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

1、認(rèn)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(diǎn)組成的網(wǎng)絡(luò)，并且通過(guò)智能節(jié)點(diǎn)之間的協(xié)作，實(shí)現(xiàn)對(duì)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(gè)網(wǎng)絡(luò)的性能和服務(wù)質(zhì)量。由于認(rèn)知網(wǎng)絡(luò)具有智能性、自適應(yīng)性、自管理性等特點(diǎn)，在社會(huì)服務(wù)、軍事通信、環(huán)境保護(hù)、智能交通、災(zāi)害預(yù)測(cè)及救援等領(lǐng)域有著廣闊的應(yīng)用前景。
　　認(rèn)知網(wǎng)絡(luò)能夠獲取網(wǎng)絡(luò)狀態(tài)和行為信息，通過(guò)智能學(xué)習(xí)和推理等機(jī)制對(duì)網(wǎng)絡(luò)狀態(tài)和行為信息進(jìn)行分析預(yù)測(cè)，針對(duì)用戶和

2、應(yīng)用的需求目標(biāo)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(huì)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(huì)化服務(wù)提供了技術(shù)支撐。認(rèn)知網(wǎng)絡(luò)的系統(tǒng)架構(gòu)和設(shè)計(jì)思想為社群智能系統(tǒng)提供了有效的網(wǎng)絡(luò)模型，同時(shí)能夠?yàn)樯缛褐悄艿膽?yīng)用系統(tǒng)提供技術(shù)和部署方案。
　　本文在認(rèn)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(shí)現(xiàn)認(rèn)知網(wǎng)絡(luò)自適應(yīng)的路由機(jī)制和認(rèn)知網(wǎng)絡(luò)社會(huì)化應(yīng)用中的數(shù)據(jù)服務(wù)業(yè)務(wù)為目標(biāo)，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(jī)制中的數(shù)學(xué)模型、人工智能算法、運(yùn)籌學(xué)中的經(jīng)典理論和方法對(duì)環(huán)境感知信息進(jìn)行分析和預(yù)測(cè)，在此基礎(chǔ)上研究適合于認(rèn)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(jī)制以及相關(guān)關(guān)鍵技術(shù)。
　　首先，設(shè)計(jì)具有流量預(yù)測(cè)功能的認(rèn)知網(wǎng)絡(luò)系統(tǒng)，構(gòu)建了適用于認(rèn)知網(wǎng)絡(luò)的流量預(yù)測(cè)模型。本文基于流量預(yù)測(cè)模型-MMSE，提出了一種最小流量負(fù)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(fù)載不超過(guò)閾值的鏈路，從而確定最輕流量負(fù)載路徑進(jìn)行分組傳輸。進(jìn)一步對(duì)MWR算法進(jìn)行擴(kuò)展，提出了自適應(yīng)的流量預(yù)測(cè)路由算法（Adaptive Traffic Prediction Routing Algorithm，ATPRA），考慮網(wǎng)絡(luò)流量負(fù)載和最短路徑兩個(gè)網(wǎng)絡(luò)行為參數(shù)進(jìn)行路由選擇。認(rèn)知網(wǎng)絡(luò)具有動(dòng)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(dòng)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(diǎn)負(fù)載和最短路徑，建立主路徑的同時(shí)還選擇若干備選路徑，依據(jù)網(wǎng)絡(luò)的實(shí)時(shí)流量負(fù)載變化情況觸發(fā)備選路徑。該算法對(duì)于網(wǎng)絡(luò)擁塞或鏈路失效等突發(fā)狀況進(jìn)行預(yù)測(cè)和防范，是一種具有良好負(fù)載均衡機(jī)制的路由算法。仿真結(jié)果表明，本文提出的三種認(rèn)知網(wǎng)絡(luò)算法在傳輸延遲，丟包率和負(fù)載均衡方面具有較好的性能。
　　其次，將認(rèn)知網(wǎng)絡(luò)技術(shù)應(yīng)用到基于社群智能

6、的機(jī)會(huì)網(wǎng)絡(luò)中，研究移動(dòng)節(jié)點(diǎn)的位置預(yù)測(cè)問(wèn)題，提出了一種基于社會(huì)關(guān)系的移動(dòng)節(jié)點(diǎn)位置預(yù)測(cè)算法(Social-relationship-basedMobile node Location Prediction algorithm，SMLP)。該算法基于位置對(duì)應(yīng)用場(chǎng)景進(jìn)行建模，通過(guò)節(jié)點(diǎn)的移動(dòng)規(guī)律挖掘節(jié)點(diǎn)之間的社會(huì)關(guān)系。SMLP算法以馬爾可夫模型為基礎(chǔ)對(duì)節(jié)點(diǎn)的移動(dòng)性進(jìn)行初步預(yù)測(cè)，然后利用與其社會(huì)關(guān)系較強(qiáng)的其他節(jié)點(diǎn)的位置對(duì)該節(jié)點(diǎn)的預(yù)測(cè)結(jié)果進(jìn)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(jìn)行了優(yōu)化，分別提出了SMLP1和SMLPN兩種算法實(shí)現(xiàn)。最后基于真實(shí)數(shù)據(jù)集對(duì)算法進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，SMLP1比馬爾可夫模型具有更高的預(yù)測(cè)精確度， SMLPN與SMLP1相比有了更大程度的性能提升，并且在時(shí)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(duì)機(jī)會(huì)認(rèn)知網(wǎng)絡(luò)中移動(dòng)節(jié)點(diǎn)需要依靠相遇機(jī)會(huì)完成數(shù)據(jù)的轉(zhuǎn)發(fā)，從而實(shí)現(xiàn)數(shù)據(jù)分發(fā)服務(wù)的問(wèn)題，提出了三種適用于不同機(jī)會(huì)認(rèn)知網(wǎng)絡(luò)

8、環(huán)境的數(shù)據(jù)分發(fā)機(jī)制。基于蟻群優(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(jī)會(huì)認(rèn)知網(wǎng)絡(luò)環(huán)境，通過(guò)蟻群優(yōu)化機(jī)制建立移動(dòng)節(jié)點(diǎn)親密度模型來(lái)解決數(shù)據(jù)分發(fā)問(wèn)題。該機(jī)制采用基于蟻群優(yōu)化的認(rèn)知啟發(fā)式技術(shù)，設(shè)計(jì)機(jī)會(huì)認(rèn)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。基于位置預(yù)測(cè)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(cè)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(jī)會(huì)認(rèn)知網(wǎng)絡(luò)系統(tǒng)。LOPDAD通過(guò)預(yù)測(cè)移動(dòng)節(jié)點(diǎn)的位置狀態(tài)進(jìn)行轉(zhuǎn)發(fā)概率計(jì)算，完成數(shù)據(jù)分發(fā)。LOPSI是一種概率路由算法，有機(jī)的結(jié)合位置預(yù)測(cè)算法和蟻群優(yōu)化機(jī)制。該算法首先預(yù)測(cè)相遇節(jié)點(diǎn)和目的節(jié)點(diǎn)

10、在未來(lái)時(shí)間序列中的位置狀態(tài)，然后比較相遇節(jié)點(diǎn)與目的節(jié)點(diǎn)的親密度，依據(jù)節(jié)點(diǎn)與目的節(jié)點(diǎn)的親密度和移動(dòng)位置預(yù)測(cè)完成數(shù)據(jù)分發(fā)。同時(shí)三種算法都考慮移動(dòng)節(jié)點(diǎn)的緩存管理，保證整個(gè)網(wǎng)絡(luò)的運(yùn)行效率和生命周期。仿真部署的地理模型采用真實(shí)的校園場(chǎng)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(dá)到良好的性能。
　　最后，機(jī)會(huì)認(rèn)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(diǎn)持續(xù)的參與才能夠完成，同時(shí)還要保證服務(wù)的可靠性

11、。參與節(jié)點(diǎn)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(lì)機(jī)制才能保證節(jié)點(diǎn)參與的積極性和持續(xù)性。本文針對(duì)上述問(wèn)題提供解決方案，提出了基于聲望的用戶激勵(lì)機(jī)制(Reputation-based ParticipateIncentive Algorithm，RBPIA)。RBPIA模型從數(shù)據(jù)可靠性和競(jìng)標(biāo)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(lì)機(jī)制使機(jī)會(huì)認(rèn)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(shí)減少系統(tǒng)激勵(lì)開銷。仿真實(shí)驗(yàn)在