网络中的各个设备的位置以及设备间的连接关系，将各个设备作为节点，设备的连接作为通信链路；设备的特征包括：每个设备在网络中的度中心性、中介中心性和特征向量中心性。

进一步的，度中心性的公式为：

中介中心性的公式为：

特征向量中心性的公式为：