基于特征相似性的机会网络链路预测

摘要

机会网络是一种利用节点移动带来相遇机会实现通信的自组织网络，可应用于野生动物追踪、水下营救、偏远地区网络覆盖等场景。相较于普通网络，机会网络具有节点连接稀疏、网络结构复杂及拓扑变化频繁等特点，给机会网络带来挑战。本文提出一种基于特征相似性的机会网络链路预测模型（FS–ET）。首先，采用Graph2vec模型表征网络得到其样本熵和模型训练时长，基于二者选取合适的切片时长，将动态网络进行切片生成离散的网络演化序列。然后，采用基于GraphSAGE的节点嵌入模型提取节点潜在特征，并结合节点的连接时长计算节点对的潜在特征相似性；通过分析节点与多阶邻居的连边关系，根据节点局部连接信息计算节点对的拓扑结构相似性；采用L₂范数对潜在特征相似性及拓扑结构相似性进行融合。最后，改进趋势移动平均法对历史信息进行时序特征提取，并提取融合后节点相似性的时序特征，得到未来节点间产生连接的可能性。在ITC、MIT、Infocom05和Infocom06共4个真实机会网络数据集上进行了切片、模型复杂度、泛化性、有效性的实验。结果表明：与长短期记忆网络模型（LSTM）、网络嵌入补充网络域中相似性模型（NESND）、端到端链路预测模型（E–LSTM–D）、非线性链路预测模型（GCN–GAN）、结构嵌入门控循环单元的预测模型（SE–GRU）、一种新的端到端链路预测模型（GC–LSTM）等相比，本文提出的FS–ET模型提升了0.5%～24.8%的AUC和1.07%～22.77%的F1-score，相较于其他基线模型均有一定程度的提升，验证了本文模型具有良好的预测性能。

关键词

机会网络 / 链路预测 / 节点嵌入 / 节点潜在特征相似性 / 节点拓扑结构相似性

基金资助

国家自然科学基金项目（62362052;62062050）