CN113422695A - 一种提高物联网拓扑结构鲁棒性能的优化方法 - Google Patents
一种提高物联网拓扑结构鲁棒性能的优化方法 Download PDFInfo
- Publication number
- CN113422695A CN113422695A CN202110670091.XA CN202110670091A CN113422695A CN 113422695 A CN113422695 A CN 113422695A CN 202110670091 A CN202110670091 A CN 202110670091A CN 113422695 A CN113422695 A CN 113422695A
- Authority
- CN
- China
- Prior art keywords
- internet
- things
- motif
- population
- topological structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种提高物联网拓扑结构鲁棒性能的优化方法,通过在初始化的物联网拓扑结构中选取符合4个节点的网络Motif作为最小操作单元后,并在所有的最小操作单元中选出所有具有可重连接边的最小操作单元分别作为操作单元,并且针对选取的部分操作单元分别多次更改其边连接关系,并且每次更改操作不完全相同,这样得到多个新物联网拓扑结构,且由这些多个新物联网拓扑结构形成一个种群,再通过构建鲁棒性能衡量指标,以利用分布式人工免疫优化算法对形成的该种群内每一个新物联网拓扑结构做优化,将具有最优鲁棒性能衡量指标时所对应的物联网拓扑结构作为最优物联网拓扑结构输出,实现了有效提高物联网拓扑结构抵抗恶意攻击的能力。
Description
技术领域
本发明涉及物联网领域,尤其涉及一种提高物联网拓扑结构鲁棒性能的优化方法。
背景技术
物联网作为融合多学科的复杂综合体以及构建智慧城市的重要支撑部分,其应用对象正不断融入到社会的各个领域,并且在实现万物互联中发挥着越来越重要的作用。
物联网中通常具有数据服务中心以及大规模数量的监测设备(如传感器),这些监测设备会将各自监测到的数据发送给数据服务中心,然后通过数据服务中心对这些数据的分析处理,从而为多种应用场景提供高质量的服务。其中,这些监测设备以拓扑结构形式布置在物联网中,即各监测设备以拓扑结构形式分布在物联网中的不同位置,并且不同的应用场景所使用的物联网通常具有不同的网络拓扑结构。
在实际应用场景所布置的物联网拓扑结构中,现有的物联网拓扑结构往往是固定的,即物联网中的大部分节点(即监测设备)位于相对固定的位置。在采用现有物联网拓扑结构所布置的监测设备向物联网中的数据服务中心传输数据时,目前的网络拓扑结构具有较低的鲁棒性能,无法支撑大量数据的传输,尤其是在网络拓扑结构面临威胁时,更是难以确保大量数据传输的效率和安全。
因此,如何有效提高现有物联网拓扑结构的鲁棒性能,抵抗外部攻击,确保数据传输的效率和可靠性,成为当前物联网领域亟待解决的一个重要技术问题。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种物联网拓扑结构鲁棒性能的优化方法。通过该方法,可以有效提高物联网拓扑结构的鲁棒性能,进而抵抗外部攻击,确保数据传输效率和可靠性。
本发明解决上述技术问题所采用的技术方案为:一种提高物联网拓扑结构鲁棒性能的优化方法,其特征在于,包括如下步骤1~7:
步骤1,基于无标度网络模型的规则生成初始化的物联网拓扑结构,并在该物联网拓扑结构内随机部署多个网络拓扑节点;其中,在该初始化的物联网拓扑结构中,每一个网络拓扑节点分别对应有一个固定的地理位置,并且所有的网络拓扑节点具有相同的属性;
步骤2,按照网络Motif,在初始化的物联网拓扑结构中提取出所有符合4个节点的网络Motif,且将提取到的每一个网络Motif分别作为物联网拓扑结构优化过程中的最小操作单元;
步骤3,在提取的所有最小操作单元中选取出所有具有可重连接边的最小操作单元分别作为操作单元;
步骤4,对在初始化的物联网拓扑结构中已提取的部分操作单元更改边连接关系,且将更改了边连接关系后的物联网拓扑结构作为新物联网拓扑结构;
步骤5,分别多次重复执行步骤4的操作,得到多个新物联网拓扑结构,且由该多个新物联网拓扑结构组成一个种群;其中,每次操作中针对边连接关系的更改操作不完全相同,且将该种群中的每一个新物联网拓扑结构作为一个个体;
步骤6,构建衡量物联网拓扑结构鲁棒性能的鲁棒性能衡量指标;
步骤7,利用分布式人工免疫优化算法对形成的该种群内每一个新物联网拓扑结构做优化,将具有最优鲁棒性能衡量指标的物联网拓扑结构作为最优物联网拓扑结构输出。
改进地,在所述提高物联网拓扑结构鲁棒性能的优化方法中,在步骤1中,加入物联网拓扑结构中的新网络拓扑节点连接之前网络拓扑节点的概率与该之前网络拓扑节点的度数大小呈正相关。即,之前网络拓扑节点的度数越大,则该新节点连接该之前网络拓扑节点的概率越大。
进一步地,在所述提高物联网拓扑结构鲁棒性能的优化方法中,在步骤6中,所述鲁棒性能衡量指标的构建过程包括如下步骤61~65:
步骤61,对初始化的物联网拓扑结构在遭受每次网络攻击后的物联网拓扑结构中所包含符合3个节点的网络Motif数量做累计统计;
步骤62,获取初始化的物联网拓扑结构的总边数以及该初始化的物联网拓扑结构的网络拓扑节点总数量;其中,初始化的物联网拓扑结构的总边数标记为E,该初始化的物联网拓扑结构的网络拓扑节点总数量标记为V,V>3;
步骤63,获取经第k次网络攻击后,物联网拓扑结构中的所有符合3个节点的网络Motif所组成的并集的总边数;其中,此处的该所有符合3个节点的网络Motif所组成的并集的总边数标记为MC(k),k≥1;
步骤64,根据统计所得符合3个节点的网络Motif数量做出判断处理:
当符合3个节点的网络Motif数量为零时,转入步骤65;否则,转入步骤61;
步骤65,对统计所得符合3个节点的网络Motif数量做归一化,并且将归一化后所得到的数值作为所述的鲁棒性能衡量指标;其中,鲁棒性能衡量指标标记为I:
再改进,在所述提高物联网拓扑结构鲁棒性能的优化方法中,在步骤7中,具有最优鲁棒性能衡量指标的物联网拓扑结构作为最优物联网拓扑结构的输出过程包括如下步骤71~77:
步骤71,设置N个本地优化程序和1个全局优化程序;其中,各本地优化程序之间相互独立,每一个本地程序运行一个种群P,且每一个本地程序对其运行的种群P分别进行种***叉操作、变异操作和选择操作,第n个本地优化程序标记为Ln,1≤n≤N,全局优化程序标记为GL;
步骤72,定义交叉操作策略:
motifi,motifj←Gi(,loc),Gj(,loc);
其中,Gi(,loc)和Gj(,loc)分别表示同一个种群中的相互交叉位置在loc处的两个不同个体,并且选择交叉位置染色体短的一侧进行搜索,染色体是由所有符合4个节点的网络Motif组成的,且将该染色体中的其中一个Motif称之为Motif碱基,motifi表示在一个类型个体中的其中一个符合4个节点的网络Motif,motifj表示在与motifi所处个体类型相同的另一个类型个体中,其中的一个符合4个节点的网络Motif且与motifi可交叉的网络Motif;
对两个网络Motifmotifi与motifj的类型做出判断处理:当motifi与motifj为同类型时,对该两个网络Motif执行交叉操作;否则,继续在同一个种群中搜索可交叉操作的两个网络Motif;
步骤73,定义变异操作策略:
针对种群P中的一个个体G,提取其所有符合4个网络Motif的操作单元组成一个染色体;
随机指定部分可变异的染色体Motif碱基位置;其中,如果该染色体Motif碱基位置为具有可重复连接边关系的Motif,则进行重连边;否则,继续随机指定下一个碱基位置做判断;
步骤74,定义选择操作策略:
PGL={Lr,Lt,…,Lz};
其中,PGL表示全局优化程序GL运行的种群,该种群PGL由本体优化程序GL分别对应采用不同的选择策略选出来的精英种群个体Lr、Lt、…、Lz所组成;当本地优化程序GL执行完交叉变异操作后,计算每一个个体的鲁棒性能指标,并且,选择鲁棒性能指标值最大的2个精英个体传送到全局优化程序GL中;同时,全局优化程序GL设置了一个通信队列Q存放本地优化程序选择出来的精英种群个体;
在全局优化程序GL中,初始的全局优化程序直接选择通信队列Q中的2个种群;然后,从该通信队列Q中选出一个种群个体;
如果选出的该种群个体的鲁棒性能衡量指标优于全局种群的鲁棒性能衡量指标平均值,则将该种群个体选出来;否则,继续选择该通信队列Q中的下一个种群个体;
步骤75,定义“联邦-州”通信机制与全局优化机制:
在全局优化程序GL设置一个通信队列Q存放本地优化程序选择出来的精英种群个体;以及,在每次迭代过程中,全局优化程序GL从通信队列Q中选择一个精英种群个体,并且将选择的该精英种群个体替换掉全局优化程序GL所对应原始种群中具有最低鲁棒性能衡量指标的种群个体;
步骤76,对输出的鲁棒性能衡量指标和迭代次数为做出判读处理:
当输出的鲁棒性能衡量指标的浮动范围位于预设浮动范围内,并且当前已执行的迭代次数未超过预设的最大迭代次数时,保存该鲁棒性能衡量指标,转入步骤77;否则,继续执行迭代,直达已执行的迭代次数达到预设的最大迭代次数时,终止迭代过程;
步骤77,将保存的该鲁棒性能衡量指标所对应的物联网拓扑结构作为具有最优鲁棒性能衡量指标的物联网拓扑结构。
与现有技术相比,本发明的优点在于:该发明通过在初始化的物联网拓扑结构中选取符合4个节点的网络Motif作为最小操作单元后,并在所有的最小操作单元中选出所有具有可重连接边的最小操作单元分别作为操作单元,并且针对选取的部分操作单元分别多次更改其边连接关系,并且每次更改操作不完全相同,这样得到多个新物联网拓扑结构,且由这些多个新物联网拓扑结构形成一个种群,再通过构建鲁棒性能衡量指标,以利用分布式人工免疫优化算法对形成的该种群内每一个新物联网拓扑结构做优化,将具有最优鲁棒性能衡量指标时所对应的物联网拓扑结构作为最优物联网拓扑结构输出。
传统的物联网拓扑结构优化方案通常采用利用集中式计算方式的遗传优化算法,存在计算开销大、种群多样性差且容易陷入早熟收敛状态的缺点。不同于传统遗传算法的个体组成,该发明采用符合4个节点的网络Motif作为个体(即每一个新物联网拓扑结构)的基因组成,减少后续交叉和变异的搜索开销,而且该发明采用分布式人工免疫算法,可以降低计算开销,提高种群多样性,更快地搜索到全局最优解(即具有最优鲁棒性能衡量指标的物联网拓扑结构),实现了在充分衡量网络拓扑结构基础上,有效地提高物联网拓扑结构抵抗恶意攻击的能力,降低了物联网因遭受攻击被瘫痪的风险,进而确保数据传输效率和可靠性。
附图说明
图1为本发明实施例中提高物联网拓扑结构鲁棒性能的优化方法流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本实施例提供一种提高物联网拓扑结构鲁棒性能的优化方法,适用于由多个网络拓扑节点(后续称之为节点)所形成的物联网拓扑结构。参见图1所示,该实施例中提高物联网拓扑结构鲁棒性能的优化方法,包括如下步骤1~7:
步骤1,基于无标度网络模型的规则生成初始化的物联网拓扑结构,并在该物联网拓扑结构内随机部署多个网络拓扑节点;其中,在该初始化的物联网拓扑结构中,每一个网络拓扑节点分别对应有一个固定的地理位置,并且所有的网络拓扑节点具有相同的属性;并且,加入物联网拓扑结构中的新网络拓扑节点连接之前网络拓扑节点的概率与该之前网络拓扑节点的度数大小呈正相关;
步骤2,按照网络Motif,在初始化的物联网拓扑结构中提取出所有符合4个节点的网络Motif,且将提取到的每一个网络Motif分别作为物联网拓扑结构优化过程中的最小操作单元;其中,在该技术领域中,网络Motif或称Motif是一个本领域技术人员熟知的技术术语,Motif是指一种类型的子图,该子图在复杂网络中发现的某种相互连接的模式个数显著高于随机网络中该某种相互连接的模式个数。此处所说的符合4个节点的网络Motif就是指,由4个节点(即四个网络拓扑节点)所组成的无向图;
假设经过该步骤2针对符合4个节点的网络Motif的提取操作,得到了Q个符合4个节点的网络Motif,第q个符合4个节点的网络Motif标记为Motifq,1≤q≤Q,每一个Motifq均被作为物联网拓扑结构优化过程中的最小操作单元,此处的最小操作单元标记为unitq,即unitq=Motifq;
步骤3,在提取的所有最小操作单元中选取出所有具有可重连接边的最小操作单元作为操作单元;
通过步骤2的提取操作,假设得到了Q个最小操作单元unit1~unitQ,然后该步骤3再在这Q个最小操作单元中选取出所有具有可重连接边的最小操作单元作为操作单元,假设选出的所有具有可重连接边的最小操作单元分别是unit1、unit3、unit4和unit5,那么,此处就再将最小操作单元unit1作为操作单元Unit1、将最小操作单元unit3作为操作单元Unit3、将最小操作单元unit4作为操作单元Unit4以及将最小操作单元unit5作为操作单元Unit5;
步骤4,对在初始化的物联网拓扑结构中已提取的部分操作单元更改边连接关系,且将更改了边连接关系后的物联网拓扑结构作为新物联网拓扑结构;
假设该实施例中的初始化的物联网拓扑结构标记为C0,然后针对上述已选出的四个操作单元中的操作单元Unit4和操作单元Unit5这两个操作单元执行更改边连接关系的第一次更改操作,如此,初始化的物联网拓扑结构C0在经过这次更改操作后,拓扑结构就会发生变化,然后此时就将更改了边连接关系后的物联网拓扑结构作为新物联网拓扑结构,并且将该第一次更改操作后得到的该新物联网拓扑结构标记为C1;
步骤5,分别多次重复执行步骤4的操作,得到多个新物联网拓扑结构,且由该多个新物联网拓扑结构组成一个种群;其中,每次操作中针对边连接关系的更改操作不完全相同,且将该种群中的每一个新物联网拓扑结构作为一个个体;
然后,按照上述步骤4所示例的,在针对初始化的物联网拓扑结构C0执行针对部分操作单元的第二次更改操作,并且将该第一次更改操作后得到的该新物联网拓扑结构标记为C2;假设经过了5次更改操作,并且每次操作均不完全相同,就会得到5个新物联网拓扑结构,分别是新物联网拓扑结构C1、新物联网拓扑结构C2、新物联网拓扑结构C3、新物联网拓扑结构C4和新物联网拓扑结构C5,并且再由这5个新物联网拓扑结构C1~C5一起组成一个种群S,S={C1,C2,C3,C4,C5};这样,该种群S中的每一个新物联网拓扑结构C1~C5作为一个个体;
步骤6,构建衡量物联网拓扑结构鲁棒性能的鲁棒性能衡量指标;其中,此处鲁棒性能衡量指标的构建过程包括如下步骤61~65:
步骤61,对初始化的物联网拓扑结构在遭受每次网络攻击后的物联网拓扑结构中所包含符合3个节点的网络Motif数量做累计统计;
步骤62,获取初始化的物联网拓扑结构的总边数以及该初始化的物联网拓扑结构的网络拓扑节点总数量;其中,初始化的物联网拓扑结构的总边数标记为E,该初始化的物联网拓扑结构的网络拓扑节点总数量标记为V,V>3;
步骤63,获取经第k次网络攻击后,物联网拓扑结构中的所有符合3个节点的网络Motif所组成的并集的总边数;其中,此处的该所有符合3个节点的网络Motif所组成的并集的总边数标记为MC(k),k≥1;
需要说明的是,在该步骤63中,物联网拓扑结构经过第k次网络攻击,我们将所有符合3个节点的网络motif的边集进行并集操作,然后去除重复边,得到一个网络拓扑结构,统计该网络拓扑结构包含的边数,统计所得到的该边数就是此处的该所有符合3个节点的网络Motif所组成的并集的总边数MC(k);
步骤64,根据统计所得符合3个节点的网络Motif数量做出判断处理:
当符合3个节点的网络Motif数量为零时,转入步骤65;否则,转入步骤61;
步骤65,对统计所得符合3个节点的网络Motif数量做归一化,并且将归一化后所得到的数值作为所述的鲁棒性能衡量指标;其中,鲁棒性能衡量指标标记为I:
步骤7,利用分布式人工免疫优化算法对形成的该种群内每一个新物联网拓扑结构做优化,将具有最优鲁棒性能衡量指标的物联网拓扑结构作为最优物联网拓扑结构输出。其中,此处具有最优鲁棒性能衡量指标的物联网拓扑结构作为最优物联网拓扑结构的输出过程包括如下步骤71~77:
步骤71,设置N个本地优化程序和1个全局优化程序;其中,各本地优化程序之间相互独立,每一个本地程序运行一个种群P,且每一个本地程序对其运行的种群P分别进行种***叉操作、变异操作和选择操作,第n个本地优化程序标记为Ln,1≤n≤N,全局优化程序标记为GL;
步骤72,定义交叉操作策略:
motifi,motifj←Gi(,loc),Gj(,loc);
其中,Gi(,loc)和Gj(,loc)分别表示同一个种群中的相互交叉位置在loc处的两个不同个体,并且选择交叉位置染色体短的一侧进行搜索,染色体是由所有符合4个节点的网络Motif组成的,且将该染色体中的其中一个Motif称之为Motif碱基,motifi表示在一个类型个体中的其中一个符合4个节点的网络Motif,motifj表示在与motifi所处个体类型相同的另一个类型个体中,其中的一个符合4个节点的网络Motif且与motifi可交叉的网络Motif;
对两个网络Motifmotifi与motifj的类型做出判断处理:当motifi与motifj为同类型时,对该两个网络Motif执行交叉操作;否则,继续在同一个种群中搜索可交叉操作的两个网络Motif;
步骤73,定义变异操作策略:
针对种群P中的一个个体G,提取其所有符合4个网络Motif的操作单元组成一个染色体;
随机指定部分可变异的染色体Motif碱基位置;其中,如果该染色体Motif碱基位置为具有可重复连接边关系的Motif,则进行重连边;否则,继续随机指定下一个碱基位置做判断;
步骤74,定义选择操作策略:
PGL={Lr,Lt,…,Lz};
其中,PGL表示全局优化程序GL运行的种群,该种群PGL由本体优化程序GL分别对应采用不同的选择策略选出来的精英种群个体Lr、Lt、…、Lz所组成;当本地优化程序GL执行完交叉变异操作后,计算每一个个体的鲁棒性能指标,并且,选择鲁棒性能指标值最大的2个精英个体传送到全局优化程序GL中,由全局优化程序GL接收精英种群个体,再继续进行优化操作;同时,全局优化程序GL设置了一个通信队列Q存放本地优化程序选择出来的精英种群个体;其中,精英种群个体是在在一个种群里面具有最大鲁棒性能指标的个体,也即最好的物联网拓扑结构;
在全局优化程序GL中,初始的全局优化程序直接选择通信队列Q中的2个种群;然后,从该通信队列Q中选出一个种群个体;
如果选出的该种群个体的鲁棒性能衡量指标优于全局种群的鲁棒性能衡量指标平均值,则将该种群个体选出来;否则,继续选择该通信队列Q中的下一个种群个体;
步骤75,定义“联邦-州”通信机制与全局优化机制:
在全局优化程序GL设置一个通信队列Q存放本地优化程序选择出来的精英种群个体;以及,在每次迭代过程中,全局优化程序GL从通信队列Q中选择一个精英种群个体,并且将选择的该精英种群个体替换掉全局优化程序GL所对应原始种群中具有最低鲁棒性能衡量指标的种群个体;此处所说的“迭代”为重复执行步骤7的操作;
步骤76,对输出的鲁棒性能衡量指标和迭代次数做出判读处理:
当输出的鲁棒性能衡量指标的浮动范围位于预设浮动范围内,例如预设浮动范围不高于0.001,并且当前已执行的迭代次数未超过预设的最大迭代次数时(例如将该预设的最大迭代次数设置为1000次),保存该鲁棒性能衡量指标,转入步骤77;否则,继续执行迭代,直达已执行的迭代次数达到预设的最大迭代次数时,终止迭代过程;
步骤77,将保存的该鲁棒性能衡量指标所对应的物联网拓扑结构作为具有最优鲁棒性能衡量指标的物联网拓扑结构。
尽管以上详细地描述了本发明的优选实施例,但是应该清楚地理解,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种提高物联网拓扑结构鲁棒性能的优化方法,其特征在于,包括如下步骤1~7:
步骤1,基于无标度网络模型的规则生成初始化的物联网拓扑结构,并在该物联网拓扑结构内随机部署多个网络拓扑节点;其中,在该初始化的物联网拓扑结构中,每一个网络拓扑节点分别对应有一个固定的地理位置,并且所有的网络拓扑节点具有相同的属性;
步骤2,按照网络Motif,在初始化的物联网拓扑结构中提取出所有符合4个节点的网络Motif,且将提取到的每一个网络Motif分别作为物联网拓扑结构优化过程中的最小操作单元;
步骤3,在提取的所有最小操作单元中选取出所有具有可重连接边的最小操作单元作为操作单元;
步骤4,对在初始化的物联网拓扑结构中已提取的部分操作单元更改边连接关系,且将更改了边连接关系后的物联网拓扑结构作为新物联网拓扑结构;
步骤5,分别多次重复执行步骤4的操作,得到多个新物联网拓扑结构,且由该多个新物联网拓扑结构组成一个种群;其中,每次操作中针对边连接关系的更改操作不完全相同,且将该种群中的每一个新物联网拓扑结构作为一个个体;
步骤6,构建衡量物联网拓扑结构鲁棒性能的鲁棒性能衡量指标;
步骤7,利用分布式人工免疫优化算法对形成的该种群内每一个新物联网拓扑结构做优化,将具有最优鲁棒性能衡量指标的物联网拓扑结构作为最优物联网拓扑结构输出。
2.根据权利要求1所述的提高物联网拓扑结构鲁棒性能的优化方法,其特征在于,在步骤1中,加入物联网拓扑结构中的新网络拓扑节点连接之前网络拓扑节点的概率与该之前网络拓扑节点的度数大小呈正相关。
3.根据权利要求1所述的提高物联网拓扑结构鲁棒性能的优化方法,其特征在于,在步骤6中,所述鲁棒性能衡量指标的构建过程包括如下步骤61~65:
步骤61,对初始化的物联网拓扑结构在遭受每次网络攻击后的物联网拓扑结构中所包含符合3个节点的网络Motif数量做累计统计;
步骤62,获取初始化的物联网拓扑结构的总边数以及该初始化的物联网拓扑结构的网络拓扑节点总数量;其中,初始化的物联网拓扑结构的总边数标记为E,该初始化的物联网拓扑结构的网络拓扑节点总数量标记为V,V>3;
步骤63,获取经第k次网络攻击后,物联网拓扑结构中的所有符合3个节点的网络Motif所组成的并集的总边数;其中,此处的该所有符合3个节点的网络Motif所组成的并集的总边数标记为MC(k),k≥1;
步骤64,根据统计所得符合3个节点的网络Motif数量做出判断处理:
当符合3个节点的网络Motif数量为零时,转入步骤65;否则,转入步骤61;
步骤65,对统计所得符合3个节点的网络Motif数量做归一化,并且将归一化后所得到的数值作为所述的鲁棒性能衡量指标;其中,鲁棒性能衡量指标标记为I:
4.根据权利要求1所述的提高物联网拓扑结构鲁棒性能的优化方法,其特征在于,在步骤7中,具有最优鲁棒性能衡量指标的物联网拓扑结构作为最优物联网拓扑结构的输出过程包括如下步骤71~77:
步骤71,设置N个本地优化程序和1个全局优化程序;其中,各本地优化程序之间相互独立,每一个本地程序运行一个种群P,且每一个本地程序对其运行的种群P分别进行种***叉操作、变异操作和选择操作,第n个本地优化程序标记为Ln,1≤n≤N,全局优化程序标记为GL;
步骤72,定义交叉操作策略:
motifi,motifj←Gi(,loc),Gj(,loc);
其中,Gi(,loc)和Gj(,loc)分别表示同一个种群中的相互交叉位置在loc处的两个不同个体,并且选择交叉位置染色体短的一侧进行搜索,染色体是由所有符合4个节点的网络Motif组成的,且将该染色体中的其中一个Motif称之为Motif碱基,motifi表示在一个类型个体中的其中一个符合4个节点的网络Motif,motifj表示在与motifi所处个体类型相同的另一个类型个体中,其中的一个符合4个节点的网络Motif且与motifi可交叉的网络Motif;
对两个网络Motifmotifi与motifj的类型做出判断处理:当motifi与motifj为同类型时,对该两个网络Motif执行交叉操作;否则,继续在同一个种群中搜索可交叉操作的两个网络Motif;
步骤73,定义变异操作策略:
针对种群P中的一个个体G,提取其所有符合4个网络Motif的操作单元组成一个染色体;
随机指定部分可变异的染色体Motif碱基位置;其中,如果该染色体Motif碱基位置为具有可重复连接边关系的Motif,则进行重连边;否则,继续随机指定下一个碱基位置做判断;
步骤74,定义选择操作策略:
PGL={Lr,Lt,…,Lz};
其中,PGL表示全局优化程序GL运行的种群,该种群PGL由本体优化程序GL分别对应采用不同的选择策略选出来的精英种群个体Lr、Lt、…、Lz所组成;当本地优化程序GL执行完交叉变异操作后,计算每一个个体的鲁棒性能指标,并且,选择鲁棒性能指标值最大的2个精英个体传送到全局优化程序GL中;同时,全局优化程序GL设置了一个通信队列Q存放本地优化程序选择出来的精英种群个体;
在全局优化程序GL中,初始的全局优化程序直接选择通信队列Q中的2个种群;然后,从该通信队列Q中选出一个种群个体;
如果选出的该种群个体的鲁棒性能衡量指标优于全局种群的鲁棒性能衡量指标平均值,则将该种群个体选出来;否则,继续选择该通信队列Q中的下一个种群个体;
步骤75,定义“联邦-州”通信机制与全局优化机制:
在全局优化程序GL设置一个通信队列Q存放本地优化程序选择出来的精英种群个体;以及,在每次迭代过程中,全局优化程序GL从通信队列Q中选择一个精英种群个体,并且将选择的该精英种群个体替换掉全局优化程序GL所对应原始种群中具有最低鲁棒性能衡量指标的种群个体;
步骤76,对输出的鲁棒性能衡量指标和迭代次数做出判读处理:
当输出的鲁棒性能衡量指标的浮动范围位于预设浮动范围内,并且当前已执行的迭代次数未超过预设的最大迭代次数时,保存该鲁棒性能衡量指标,转入步骤77;否则,继续执行迭代,直达已执行的迭代次数达到预设的最大迭代次数时,终止迭代过程;
步骤77,将保存的该鲁棒性能衡量指标所对应的物联网拓扑结构作为具有最优鲁棒性能衡量指标的物联网拓扑结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670091.XA CN113422695B (zh) | 2021-06-17 | 2021-06-17 | 一种提高物联网拓扑结构鲁棒性能的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670091.XA CN113422695B (zh) | 2021-06-17 | 2021-06-17 | 一种提高物联网拓扑结构鲁棒性能的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113422695A true CN113422695A (zh) | 2021-09-21 |
CN113422695B CN113422695B (zh) | 2022-05-24 |
Family
ID=77788880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110670091.XA Active CN113422695B (zh) | 2021-06-17 | 2021-06-17 | 一种提高物联网拓扑结构鲁棒性能的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113422695B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640594A (zh) * | 2022-03-09 | 2022-06-17 | 天津大学 | 一种带有分层协作机制的物联网拓扑优化方法 |
CN115225509A (zh) * | 2022-07-07 | 2022-10-21 | 天津大学 | 基于神经进化的物联网拓扑结构生成方法 |
CN115967631A (zh) * | 2022-12-19 | 2023-04-14 | 天津大学 | 一种基于宽度学习的物联网拓扑优化方法及其应用 |
CN116720293A (zh) * | 2023-05-30 | 2023-09-08 | 中山大学 | 一种鲁棒影响力优化方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789320A (zh) * | 2017-01-04 | 2017-05-31 | 大连理工大学 | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 |
CN110807230A (zh) * | 2019-10-29 | 2020-02-18 | 天津大学 | 一种自主学习优化物联网拓扑结构鲁棒性的方法 |
-
2021
- 2021-06-17 CN CN202110670091.XA patent/CN113422695B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789320A (zh) * | 2017-01-04 | 2017-05-31 | 大连理工大学 | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 |
CN110807230A (zh) * | 2019-10-29 | 2020-02-18 | 天津大学 | 一种自主学习优化物联网拓扑结构鲁棒性的方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114640594A (zh) * | 2022-03-09 | 2022-06-17 | 天津大学 | 一种带有分层协作机制的物联网拓扑优化方法 |
CN115225509A (zh) * | 2022-07-07 | 2022-10-21 | 天津大学 | 基于神经进化的物联网拓扑结构生成方法 |
CN115225509B (zh) * | 2022-07-07 | 2023-09-22 | 天津大学 | 基于神经进化的物联网拓扑结构生成方法 |
CN115967631A (zh) * | 2022-12-19 | 2023-04-14 | 天津大学 | 一种基于宽度学习的物联网拓扑优化方法及其应用 |
CN116720293A (zh) * | 2023-05-30 | 2023-09-08 | 中山大学 | 一种鲁棒影响力优化方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113422695B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113422695B (zh) | 一种提高物联网拓扑结构鲁棒性能的优化方法 | |
CN109005055B (zh) | 基于多尺度拓扑空间的复杂网络信息节点重要度评价方法 | |
CN106789190B (zh) | 一种电力通信网脆弱性评估及路由优化方法 | |
CN106717082A (zh) | 减轻信号噪声的基于指纹的室内定位 | |
CN107743103A (zh) | 基于深度学习的mmtc***的多节点接入检测和信道估计方法 | |
CN110362997B (zh) | 一种基于生成对抗网络的恶意url过采样方法 | |
CN108683448B (zh) | 适用于航空网络的影响力节点识别方法及*** | |
CN113411766B (zh) | 智慧物联网综合感知***及方法 | |
CN114553661B (zh) | 一种面向无线联邦学习的移动用户设备分簇训练方法 | |
CN112487658B (zh) | 一种电网关键节点的识别方法、装置及*** | |
CN107483487B (zh) | 一种基于topsis的多维网络安全度量方法 | |
CN106612511B (zh) | 一种基于支持向量机的无线网络吞吐量的评估方法及装置 | |
CN107517201A (zh) | 一种基于时序移除的网络脆弱性辨识方法 | |
CN106506231A (zh) | 面向结构洞的指控网络关键节点识别方法 | |
CN113411213B (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
CN114841374A (zh) | 一种基于随机贪心算法的横向联邦梯度提升树优化方法 | |
Xiao et al. | Network security situation prediction method based on MEA-BP | |
CN115630328A (zh) | 应急物流网络中关键节点的识别方法 | |
CN115277115A (zh) | 一种用于解决网络上鲁棒信息传播问题的方法及*** | |
CN108965287B (zh) | 一种基于有限临时删边的病毒传播控制方法 | |
CN111711530A (zh) | 基于社区拓扑结构信息的链接预测算法 | |
CN109255433B (zh) | 一种基于相似性的社区检测的方法 | |
CN106911512B (zh) | 在可交换图中基于博弈的链接预测方法及*** | |
CN106550387B (zh) | 一种无线传感器网络路由层服务质量评价方法 | |
CN103096380B (zh) | 无线接入点负载均衡优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |