申请/专利权人：苏州大学应用技术学院;苏州大学

申请日：2022-05-05

公开（公告）日：2024-05-17

公开（公告）号：CN114826921B

主分类号：H04L41/0893

分类号：H04L41/0893;H04L41/14;H04L41/142

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2022.08.16#实质审查的生效;2022.07.29#公开

摘要：本发明公开了一种基于抽样子图的网络资源动态分配方法、系统及介质，包括对当前的网际网络和网络节点进行建模以得到图数据；确定图数据的最终特征向量；将最终特征向量输入抽样子图模型中进行处理，并计算隐层神经元被开启的概率分布，然后根据概率分布继续采样，并对显层神经元进行采样，从而更新网络的权重和偏置，并根据图数据的结构相似度来判断是否继续更新，若当前网络和上一次网络的结构相似度超过预设阈值时，则停止更新网络的权重和偏置；构建多层带权重的网络，并进行随机游走以得到满足预设条件的目标上下文，进而根据目标上下文中各个节点的状态自动分配网络资源。本发明不仅能够在小型网络中使用，更能在超大规模网络上进行网络资源分配。

主权项：1.一种基于抽样子图的网络资源动态分配方法，其特征在于，所述动态分配方法用于动态分配网络资源，所述动态分配方法包括以下步骤：S1、对当前的网际网络和网络节点进行建模以得到图数据；所述图数据包括边集合和节点集合，所述边集合与所述网际网络相关，所述节点集合与所述网络节点相关；S2、确定所述图数据的最终特征向量，其过程为使用Graph2vec模型来获得原始的特征表示，并对处理后的节点进行合并聚类得到向量Sg，然后采样子图；所述采样子图的过程包括随机选择图数据中的任意一个节点，并将该节点作为当前节点，对所述当前节点的邻接节点进行采样，从而将所述采样的结果与合并聚类得到的所述向量Sg构成新的子图Gs；S3、将步骤S2确定的所述最终特征向量输入抽样子图模型中进行处理，并计算隐层神经元被开启的概率分布，然后根据所述概率分布继续采样，并对显层神经元进行采样，从而更新网络的权重和偏置，并根据所述图数据的节点间的结构相似度来判断是否继续更新，若当前网络和上一次网络的图数据的节点间的结构相似度超过预设阈值时，则停止更新网络的权重和偏置，否则继续更新，所述隐层神经元被开启的概率通过下式计算确定： ;式中，、为概率分布，、为来自于图数据的节点集合，为学习率，为待处理的向量矩阵，为偏置量；所述节点间的结构相似度通过下式计算确定： ;式中，为节点i和节点j的结构相似度，为节点i-1和节点j的结构相似度，为节点i和节点j之间的距离，为节点i-1和节点j-1的结构相似度，为节点i和节点j-1的结构相似度，min是指以所有值的最小值作为输出；S4、根据步骤S3中最终更新得到的网络的权重和相应的结构相似度以及步骤S2确定的所述图数据的最终特征向量来构建多层带权重的网络，并进行随机游走以得到满足预设条件的目标上下文，进而根据所述目标上下文中各个节点的状态自动分配网络资源，然后对分配后的网际网络和网络节点继续执行步骤S1至S4；所述节点的状态根据网络资源的紧缺程度设置。

全文数据：

权利要求：

百度查询： 苏州大学应用技术学院;苏州大学 基于抽样子图的网络资源动态分配方法、系统及介质

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