[發明專利]基于循環生成式對抗網絡的機會網絡拓撲預測方法及裝置

在審

• 申請號: 202010834719.0
• 申請日: 2020-08-17
• 公開（公告）號: CN111884867A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 李睿瑞;舒堅;孫利民
• 申請（專利權）人: 南昌航空大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 彭琰

1.一種基于循環生成式對抗網絡的機會網絡拓撲預測方法，其特征在于，包括：

通過時間序列分析方法對機會網絡的通信數據進行切片，得到一系列離散的網絡快照數據；

對所述機會網絡中的所有節點進行隨機抽取和分組，得到多個觀測節點組；

以預設尺寸的滑動窗口對所述網絡快照進行截取，并提取每個滑動窗口下各個觀測節點組的網絡拓撲結構變化序列；

利用生成模型和判別模型構建生成式對抗網絡模型，將提取的網絡拓撲結構變化序列作為訓練樣本對生成式對抗網絡模型進行訓練，并將訓練后的生成式對抗網絡模型中的生成模型作為預測模型；

利用所述預測模型對所述機會網絡進行拓撲結構預測。

2.如權利要求1所述的機會網絡拓撲預測方法，其特征在于，所述生成模型和所述判別模型均采用循環神經網絡模型。

3.如權利要求1所述的機會網絡拓撲預測方法，其特征在于，所述利用生成模型和判別模型構建生成式對抗網絡模型的步驟包括：

確定生成式對抗網絡模型中生成模型、判別模型，以及超參數和模型優化算法，并根據確定的信息構建生成式對抗網絡模型。

4.如權利要求3所述的機會網絡拓撲預測方法，其特征在于，所述模型優化算法的目標函數為：

其中，E(*)表示分布函數的期望值，P_data(x)表示真實的數據分布，G_i表示第i個時間切片的網絡快照數據，D(*)表示判別模型判斷輸入樣本來自真實網絡數據的概率，G(x)表示生成模型生成的網絡拓撲數據。

5.如權利要求1所述的機會網絡拓撲預測方法，其特征在于，所述將提取的網絡拓撲結構變化序列作為訓練樣本對生成式對抗網絡模型進行訓練的步驟包括：

將前L-1時刻的網絡拓撲結構變化序列作為所述生成模型的輸入，并輸出預測的第L時刻的網絡拓撲數據，其中L為滑動窗口的總長度；

將前L-1時刻的網絡拓撲結構變化序列作為所述判別模型的第一輸入，同時將所述生成模型輸出的第L時刻的網絡拓撲數據或真實網絡中的第L時刻的網絡拓撲數據作為第二輸入，并輸出概率值，所述概率值為所述判別模型輸入的數據來自真實網絡拓撲數據的概率。判別模型根據所述概率值計算模型損失，并反向傳播至生成模型進行網絡參數更新。

6.如權利要求1所述的機會網絡拓撲預測方法，其特征在于，所述將提取的網絡拓撲結構變化序列作為訓練樣本對生成式對抗網絡模型進行訓練的步驟包括：

將所述網絡拓撲結構變化序列劃分為訓練集和測試集；

利用所述訓練集對所述生成式對抗網絡模型進行訓練；

利用測試集對訓練后的生成式對抗網絡模型進行訓練進行驗證。

7.一種基于循環生成式對抗網絡的機會網絡拓撲預測裝置，其特征在于，包括：

數據切片模塊，用于通過時間序列分析方法對機會網絡的通信數據進行切片，得到一系列離散的網絡快照數據；

分組模塊，用于對所述機會網絡中的所有節點進行隨機抽取和分組，得到多個觀測節點組；

數據提取模塊，用于以預設尺寸的滑動窗口對所述網絡快照進行截取，并提取每個滑動窗口下各個觀測節點組的網絡拓撲結構變化序列；

模型構建模塊，利用生成模型和判別模型構建生成式對抗網絡模型；

模型訓練模塊，用于將提取的網絡拓撲結構變化序列作為訓練樣本對生成式對抗網絡模型進行訓練，并將訓練后的生成式對抗網絡模型中的生成模型作為所述機會網絡的拓撲結構的預測模型；

網絡預測模塊，利用所述預測模型對所述機會網絡進行拓撲結構預測。

8.如權利要求1所述的機會網絡拓撲預測裝置，其特征在于，所述模型構建模塊具體用于：

確定生成式對抗網絡模型中生成模型、判別模型，以及超參數和模型優化算法，并根據確定的信息構建生成式對抗網絡模型。