一种基于局部社团和全局信息的链路预测算法

以往复杂网络的链路预测研究常常只考虑了公共邻居等局部网络的拓扑信息,不能很好的反映网络整体上的情况.在考虑局部社团网络拓扑信息的基础上,将同配系数等全局信息也引入预测算法中,提出了一种基于局部社团和全局信息的LCII预测算法.应用该算法对多个真实网络进行了链路预测,发现与其他几种经典链路预测算法相比,LCII预测算法有较好的预测效果和准确度.可见,综合考虑局部社团和全局信息可以挖掘出候选节点间更多的信息,从而能在一定程度上提升预测的命中率.     

基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法

针对大部分预测方法难以适用于多源异构数据的处理,且存在能源类型考虑不全面等问题,提出了基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法.该方法通过K-means聚类算法分析用能行为并减少用能数据规模,利用遗传算法优化长短时记忆网络(LSTM)结合反向传播神经网络(BP)的预测模型,实现对智慧楼宇的能耗预测.基于TensorFlow深度学习框架进行实验分析,结果表明所提方法在12 h及120 h内预测结果的MAE值分别为1.79 J和2.11 J,预测效果稳定并优于其他对比方法,故具有一定的应用前景.     

一种无线传感器网络分层拓扑推断算法

无线传感器网络中网络拓扑对配置网络资源、优化网络性能具有十分重要的作用.根据在汇聚节点收集到的网络节点报文接收/丢失的信息,提出了一种基于数据聚合的分层拓扑发现算法,该算法同时可以实现对传感器网络节点的分层.针对目前的拓扑发现算法在网络链路丢包率较低的情况下无法快速推断出网络拓扑的问题,提出了一种使部分节点进入睡眠状态的方法推断低丢包率条件下的网络拓扑.仿真结果表明,提出的算法可以利用较少的观测数据准确快速地推断传感器网络的拓扑.     

基于优化深度置信网络的多源异构数据清洗算法研究

针对海量工业大数据的多源异构性特征,提出一种基于优化深度置信网络的大数据清洗算法.在Hadoop框架下,利用曼哈顿距离描述高维空间内多源异构数据之间的关系,构建深度置信网络模型,基于隐含层中的RBM结构训练样本数据;同时,利用能量函数联合概率优化神经网络模型,实现数据属性的约简,并剔除冗余、错误及不完整的干扰数据.     

传感器网络异常时间同步数据过滤算法

利用节点时间偏移的分布特性和时间同步数据的线性特征,使用概率统计中的样本空间估计理论和方法,设计时间同步数据过滤预测区间,提出基于线性回归的无线传感器网络数据过滤算法．该算法利用预测空间过滤异常时间同步数据,解决了因传感器网络数据错误率高且容易受到攻击而影响网络时间同步的难题．算法判定过程简单,避免针对异常数据而运行复杂的线性回归算法,有效降低节点的计算开销．仿真结果表明,该算法有效消除了异常数据对线性回归估计值的影响,提高了基于线性回归的传感器网络时间同步精度．     

基于乘积蕴涵算子相似度量的异构网络垂直切换

为了使无线异构网络有效融合,给出一种基于乘积蕴涵算子R_π的Vague集相似度量算法H_W(x,y),将其表示式应用于多属性判决方法之中,从而得出一种基于H_W(x,y)的垂直切换算法。将所得算法应用到LTE和WLAN组成的无线异构网络模型中,仿真可得切换次数、服务质量和丢包率的评价指标值,与基于M_F(x,y)的异构网络垂直切换算法相比较,新算法可减少异构网络切换次数、提高用户服务质量,并减少丢包率。     

基于Qos启发式算法的并行消息中间件设计

介绍一种基于Qos启发式算法的并行传输消息中间件设计思想,提出一种多约束QoS路由的启发式算法实现最优路径选择.系统采用了并行处理技术、基于数据库更新技术的数据同步传输机制、异构传输数据库配置与传输数据配置技术等,实现大型网络系统中异构数据库信息系统间海量数据信息并行交换,多级网络系统间数据信息并行交换.     

相似性与结构平衡论结合的符号网络边值预测

针对传统社会网络中基于相似性的链接预测算法在预测准确率和计算复杂度上难以均衡,且无法直接应用于符号网络的问题,为了实现符号网络中的链接预测与符号预测双重目标,提出一种基于相似性与结构平衡理论的符号网络边值预测方法(PSNBS)。首先,结合符号网络拓扑特征和最优步长的选择,有效融合属性相似性和路径结构相似性,定义了两节点基于结构平衡理论的2-step相似度和3-step相似度。其次,考虑到不同步长的路径对于两节点相似性的不同贡献程度,引入可调步长影响因子,并在此基础上定义了两节点基于平衡论的边值预测得分。得分的绝对值度量了两节点的相似程度,即未来链接建立的概率;得分的正负即为未来链接的符号预测结果。再次,针对边值预测得分为0的特殊情况,引入节点负密度的概念,采用节点的度特征进行符号预测。最后,依据边值预测得分和节点负密度完成链接预测和符号预测。以、和为评价标准,在多个数据集上进行了实验。结果显示了所提算法的有效性和强健性,对于未来链接预测以及已有边的符号预测均能达到较高的预测准确率。此外,与经典的符号预测CN和ICN算法的实验对比分析显示,PSNBS算法符号预测准确率更高。     

基于深度信念网络的端信息跳变模式自适应策略

针对端信息跳变主动防御技术中跳变策略单一的问题,将多样异构的跳变模式引入端信息跳变系统,拓展了端信息的定义,并给出跳变策略的自适应调整方案.提出一种基于深度信念网络的端信息跳变自适应模型,形式化地描述了模型中数据收集、特征提取和状态预测等过程,定义了端信息跳变网络状态特征指标,并建立了特征数据集.利用深度信念网络对数据集进行建模,利用马尔可夫链预测下一周期的网络状态,并根据预测结果选取异构的跳变模式,从而实现端信息跳变模式的自适应变化.实验结果显示,模型网络状态识别和预测具有较高的准确性,并且异构的跳变策略能够有效抵御不同的攻击类型,进而验证了端信息跳变自适应模型的有效性和安全性.     

Ad Hoc局部网络拓扑信息对能量有效拓扑控制的影响

为分析局部网络拓扑信息对网络性能的影响,基于势博弈构建了局部多功率控制模型LMTCPGT,并在该模型的基础上给出Local-MTCPGT算法,研究节点拥有局部网络拓扑信息对网络性能优化的影响.仿真实验表明,使用适当的局部网络拓扑信息比使用全局网络拓扑信息产生更高效的拓扑.     

基于FAHP的异构无线网络选择

针对如何在多个异构无线网络中选取最优接入网络问题,提出一种基于模糊层次分析法(FAHP)的异构网络选择算法.首先,为了保证各网络的负载平衡,在进入选择算法之前,对各备选网络进行负载分析;接着,通过对影响网络选择的主要因素的分析,建立网络选择决策模型,同时从用户角度和整体网络管理角度分别计算出各网络属性的权重;最后,综合计算选择最优网络.仿真结果验证了本算法的正确性和有效性.     

基于工业以太网和OPC技术的分布式异构网络控制系统的集成

提出网络集成要分成网络级同构与接口级同构两个步骤实现,论述了网络级通过以太网实现同构、接口级通过OPC技术实现同构的优越性.根据某集装箱码头100多台起重机分布式异构网络控制系统的集成要求,依据港口实际情况,实现了其基于以太网与OPC技术对各类系统数据的整合,实现了网络集成.实际系统的运行和实测结果表明,所采用的集成方法可行,满足要求.     

基于认知的异构无线网络信道借用策略

为解决频谱资源日益紧张的问题,基于IEEE802 11无线局域网（WLAN）和时分同步码分
多址(TD-SCDMA)技术构建的异构网络模型,考虑了异构无线网络下信道借用的条件,
提出了一种新的基于预测的信道垂直借用方案及其算法. 该算法在借鉴信道水平借用策略的基础上,引入信道预留机制并增加了信道借用预测算法. 仿真结果表明,该方案可有效降低呼叫
阻塞率,改善系统性能.     

MANET网络中一种基于灰色区域的移动预测路由协议及多径备份路由扩展

MANET网络中拓扑结构频繁变化的特点,经常导致网络存在通信路径不稳定,通信质量较差的情况.文章提出一种基于灰色区域的移动预测路由协议LP-OLSR,该协议能够适应网络拓扑结构的快速变化,结合节点灰色区域范围,预测链路未来时刻的连接状态,在链路失效前重新计算路由,减少因为链路中断产生的时延.并且结合多径技术扩展至LP-OLSR-M协议,通过多径路由算法寻找一条备份路径,在当前链路即将失效前切换至备份路径,进一步保证了数据的稳定传输.仿真结果表明,新协议的QoS指标较OLSR协议相比有了明显改善,有效提高了MANET网络的通信质量.     

基于预测控制的时滞网络主动队列管理

针对Internet网络这种典型的延迟系统,基于模型预测控制理论,提出了一种新的主动队列管理算法——MPAQM算法。首先考虑时滞系统的因果性定义预测输出,根据预测模型和状态估计器,预测瓶颈链路队列的未来动态特性;然后将拥塞控制的控制要求转化为优化目标函数,求解优化问题得到丢包率。在单瓶颈和多瓶颈网络拓扑中进行仿真验证,结果显示MPAQM算法能快速平稳地收敛于队列长度的期望值,丢包率小且具有较好的稳定性和鲁棒性。     

基于最优刚性子图的势博弈无线传感器网络拓扑优化算法

为了高效的利用网络资源,均衡网络拓扑能耗、剔除网络拓扑冗余链路、降低节点负载、最大化的延长网络的生命周期。本文通过势博弈和最优刚性子图的概念,综合考虑节点的剩余能量、节点的负载及网络拓扑链路的冗余性,设计了一种基于最优刚性子图的势博弈无线传感器网络拓扑优化算法(PGOSG)。首先,根据节点间通信的功率变化,构造节点的功率集合作为博弈的策略集,利用势博弈理论以均衡能耗均衡为目标构建势博弈函数,并使其收敛至纳什均衡点,进而构建初步的网络拓扑结构。然后,利用最优刚性图全局链路数较少,且不损坏网络拓扑结构的特性,在上一步构建的网络拓扑结构上,利用最优刚性子图逐层剔除网络拓扑中的冗余链路,得到最终的网络拓扑结构。仿真实验分析了PGOSG算法的网络拓扑图、链路通信质量、网络鲁棒性以及网络生命周期,并将其与现有的DEBA算法进行了对比。从仿真结果可知：在拓扑结构上,PGOSG算法在网络的通信链路上剔除了网络中的冗余链路,降低了网络中部分节点的负载。在能耗均衡上,博弈算法制定了节点数据转发规则有效的利用了网络资源,均衡了节点能耗、避免节点间冗余转发。因此本文提出的算法能够剔除网络中的冗余链路,降低节点的负载和链路权值,延长网络生存时间。     

基于加性噪声模型的基因调控网络构建算法

为在统计推断方法通过相关性来筛选基因对时,能够体现调控关系的因果性,受因果定向算法能够有效定向调控关系的启发,将加性噪声模型与因果定向算法相结合,用基于加性噪声的定向算法度量因果关系的程度,提出了一种基因调控网络构建的算法.该算法首先将加性噪声模型的因果定向算法扩展为一个特征选择算法,并通过建立调控因子集合与每个基因间的加性噪声模型来选择基因的调控因子.在DREAM5的3个数据集上的实验结果显示,结果比其他算法有明显提升,该算法可有效构建基因调控网络.     

基于图划分的网状高阶异构数据联合聚类算法

目前已有的高阶联合聚类算法主要集中于分析星型高阶异构数据,然而实际应用中,存在大量网状高阶异构数据。为了有效挖掘网状高阶异构数据内部隐藏的结构,本文提出一种基于图划分的高阶联合聚类算法(简称为GPHCC),该算法将网状高阶异构数据的聚类问题转化为多对二部图的最小正则割划分问题。为了降低计算复杂度,将此优化问题转化为半正定问题求解。实验结果表明GPHCC算法优于目前已有的5种二阶联合聚类算法和5种高阶联合聚类算法。     

融合用户行为同步指标的链路预测研究

现有链路预测方法大多基于网络结构相似性及连边的权重特征,没有有效挖掘连边权重形成的时序信息。考虑到两个节点行为的时间同步性往往是由于两个节点存在链接造成的,因此在网络结构的重构研究中通常利用节点的行为同步性来反推它们之间是否存在链接关系。该文尝试将节点同步性信息这一网络重构的方法引入链路预测领域,提出一种网络拓扑相似性上融合节点行为同步指数的链路预测算法。经过两类6种真实网络数据的比较分析,发现该算法可有效提高链路预测准确率,相比现有方法,Precision指标提高了15.3%～68.2%。该研究不仅发现节点局域结构相似性和节点行为同步指数对链路预测的共同影响,也揭示了不同类别真实加权网络的内在结构和动态特征。     

基于小波变换和时间序列的网络流量预测模型

随着互联网规模和应用的扩大,网络数据流量呈现出复杂多分形性的特点,针对这个特性,构建了基于小波分析和ARMA模型的网络流量预测模型,用Mallat算法将原始流量数据分解为4个分层数据,对各层数据用ARMA模型进行预测,再将各层预测数据重组为预测的网络流量.采用真实数据进行仿真的试验表明,基于小波分析和ARMA相结合的网络流量预测模型的预测结果具有较高的准确度,并在网络管理和优化中具有重要实用价值.