【技术实现步骤摘要】
本专利技术属于通信网络，具体涉及一种网络链路预测方法、装置、电子设备及介质。
技术介绍
1、在无人机网络中，链路拓扑预测是一项关键任务，而机器学习算法在复杂网络中的应用已经取得了显著进展，然而，直接将机器学习算法应用于网络分析存在一定的局限性。
2、传统的链路预测方法主要分为以下两类：基于节点嵌入的方法：这类方法利用节点间的相似性指标(例如共同邻居数、jaccard相似度等)来预测节点间连接的概率。例如cn算法和katz算法，都是基于共同邻居数的相似性指标进行链路预测。这类方法简单易行，但无法有效地捕捉网络动态变化的模式，导致预测准确率较低。基于节点嵌入的方法：这类方法将节点映射到低维向量空间，然后利用节点向量之间的距离或相似性来预测节点间连接的概率。例如node2vec算法，一种基于随机游走的节点嵌入方法，通过随机游走的方式学习节点的表示。这类方法能够有效地捕捉网络的结构特征，但无法有效地捕捉网络动态变化的模式，导致预测准确率仍然存在局限性。
3、因此，针对上述技术问题，有必要提供一种网络链路预测方法、装置、电子设备及介质。
技术实现思路
1、本专利技术的目的在于提供一种网络链路预测方法、装置、电子设备及介质，其能够解决传统的链路预测方法无法有效捕捉网络动态变化导致预测准确率低的技术问题。
2、为了实现上述目的，本专利技术一具体实施例提供的了一种网络链路预测方法，所述网络链路预测方法包括：
3、生成网络g根据动态网络每个单独快照的拓
4、所述生成网络g基于当前时间步的状态向量生成下一个时间步的预测图快照以供判别网络d基于预测图快照和真实快照aτ+1做鉴别训练，直至生成网络g生成的预测图快照通过所述判别网络d的鉴别；
5、所述生成网络g在通过鉴别训练后更新所述预测图快照
6、在本专利技术的一个或多个实施方式中，所述单独快照的拓扑结构和节点属性由邻接矩阵和特征矩阵表示，所述邻接矩阵被设置为生成网络g的图快照输入，邻接矩阵被设置到预设范围内，特征矩阵被设置为生成网络g的噪声。
7、在本专利技术的一个或多个实施方式中，所述生成网络g包括gae层、lstm层以及全连接输出层，
8、所述方法还包括：
9、所述gae层基于图快照序列以及噪声z，输出表示序列
10、所述lstm层基于输出表示序列输出状态向量并将最后一个状态向量hτ输出至全连接输出层；
11、所述全连接输出层根据隐藏状态hτ生成下一个时间步的预测图快照
12、在本专利技术的一个或多个实施方式中，所述方法还包括：所述lstm单元以当前时间步的输入向量xt以及上一个时间步的状态向量ht-1作为输入，然后输出当前时间步的状态向量ht，以最后的隐藏状态hτ+1视为历史快照的分布表示，并将其馈送到全连接输出层。
13、在本专利技术的一个或多个实施方式中，所述方法还包括：
14、对所述判别网络d和所述生成网络g进行训练，所述判别网络d的训练目的为区分预测图快照和真实快照aτ+1，所述生成网络g的训练目的为以预测图快照通过判别网络d的鉴别，直到所述判别网络d无法区分预测图快照和真实快照aτ+1。
15、在本专利技术的一个或多个实施方式中，所述方法还包括：
16、所述判别网络d交替输入预测图快照或真实快照aτ+1，并将其整形为相应的行向量；
17、所述判别网络d的判别过程包括：
18、
19、其中，a′表示对应的重新整形为行向量的预测图快照和真实快照aτ+1；以及分别是判别网络d隐藏层和输出层的参数；σ(·)表示隐藏层的sigmoid激活函数。
20、在本专利技术的一个或多个实施方式中，所述预测图快照和真实快照aτ+1的逐行长向量对应关系为两者经标准化处理至在预设范围内。
21、在本专利技术的另一个方面当中，提供了一种网络链路预测装置，所述装置包括：
22、生成模型，用于生成网络g根据动态网络每个单独快照的拓扑结构和节点属性生成当前时间步的状态向量；
23、训练模型，用于所述生成网络g基于当前时间步的状态向量生成下一个时间步的预测图快照以供判别网络d基于预测图快照和真实快照aτ+1做鉴别训练，直至生成网络g生成的预测图快照通过所述判别网络d的鉴别；
24、更新模型，用于所述生成网络g在通过鉴别训练后更新所述预测图快照
25、在本专利技术的另一个方面当中，提供了一种电子设备，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行网络链路预测方法。
26、在本专利技术的另一个方面当中，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现网络链路预测方法的步骤。
27、与现有技术相比，本专利技术的网络链路预测方法，其能够通过生成网络g基于当前网络的拓扑特征和节点属性预测出下一个时间步的预测图快照，基于预测图快照和真实快照对生成网络g和判断网络d进行训练，训练完成后的生成网络g生成具有高精度的预测图快照以实现链路预测。
本文档来自技高网...【技术保护点】
1.一种网络链路预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的网络链路预测方法，其特征在于，所述单独快照的拓扑结构和节点属性由邻接矩阵和特征矩阵表示，所述邻接矩阵被设置为生成网络G的图快照输入，邻接矩阵被设置到预设范围内，特征矩阵被设置为生成网络G的噪声。
3.根据权利要求2所述的网络链路预测方法，其特征在于，所述生成网络G包括GAE层、LSTM层以及全连接输出层，
4.根据权利要求3所述的网络链路预测方法，其特征在于，所述方法还包括：所述LSTM单元以当前时间步的输入向量xt以及上一个时间步的状态向量ht-1作为输入，然后输出当前时间步的状态向量ht，以最后的隐藏状态hτ+1视为历史快照的分布表示，并将其馈送到全连接输出层。
5.根据权利要求1所述的网络链路预测方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的网络链路预测方法，其特征在于，所述方法还包括：
7.根据权利要求6所述的网络链路预测方法，其特征在于，所述预测图快照和真实快照Aτ+1的逐行长向量对应关系为两者经标准化处理至
8.一种网络链路预测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：至少一个处理器；以及存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如权利要求1至7中任一项所述的网络链路预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的网络链路预测方法的步骤。
...【技术特征摘要】
1.一种网络链路预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的网络链路预测方法，其特征在于，所述单独快照的拓扑结构和节点属性由邻接矩阵和特征矩阵表示，所述邻接矩阵被设置为生成网络g的图快照输入，邻接矩阵被设置到预设范围内，特征矩阵被设置为生成网络g的噪声。
3.根据权利要求2所述的网络链路预测方法，其特征在于，所述生成网络g包括gae层、lstm层以及全连接输出层，
4.根据权利要求3所述的网络链路预测方法，其特征在于，所述方法还包括：所述lstm单元以当前时间步的输入向量xt以及上一个时间步的状态向量ht-1作为输入，然后输出当前时间步的状态向量ht，以最后的隐藏状态hτ+1视为历史快照的分布表示，并将其馈送到全连接输出层。
5.根据权利要求1所述的网络链路预...
【专利技术属性】
技术研发人员：胡峰，龙浩，缪树泉，胡杰英，毛旭初，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。