因特网时延空间中TIV与接入时延的研究

大量网络测量研究证实了违反三角不等式(TIV)是因特网时延空间存在的一种普遍现象,是影响网络坐标系统准确性的重要原因之一.通过将因特网分为接入网和核心网两部分,引入了时延空间模型来分析接入时延对于TIV的影响.理论分析表明TIV产生于网络的核心,接入时延可以使得在端到端路径中观察到的TIV数目会减少,并减轻TIV的严重程度.然后,在PlanetLab测试平台设计了一组网络测量实验,来测量端到端的时延矩阵和相应的拓扑信息.之后,设计了ScoutTIV算法来统计时延数据集中的TIV比例.在实验中,根据主机的IP属性将其分为3个子集,并生成了1个随机数据集来进行分析.在所有子集上的实验结果与理论分析结论一致,为网络坐标系统进一步提高预测精度提供了重要依据.     

一种基于被动路标的网络距离预测方法

网络拓扑信息的引导能够显著提高大规模分布式应用程序的性能,然而直接测量节点之间拓扑信息产生的开销远大于其收益.提出一种新的基于被动路标的节点间网络距离预估方法PLNDP,使用Lipschitz变换将普通节点到路标节点的网络延迟映射到度量空间Rn,再利用距离函数计算映射后的网络坐标之间的距离,从而预测节点之间的网络距离....     

基于梯度搜索的移动协作定位算法

针对节点移动对定位实时性能的影响,通过预测节点的移动趋势平衡定位时延,提出一种基于梯度搜索的移动协作定位算法.该算法将移动定位拓展到时间区间上进行.在每个时间区间内,采用一跳距离测量和压缩感知方法构建节点距离数据,并通过预测节点移动趋势确定网络中节点间距离矩阵的边界条件;然后通过梯度搜索法求解节点在特定时间区间内的最佳估计,从而求得各节点的相对坐标;如果网络中有足够锚节点,则可将相对坐标转换为绝对位置.仿真结果表明,与其它移动定位算法相比,提出的方案有效提高了定位精度,而且在有测距误差的环境下也表现出较好的定位性能.     

P2P网络节点自组织聚类算法

提出了一种P2P网络节点自组织聚类算法,该算法具有分布式、自组织的特点,每个节点分别使用自身掌握的网络局部视图,通过邻近节点查找机制独立地完成聚类操作,为P2P网络构造算法提供支持,具有良好的可扩展性和鲁棒性.为提高邻近节点查找效率,节点根据小世界模型在聚类区域外采用半径指数递增且互不重叠的多重环结构组织远距离节点,增加捷径连接,减小节点间平均距离.在邻近节点查找过程中,使用分布式的网络坐标机制预测网络距离,缩小目标节点范围,然后通过直接测量找出最邻近节点,这种策略在保证准确度的同时有效地降低了系统开销.     

基于非负矩阵分解的网络距离预测

大规模网络中的节点存在高度动态性、不可达性等问题,使得直接测量节点之间时延有时根本无法进行。为此,提出一种非负矩阵坐标分解预测方法,通过获取普通节点与基准节点的RTT值构建一个特征矩阵(非负矩阵),并在欧式空间坐标计算的基础上,根据距离矩阵的非负性,确保其无损分解成基矢量和权矢量乘积,降低距离计算的维度,加快预测的收敛,其预测精确性符合预测误差趋势分布 模型。     

基于局部语义聚类的语义重叠社区发现算法

语义社会网络是一种包含信息节点及社会关系构成的新型复杂网络,因此以节点邻接关系为挖掘对象的传统社会网络社区发现算法无法有效处理语义社会网络重叠社区发现问题。针对这一问题,提出基于局部语义聚类的语义社会网络重叠社区发现算法,该算法：1）以 LDA （latent Dirichlet allocation）模型为语义信息模型,利用 Gibbs 取样法建立节点语义信息到语义空间的量化映射;2）以节点间语义坐标的相对熵作为节点语义相似度的度量,建立节点相似度矩阵;3）根据社会网络的局部小世界特性,提出语义社会网络的局部社区结构 S‐fitness 模型,并根据 S‐fitness 模型建立了局部语义聚类算法（local semantic clusterm ,LSC）;4）提出可度量语义社区发现结果的语义模块度模型,并通过实验分析,验证了算法及语义模块度模型的有效性及可行性。     

一种改进的LS-SVR定位算法

研究无线网络传感器节点定位技术问题,根据特征量重要度最小二乘支持向量回归(LS-SVR)的定位方法,为提高可靠目标跟踪效果,提出了一种改进策略.算法的主要思想是:根据已知锚节点坐标信息,通过对探测区域网格化采样,得到包含未知节点到各锚节点的距离和未知节点坐标的训练样本集,利用LS-SVR训练得到定位模型,定位时以用多个锚节点的平均每跳距离的平均向量作为模型的输入,将模型输出作为未知节点的估计坐标.仿真结果表明,算法在不需要增加节点的硬件开销的基础上提高了定位精度,是无线传感器网络中节点定位的一种实用方案.     

分布式异步测量传感器网络机器人控制

现有的分布式无线传感器网络目标定位跟踪系统,通常根据分布在不同位置的节点同时测量目标与本节点之间距离,通过多点定位计算目标位置,据此对移动机器人进行导航控制.然而在实际无线传感器网络中,各节点测量往往不是同步进行的,多点定位算法中使用到的测距值,严格意义上并不是同一时刻目标与各节点的距离.文中提出一种基于异步测量的卡尔曼滤波方法,能有效融合包含测量噪声、时延噪声的测距数据.将处理后的数据运用到移动机器人导航控制上,能有效地对移动机器人运动轨迹进行平滑、预测,并能准确算出其位于网络死区时的坐标及航向角.此测量方式、控制算法在6网格无线传感器网络中,获得了很好的实际控制效果.     

CACC:一种基于分簇的自适应网络坐标计算方法

针对Internet环境中采用基于坐标的方法预测网络节点间的距离问题,提出了一种基于分簇的自适应网络坐标计算方法CACC.首先,提出了E-Binning分簇算法,并在此基础上通过比较不同的地标选择策略,CACC采用了最优的分布式地标策略Hybrid;其次,提出了自适应坐标更新算法ACU以提高坐标计算的收敛速度和精确度;最后,采用相对误差和SRRL度量方法,通过与经典的网络坐标计算方法GNP和Vivaldi对比验证了方法的精确性.实验结果表明,CACC是一种可扩展性强、收敛性好、预测精度高的面向实际应用的网络距离预测方法.     

水下无线传感器网络协作式节点定位方法

针对无线传感器网络信标节点受水下条件限制不能布置很多的问题,利用非信标节点参与定位是提高定位精度的一种途径.协作式定位算法就是通过测量所有相邻节点间的信号传输往返时延来计算距离,利用信标节点和未知节点间的距离确定自身初始区域,并利用相邻2个未知节点间的距离来缩小这个区域,用迭代方式提高节点的定位精度.该算法无须额外的硬件支持,仿真结果显示:即使只有很少的信标节点,算法的定位精度也可以超过传统的只用信标节点的定位方式.