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

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

2、應用的需求目標做出行為決策，從而優(yōu)化網(wǎng)絡性能，提供優(yōu)質(zhì)的網(wǎng)絡服務。目前人類的社會生活與網(wǎng)絡服務密切結合，由此而產(chǎn)生的社群智能系統(tǒng)為社會化服務提供了技術支撐。認知網(wǎng)絡的系統(tǒng)架構和設計思想為社群智能系統(tǒng)提供了有效的網(wǎng)絡模型，同時能夠為社群智能的應用系統(tǒng)提供技術和部署方案。
　　本文在認知網(wǎng)絡的思想和架構下，結合社群智能系統(tǒng)的應用背景，以實現(xiàn)認知網(wǎng)絡自適應的路由機制和認知網(wǎng)絡社會化應用中的數(shù)據(jù)服務業(yè)務為目標，感知網(wǎng)絡狀態(tài)信息和用戶行為參

3、數(shù)，采用學習和推理機制中的數(shù)學模型、人工智能算法、運籌學中的經(jīng)典理論和方法對環(huán)境感知信息進行分析和預測，在此基礎上研究適合于認知網(wǎng)絡應用系統(tǒng)的路由算法、數(shù)據(jù)轉發(fā)機制以及相關關鍵技術。
　　首先，設計具有流量預測功能的認知網(wǎng)絡系統(tǒng)，構建了適用于認知網(wǎng)絡的流量預測模型。本文基于流量預測模型-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，提出了自適應的流量預測路由算法（Adaptive Traffic Prediction Routing Algorithm，ATPRA），考慮網(wǎng)絡流量負載和最短路徑兩個網(wǎng)絡行為參數(shù)進行路由選擇。認知網(wǎng)絡具有動態(tài)響應的能力，能夠?qū)ν话l(fā)網(wǎng)絡事件和資源動態(tài)變化采取相應的措施，從而保證端到端的用戶服務質(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)絡擁塞或鏈路失效等突發(fā)狀況進行預測和防范，是一種具有良好負載均衡機制的路由算法。仿真結果表明，本文提出的三種認知網(wǎng)絡算法在傳輸延遲，丟包率和負載均衡方面具有較好的性能。
　　其次，將認知網(wǎng)絡技術應用到基于社群智能

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

7、MLP算法基于馬爾可夫模型和加權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，實驗結果表明，SMLP1比馬爾可夫模型具有更高的預測精確度， SMLPN與SMLP1相比有了更大程度的性能提升，并且在時間復雜度和空間復雜度上優(yōu)于2階馬爾可夫模型。
　　然后，針對機會認知網(wǎng)絡中移動節(jié)點需要依靠相遇機會完成數(shù)據(jù)的轉發(fā)，從而實現(xiàn)數(shù)據(jù)分發(fā)服務的問題，提出了三種適用于不同機會認知網(wǎng)絡

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，設計機會認知網(wǎng)絡中以自適應性數(shù)據(jù)轉發(fā)為基礎的數(shù)據(jù)分發(fā)方案?；谖恢妙A測的數(shù)據(jù)分發(fā)算法(LOcationPrediction based DAta D

9、issemination，LOPDAD)和基于位置預測的群體智能數(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)絡系統(tǒng)。LOPDAD通過預測移動節(jié)點的位置狀態(tài)進行轉發(fā)概率計算，完成數(shù)據(jù)分發(fā)。LOPSI是一種概率路由算法，有機的結合位置預測算法和蟻群優(yōu)化機制。該算法首先預測相遇節(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)絡在社群智能應用系統(tǒng)中提供的數(shù)據(jù)采集和數(shù)據(jù)分發(fā)服務，需要節(jié)點持續(xù)的參與才能夠完成，同時還要保證服務的可靠性

11、。參與節(jié)點消耗自身資源完成網(wǎng)絡數(shù)據(jù)服務，因此需要相應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建參與者的聲望模型，在此基礎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，同時減少系統(tǒng)激勵開銷。仿真實驗在