認知網(wǎng)絡(luò)中基于網(wǎng)絡(luò)狀態(tài)和行為預(yù)測的路由及數(shù)據(jù)分發(fā)算法研究.pdf

1、認知網(wǎng)絡(luò)是由大量具有感知、數(shù)據(jù)處理和通信能力的智能節(jié)點組成的網(wǎng)絡(luò)，并且通過智能節(jié)點之間的協(xié)作，實現(xiàn)對網(wǎng)絡(luò)環(huán)境的感知，根據(jù)用戶需求做出相應(yīng)的行為決策和資源配置，從而優(yōu)化整個網(wǎng)絡(luò)的性能和服務(wù)質(zhì)量。由于認知網(wǎng)絡(luò)具有智能性、自適應(yīng)性、自管理性等特點，在社會服務(wù)、軍事通信、環(huán)境保護、智能交通、災(zāi)害預(yù)測及救援等領(lǐng)域有著廣闊的應(yīng)用前景。
　　認知網(wǎng)絡(luò)能夠獲取網(wǎng)絡(luò)狀態(tài)和行為信息，通過智能學(xué)習(xí)和推理等機制對網(wǎng)絡(luò)狀態(tài)和行為信息進行分析預(yù)測，針對用戶和

2、應(yīng)用的需求目標做出行為決策，從而優(yōu)化網(wǎng)絡(luò)性能，提供優(yōu)質(zhì)的網(wǎng)絡(luò)服務(wù)。目前人類的社會生活與網(wǎng)絡(luò)服務(wù)密切結(jié)合，由此而產(chǎn)生的社群智能系統(tǒng)為社會化服務(wù)提供了技術(shù)支撐。認知網(wǎng)絡(luò)的系統(tǒng)架構(gòu)和設(shè)計思想為社群智能系統(tǒng)提供了有效的網(wǎng)絡(luò)模型，同時能夠為社群智能的應(yīng)用系統(tǒng)提供技術(shù)和部署方案。
　　本文在認知網(wǎng)絡(luò)的思想和架構(gòu)下，結(jié)合社群智能系統(tǒng)的應(yīng)用背景，以實現(xiàn)認知網(wǎng)絡(luò)自適應(yīng)的路由機制和認知網(wǎng)絡(luò)社會化應(yīng)用中的數(shù)據(jù)服務(wù)業(yè)務(wù)為目標，感知網(wǎng)絡(luò)狀態(tài)信息和用戶行為參

3、數(shù)，采用學(xué)習(xí)和推理機制中的數(shù)學(xué)模型、人工智能算法、運籌學(xué)中的經(jīng)典理論和方法對環(huán)境感知信息進行分析和預(yù)測，在此基礎(chǔ)上研究適合于認知網(wǎng)絡(luò)應(yīng)用系統(tǒng)的路由算法、數(shù)據(jù)轉(zhuǎn)發(fā)機制以及相關(guān)關(guān)鍵技術(shù)。
　　首先，設(shè)計具有流量預(yù)測功能的認知網(wǎng)絡(luò)系統(tǒng)，構(gòu)建了適用于認知網(wǎng)絡(luò)的流量預(yù)測模型。本文基于流量預(yù)測模型-MMSE，提出了一種最小流量負載路由算法(MinimumWorkload Routing Algorithm，MWR)，該算法選擇路由路徑上每條流

4、量負載不超過閾值的鏈路，從而確定最輕流量負載路徑進行分組傳輸。進一步對MWR算法進行擴展，提出了自適應(yīng)的流量預(yù)測路由算法（Adaptive Traffic Prediction Routing Algorithm，ATPRA），考慮網(wǎng)絡(luò)流量負載和最短路徑兩個網(wǎng)絡(luò)行為參數(shù)進行路由選擇。認知網(wǎng)絡(luò)具有動態(tài)響應(yīng)的能力，能夠?qū)ν话l(fā)網(wǎng)絡(luò)事件和資源動態(tài)變化采取相應(yīng)的措施，從而保證端到端的用戶服務(wù)質(zhì)量。本文提出了一種有效的流量感知的多路徑路由算法(Ef

5、ficient Traffic AwareMulti-path Routing，ETAMR)考慮鏈路流量分布、節(jié)點負載和最短路徑，建立主路徑的同時還選擇若干備選路徑，依據(jù)網(wǎng)絡(luò)的實時流量負載變化情況觸發(fā)備選路徑。該算法對于網(wǎng)絡(luò)擁塞或鏈路失效等突發(fā)狀況進行預(yù)測和防范，是一種具有良好負載均衡機制的路由算法。仿真結(jié)果表明，本文提出的三種認知網(wǎng)絡(luò)算法在傳輸延遲，丟包率和負載均衡方面具有較好的性能。
　　其次，將認知網(wǎng)絡(luò)技術(shù)應(yīng)用到基于社群智能

6、的機會網(wǎng)絡(luò)中，研究移動節(jié)點的位置預(yù)測問題，提出了一種基于社會關(guān)系的移動節(jié)點位置預(yù)測算法(Social-relationship-basedMobile node Location Prediction algorithm，SMLP)。該算法基于位置對應(yīng)用場景進行建模，通過節(jié)點的移動規(guī)律挖掘節(jié)點之間的社會關(guān)系。SMLP算法以馬爾可夫模型為基礎(chǔ)對節(jié)點的移動性進行初步預(yù)測，然后利用與其社會關(guān)系較強的其他節(jié)點的位置對該節(jié)點的預(yù)測結(jié)果進行修正。S

7、MLP算法基于馬爾可夫模型和加權(quán)馬爾可夫模型進行了優(yōu)化，分別提出了SMLP1和SMLPN兩種算法實現(xiàn)。最后基于真實數(shù)據(jù)集對算法進行仿真實驗，實驗結(jié)果表明，SMLP1比馬爾可夫模型具有更高的預(yù)測精確度， SMLPN與SMLP1相比有了更大程度的性能提升，并且在時間復(fù)雜度和空間復(fù)雜度上優(yōu)于2階馬爾可夫模型。
　　然后，針對機會認知網(wǎng)絡(luò)中移動節(jié)點需要依靠相遇機會完成數(shù)據(jù)的轉(zhuǎn)發(fā)，從而實現(xiàn)數(shù)據(jù)分發(fā)服務(wù)的問題，提出了三種適用于不同機會認知網(wǎng)絡(luò)

8、環(huán)境的數(shù)據(jù)分發(fā)機制?；谙伻簝?yōu)化的數(shù)據(jù)分發(fā)算法(Ant Colony Optimization based DAta dissemination，ACODAD)適用于全分布式的機會認知網(wǎng)絡(luò)環(huán)境，通過蟻群優(yōu)化機制建立移動節(jié)點親密度模型來解決數(shù)據(jù)分發(fā)問題。該機制采用基于蟻群優(yōu)化的認知啟發(fā)式技術(shù)，設(shè)計機會認知網(wǎng)絡(luò)中以自適應(yīng)性數(shù)據(jù)轉(zhuǎn)發(fā)為基礎(chǔ)的數(shù)據(jù)分發(fā)方案?；谖恢妙A(yù)測的數(shù)據(jù)分發(fā)算法(LOcationPrediction based DAta D

9、issemination，LOPDAD)和基于位置預(yù)測的群體智能數(shù)據(jù)分發(fā)算法(LOcation-Prediction and Swarm-Intelligence based data dissemination，LOPSI)適用于集中式和分布式混合的機會認知網(wǎng)絡(luò)系統(tǒng)。LOPDAD通過預(yù)測移動節(jié)點的位置狀態(tài)進行轉(zhuǎn)發(fā)概率計算，完成數(shù)據(jù)分發(fā)。LOPSI是一種概率路由算法，有機的結(jié)合位置預(yù)測算法和蟻群優(yōu)化機制。該算法首先預(yù)測相遇節(jié)點和目的節(jié)點

10、在未來時間序列中的位置狀態(tài)，然后比較相遇節(jié)點與目的節(jié)點的親密度，依據(jù)節(jié)點與目的節(jié)點的親密度和移動位置預(yù)測完成數(shù)據(jù)分發(fā)。同時三種算法都考慮移動節(jié)點的緩存管理，保證整個網(wǎng)絡(luò)的運行效率和生命周期。仿真部署的地理模型采用真實的校園場景，本文提出的算法在傳輸開銷、傳輸成功率、平均跳數(shù)以及傳輸延遲方面達到良好的性能。
　　最后，機會認知網(wǎng)絡(luò)在社群智能應(yīng)用系統(tǒng)中提供的數(shù)據(jù)采集和數(shù)據(jù)分發(fā)服務(wù)，需要節(jié)點持續(xù)的參與才能夠完成，同時還要保證服務(wù)的可靠性

11、。參與節(jié)點消耗自身資源完成網(wǎng)絡(luò)數(shù)據(jù)服務(wù)，因此需要相應(yīng)的激勵機制才能保證節(jié)點參與的積極性和持續(xù)性。本文針對上述問題提供解決方案，提出了基于聲望的用戶激勵機制(Reputation-based ParticipateIncentive Algorithm，RBPIA)。RBPIA模型從數(shù)據(jù)可靠性和競標可靠性兩方面構(gòu)建參與者的聲望模型，在此基礎(chǔ)上建立激勵機制使機會認知系統(tǒng)保持充足的具有聲望的參與者持續(xù)提供服務(wù)，同時減少系統(tǒng)激勵開銷。仿真實驗在