基于深度信念网的便携设备交换网络链路预测方法研究

Pocket switched networks (PSNs) have the features of node mobility, intermittent connection between nodes, and high latent, which lead to the following research challenges - network behavior prediction, message forwarding, dynamic naming, and etc. The proposal will study on link prediction approach involved in network behavior prediction, and it will focus on, 1) building of similarity metrics and pre-processing of samples; 2) building of deep belief network (DBN); 3) building of regression machine; and 4) verifying of models. The similarity metrics will be built according to PSN temporal variation. Dimension of samples will be reduced by collapsed weighted tensor. Distributed DBN model is constructed to extract features, which will employ information entropy, self-adapting learning rate, and Spark. Regression model will be built in terms of Gaussian core function and k-fold cross verification. The study on PSN link prediction is at beginning. The current link prediction methods based on machine learning focus on shallow learning, and the proposed method will employ deep learning. With taking advantage of DBN feature extraction, accuracy of link prediction will be improved in terms of building similarity metric, feature extraction, and parameter optimization. Achievements of the proposal will support the researches of PSN upper protocols, such as message forwarding, topology control, and mobility management. And they will leverage its application in the field of commodity recommendation, disaster rescuing, terrorism organization and criminal identification, and so on.

便携设备交换网络（PSN）具有节点移动性、节点间间歇性连接、高延迟等特点，其研究面临以下挑战：网络行为预测、消息转发、命名的动态性等。本项目研究其网络行为预测中的链路预测方法，主要内容：⑴相似性指标的建立和样本的预处理；⑵深度信念网（DBN）的构建；⑶支持向量回归机的构建；⑷模型验证。针对PSN的时变性，建立相似性指标，通过收缩加权张量对样本降维，基于信息熵理论、自适应学习率与Spark构建分布式DBN模型提取特征，采用高斯核函数、k折交叉验证等方法构建回归模型。目前PSN链路预测的研究尚处于起步阶段，基于机器学习的链路预测方法主要为浅层学习方法，项目采用深度学习的方法，借助DBN在特征提取上的优势，从相似性指标建立、特征提取、参数优化三方面提高链路预测的准确率，为PSN的消息转发、拓扑控制和移动管理等上层协议提供支撑，推动PSN在商品推荐、灾难救援、恐怖组织与犯罪团伙的识别等方面的应用。

便携设备交换网络(PSN)具有机会网络的节点移动性、节点间间歇性连接、高延迟等特点，其研究面临以下挑战：网络行为预测、消息转发、命名的动态性等。本项目研究了网络行为预测中的链路预测方法，具体开展了以下研究：⑴相似性指标的构建；⑵切片时长的确定；⑶机会网络的表征；⑷预测模型的构建；⑸关键节点的评估。其工作表现在：构建了基于节点行为模式的相似性指标SNBP，提出了一组改进的机会网络相似性指标；提出了基于混沌时间序列理论的时间切片方法和基于网络变化度的时间切片方法；采用了状态迁移矩阵和链路预测窗口表征机会网络。在此研究基础上，提出了：基于条件深度信念网络、基于深度卷积神经网络、基于循环神经网络、基于贝叶斯循环神经网络、基于改进的重启随机游走和深度信念网络、基于深度图嵌入的链路预测方法。此外，针对关键节点的评估，提出了基于桥节点和基于节点对影响值的关键节点评估方法。项目借助了深度学习方法在特征提取上的优势，从相似性指标建立、切片时长的确定、特征提取等方面提高了链路预测的准确率，为PSN的消息转发、网络演化、拓扑控制和移动管理等提供支撑，推动了PSN在电子商务平台的推荐系统、公共安全领域的舆情监控、犯罪团伙的识别等方面的应用。

内容获取失败，请点击重试