一种采用深度卷积神经网络建立动态网络模型的方法技术

本发明专利技术公开了一种采用深度卷积神经网络建立动态网络模型的方法。针对动态网络中节点移动存在的时序性和社会性，通过挖掘网络拓扑与链路状态的关系，提出一种使用卷积神经网络来提取网络结构特征的方法。该方法应用混沌时间序列理论对动态的时序数据进行切片，通过状态矩阵来表示分段的网络拓扑信息，再将状态矩阵转换成观测图，利用深度卷积神经网络提取出观测图中能够影响链路变化的高阶特征。本发明专利技术充分考虑了动态网络中节点之间的复杂关系，通过采用深度学习模型从大量的时序数据间学习到网络结构随时间变化的规律，从而有效提取动态网络拓扑变化下的潜在模式，为动态网络的结构演化分析等相关研究提供一定的支撑。

A method of dynamic network model based on deep convolution neural network

The invention discloses a method for establishing a dynamic network model by using a deep convolution neural network. Aiming at the timing and social nature of node mobility in dynamic networks, a method of extracting network structure features using convolutional neural network is proposed by mining the relationship between network topology and link state. The application of the method of time series data of chaotic time series theory of dynamic slicing, said network topology information section through the state matrix, then the matrix into the state observation chart, extract the high order features can affect the link graph using the depth variation of convolutional neural network. The invention fully considers the complex relationship between nodes in dynamic networks, learning model from a large number of time series to study the law of network structure changes with time by using depth, so as to effectively extract potential model of dynamic network topology changes, provide some support for the study of structure evolution of dynamic network analysis.

【技术实现步骤摘要】
一种采用深度卷积神经网络建立动态网络模型的方法
本专利技术属于网络科学研究领域，主要涉及深度学习、混沌理论、动态网络分析等研究方向。
技术介绍
依据网络拓扑结构变化的快慢通常可以将传统网络归结为三类：静态网络、稳态网络及动态网络。静态网络中的节点状态基本不会改变，其拓扑结构具有最高的稳定性，如：计算机网络；稳态网络相比静态网络，其拓扑的稳定性不高，但节点状态的变化情况则相对稳定，如：移动社交网络，无线传感器网络等；动态网络属于复杂网络的重点研究范畴，相比前两者，该类网络中的节点移动频繁，网络结构具有较高的动态性和复杂性，如：生物网络、社会网络、机会网络等。动态网络结构演化分析的目的是为了挖掘动态网络随时间演化的特点，由于网络结构本身比较复杂，难以表示和量化，动态网络时序、多变的演化过程更增加了分析的难度。本专利技术通过构建合适的模型来表达出动态网络中节点之间的复杂关系以及节点移动的潜在模式，进而推测出网络结构的演化规律。网络分析作为网络科学领域热点研究方向之一，很早就已受到众多来自不同领域、拥有不同背景的科学家们的关注，对于动态网络分析的相关研究主要集中在生物网络、社会网络、机会网络等领域。如：(1)贾珺等人在“网络结构特征与链路预测算法关系研究”【复杂系统与复杂性科学[J]，2017，14(1):28-37。】中使用网络密度、同配系数和聚集系数等参数来衡量政治博客网络、科学家合作网络等社会网络的结构特征，用以分析不同网络下链路预测算法的性能；(2)RossiR等人在“Role-Dynamics:Fastminingoflargedynamicnetworks”【Proc。ofthe21stInt’lConf。onCompaniononWorldWideWeb[C]。ACMPress，2012。997-1006。】以角色来量化动态网络的结构，提出了一种基于自学习方法来挖掘动态网络角色的混合模型，并分析了网络整体角色随时间的动态变化情况以及角色演化的几种特点。上述方法中使用了常见的网络结构参数和指标来度量动态网络的结构特征，对于特定网络下的表现效果较优。但这些方法要求相关领域的专业经验，无法在不同情景下的真实网络数据中自发地找到网络结构特征合适的表征方式，其普适性不高。为了在满足普适性的情况下更加有效地挖掘出动态网络的结构特征，本专利技术应用混沌时间序列理论来处理原始的网络数据，并利用特征提取能力强、数据表征效果好的深度卷积模型来从数据中自发地提取网络结构的高阶特征。
技术实现思路
本专利技术的目在于设计一种动态网络结构特征的非参数化的表征方式，以达到对不同情景下的动态网络演化过程的统一分析。应用混沌时间序列分析法处理原始的连续数据，通过深度卷积神经网络模型对数据进行建模分析和特征提取，从而准确地把握动态网络结构的演变规律。本专利技术采用的技术方案如下：一种采用深度卷积神经网络建立动态网络模型的方法，其特征在于：动态网络中链路状态的变化受节点移动的影响，而网络拓扑的高阶特征蕴含了节点间的复杂关系，这些特征在一定程度上影响着链路的变化，专利技术的研究重点在于以合适的方法来表示网络拓扑的高阶特征。依据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，然后对快照进行变换处理以适应模型的输入，最后通过深度卷积模型来提取输入数据中隐藏的高阶特征，整个建模过程的具体步骤如下：①依据混沌时间序列理论，参考相空间重构中时间延迟的确定方法，采用自相关函数法确定网络快照的切片时长；②将动态网络的连续数据按切片时长分割成一组离散数据，再将每份离散数据转换成对应的状态矩阵，从而实现网络拓扑信息的量化；③对所得状态矩阵进行灰度图像化，得到的图像称之为“观测图”，观测图中像素的深浅代表对应节点之间的权重；④确定卷积神经网络的模型结构、超参数及优化算法等，将部分观测图作为模型的原始输入，经过不断地迭代训练并测试以获取最优模型。步骤一，其特征在于：动态网络的链路变化看似是完全随机的，其中却包含了一定的规律性，是一个介于完全随机和完全确定之间的混沌系统。步骤一，其特征在于：切片时长的选择对动态网络模型的性能有一定的影响，所述时长满足以下公式：式中，T表示切片时长，R(T)表示全部网络快照间的自相关性，N表示分割后的快照数量，x(i)表示第i时刻快照中节点的平均连接数，表示全部快照时间内的平均连接数。步骤二，其特征在于：将网络快照转换成状态矩阵时，依据节点的连接总时长确定矩阵元素的权重，具体的构造公式为：式中M为快照转换后的状态矩阵，i、j为矩阵对应的行列坐标，N为该快照时间内连接的总次数，τk<i，j>表示节点对<i，j>第k次连接的持续时长。步骤四，其特征在于：将全部的观测图按照一定比例进行分割为训练集和测试集，训练集用于训练模型的参数，测试集用于测试特定参数下模型的性能。对于不同类型的动态网络，卷积神经网络的结构和超参数会随着具体网络数据的不同而有所不同。本专利技术的具体方案的步骤如下：(1)依据混沌时间序列分析法，依据切片时长将原始的连续数据分割成一系列状态矩阵，其中最重要的两步是切片时长的确定和网络拓扑的量化。确定切片时长：大多数真实场景中，动态网络的演化规律类似于混沌系统。因此，借鉴混沌时间序列理论中的坐标延迟相空间重构技术，采用自相关函数法来确定切片时长的大小。量化网络拓扑：对原始数据作切片处理后，得到一系列的网络快照，确定快照内的节点数量，依据范围内的拓扑状态来构建对应的状态矩阵。(2)利用矩阵可视化函数将状态矩阵转换成对应的图像特征数据，此图像中包含模型可读取的量化信息，用作深度模型的输入。(3)针对实际动态网络的特点，考虑从模型结构与性能、超参数、训练算法等方面来构建合适的深度卷积神经网络，通过训练集用来训练最优的卷积模型，测试集用来测试模型对数据特征提取能力的优劣。本专利技术的优点是：充分考虑了动态网络中节点之间的复杂关系，通过采用深度学习模型从大量的时序数据间学习到网络结构随时间变化的规律，从而有效提取动态网络拓扑变化中的潜在模式，为动态网络的结构演化分析等相关研究提供一定的支撑。附图说明图1-图3为动态网络拓扑的演化示意图。图4-图6为网络拓扑数据的量化与图像化。图7为深度卷积神经网络的模型结构图。图8为深度卷积神经网络的训练示意图。具体实施方式本专利技术是一种使用深度卷积模型来提取动态网络结构的高阶特征的方法。动态网络的拓扑结构一直受复杂多变的环境因素的影响，而深度卷积模型旨在准确地把握各变量因素间的潜在关系以有效地分析出网络结构动态变化的规律。下面结合附图和具体的实施方式作进一步的说明。如图1至图3所示，将G＝<N，E>定义为一个动态网络，其中N为节点集合，E为边集合，集合S＝{G1，G2，…，Gt}定义为动态网络的时序子图，表示网络随时间的演化过程。本专利技术中，是通过建立深度学习模型来实现自发地网络分析过程，具体步骤如下：S1、原始数据处理：时间序列分析是一种处理动态数据的有效方法：通过一定时长T对动态网络产生的连续数据进行切片，从而获取一系列离散且静态的拓扑快照图。然而在实际应用中，时长T的大小对实验结果的精度有较大影响，如何合理选取T值成了切片的关键问题。本专利技术中是通过自相关函数法来确定T的大本文档来自技高网...

【技术保护点】
一种采用深度卷积神经网络建立动态网络模型的方法，其特征在于：动态网络中链路状态的变化受节点移动的影响，而网络拓扑的高阶特征蕴含了节点间的复杂关系，这些特征在一定程度上影响着链路的变化，专利技术的研究重点在于以合适的方法来表示网络拓扑的高阶特征。

【技术特征摘要】
1.一种采用深度卷积神经网络建立动态网络模型的方法，其特征在于：动态网络中链路状态的变化受节点移动的影响，而网络拓扑的高阶特征蕴含了节点间的复杂关系，这些特征在一定程度上影响着链路的变化，发明的研究重点在于以合适的方法来表示网络拓扑的高阶特征。2.根据权利要求1所述的采用深度卷积神经网络建立动态网络模型的方法，其特征在于：依据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，然后对快照进行变换处理以适应模型的输入，最后通过深度卷积模型来提取输入数据中隐藏的高阶特征，整个建模过程的具体步骤如下：①依据混沌时间序列理论，借鉴相空间重构技术中时间延迟的确定方法，采用自相关函数法确定网络快照的切片时长；②将动态网络的连续数据按切片时长分割成一组离散数据，再将每份离散数据转换成对应的状态矩阵，从而实现网络拓扑信息的量化；③对所得状态矩阵进行灰度图像化，得到的图像称之为“观测图”，观测图中像素的深浅代表对应节点之间的权重；④确定卷积神经网络的模型结构、超参数及优化算法等，将部分观测图作为模型的原始输入，经过不断地迭代训练并测试以获取最优模型。3.根据权利要求2中所述的采用深度卷积神经网络建立动态网络模型的方法，步骤一，其特征在于：动态网络的链路变化看似是完全随机的，其中却包含了一定的规律性，是一个介于完全随机和完全确定之间的混沌系统。4.根据权利要求2中所述采用深度卷积神经网络建立动态网络模型的方法，步骤一，...

【专利技术属性】
技术研发人员：舒坚，张学佩，蔡许林，刘琳岚，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：江西,36