申请/专利权人：南昌航空大学

申请日：2021-07-27

公开（公告）日：2023-05-23

公开（公告）号：CN113783715B

主分类号：H04L41/12

分类号：H04L41/12;H04L41/16;H04L41/147;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.05.23#授权;2021.12.28#实质审查的生效;2021.12.10#公开

摘要：本发明公开了一种采用因果卷积神经网络的机会网络拓扑预测方法，本发明通过挖掘机会网络中的时空信息，提出一种使用因果卷积神经网络来捕捉网络时空依赖的方法。该方法提出基于历史时长的时间切片方法，对机会网络进行预处理；考虑到相邻时刻网络拓扑结构会相互产生影响，使用因果卷积以及邻域聚合来模拟网络节点信息在相邻时刻的传播；此外，利用扩张因果卷积来提取机会网络时序信息，最终由全连接层输出预测结构。本发明充分考虑了机会网络中相邻快照间的关系，有效捕捉网络拓扑潜在的演变规律，为机会网络数据挖掘提供一定的支撑。

主权项：1.一种采用因果卷积神经网络的机会网络拓扑预测方法，其特征在于，采用时间切片的方法将动态网络分割成一系列静态的网络快照，依据网络快照内节点对的链接断开时刻进行数据预处理，由邻域聚合和因果卷积构建的特征融合层以提取输入数据的时空依赖，由通过因果卷积模型处理网络隐藏层特征的时序演变，具体包括如下步骤：S1，依据机会网络中节点对的连接时长，使用基于高斯分布的采样以确定机会网络切片时长；S2，依据网络快照内节点对的链接断开时刻，对机会网络进行量化，将每个快照中的离散数据转化为属性矩阵，最后根据属性矩阵建立对应的拓扑矩阵；S3，将相邻快照的属性矩阵和拓扑矩阵作为特征融合层的输入，采用因果卷积提取相邻快照的时序信息，使用邻域聚合以生成隐藏层节点特征，并约束网络拓扑的演变；S4，利用扩展因果卷积对隐藏层节点特征进行时序处理，最后以全连接层输出预测快照的拓扑结构；步骤S3具体包括：使用特征融合层捕捉快照间的时空相关性，生成隐藏层节点特征同时对快照拓扑矩阵的演变进行约束，特征融合层包括2个因果卷积与1个邻域聚合运算，其中属性矩阵和拓扑矩阵分别通过因果卷积提取相邻快照的时序信息，得到隐藏层属性特征和拓扑特征，根据隐藏层拓扑特征进行邻域聚合运算以生成隐藏层节点特征，并依据下式对网络拓扑演变进行约束； 其中，N为序列长度；Si为隐藏层网络拓扑；Aj为初始网络拓扑；为Si的相邻快照集合；步骤S4具体包括：采用扩展因果卷积对隐藏层节点特征进行时序处理，以全连接层输出最终预测快照的拓扑结构，结合均方误差与约束函数Lstru，其公式如下：Loss＝MSEY,Y′+αLstru+βL2#其中，L2为正则项，α与β超参数，Y为真实网络拓扑，Y′为预测网络拓扑。

全文数据：

权利要求：

百度查询： 南昌航空大学 一种采用因果卷积神经网络的机会网络拓扑预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD