移动社交网络中多策略路由算法研究

来源 :青岛大学 | 被引量 : 0次 | 上传用户:UltraSparc
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
移动社交网络是一种将社交科学与无线通信相结合应用于移动网络的技术,其主要用于解决网络中由于节点移动性强所造成的消息投递率低、链路中断频繁和传输延迟高等问题,从而促进网络中移动设备之间的连接,并为用户进行消息的访问、共享和分发提供有效的移动计算环境。移动社交网络被认为是能够给移动用户提供数据传递的一种服务系统。在当前的移动社交网络中,用户多采用便携式移动设备进行消息传输,但由于节点间的连接间歇性和移动性,使得在移动社交网络场景中实施路由成为一项难题。针对移动社交网络中节点间没有完整通信路径的特点,论文提出通过节点的社会属性和移动模式选择中继节点,从而在低时延的情况下提高消息传输率。本论文的目标为设计适用于移动社交网络的高效路由算法,以提高节点间消息投递率、减少传输时延。论文的主要研究工作由以下两部分构成:(1)移动社交网络中一种基于效用的概率路由算法。该算法通过将节点间的接触概率与社会属性相结合,以此作为判定条件评估节点在社交网络场景下是否适合作为中继节点。算法中还利用社区结构划分不同转发策略进行数据的传输与扩散。(2)移动社交网络中一种基于社交关系的自适应路由算法。该算法可用于解决移动社交网络中连通路径不稳定,消息无法有效传输的问题。一方面,算法根据提出的目标区域加权中心度选择下一跳中继节点传递消息;另一方面基于有效传输能力判断节点间交互情况,并自适应对消息副本进行分配。为验证本文所提出的算法的有效性,通过ONE(Opportunistic Network Environment)模拟器对所提出的算法进行了大量仿真实验。仿真模拟结果表明,在资源充足和网络负载能力较低的情况下,本论文所提出的两种算法在相应的应用场景中传输率和平均时延等方面表现优异。这充分证明论文提出的两种算法能有效降低路由的投递延迟,促进消息传输,更加适用于移动社交网络中的消息传输。
其他文献
进程演算是刻画并发与交互式反应系统行为的原型规范语言,它们通过进程项来描述反应式系统的规范及实现,实现是否满足规范则由行为等价或者精化关系来刻画。经典的模拟(simulation)关系主要是针对反应式系统间的精化关系的刻画,这类系统只具有被动的行为。对于具有主动行为的系统,经典的模拟关系将不再适用。为此,学术界将模拟和互模拟(bisimulation)概念推广,提出共变-异变模拟(Covarian
微米至百微米级厚度的微液膜在微纳制造、电子封装、丝网印刷等领域有广泛应用,目前离心旋涂是获得微液膜的主要途径。然而,当液膜的表观粘度超过1 Pa·s时,受液体添加物、基
目标跟踪是计算机视觉众多应用中重要的组成部分之一,具有很大的研究价值。目标跟踪的主要任务是在一个视频中,在每一帧都给出目标的具体位置和大小,其中只有目标的第一帧的信息是已知的。尽管目前阶段目标跟踪已经取得了很大的进展,但是由于存在模型快速移动,光照变化,背景模糊等挑战,目标跟踪依旧是一个富有挑战性的研究问题。基于判别式相关滤波相结合的算法自提出以来,由于其兼具了速度以及精度的特点,吸引了大量研究者
随着移动通信技术的快速发展,用户对于网络质量和数据速率的要求越来越高。协作中继技术的出现有效解决了小区边缘弱覆盖的问题,提高了数据传输速率和用户体验感知。能量采集作为近年来出现的一种先进技术,可以从周围环境的可再生资源中收集能量,从而实现绿色通信的目的。因此,协作中继技术与能量采集技术的结合是目前的一个研究热点。本文以具有能量采集功能的中继系统为研究对象,分析多中继系统中的中断概率,提出了不同发送
新一代信息技术是当前新一轮技术变革中的重要构成部分,具有万物互联、智能、绿色低碳等重要特征,也因此成为推动经济增长、产业转型升级的重要力量。新一代信息技术正与制造
大数据时代下,数据呈多维化、海量化的特征,查询趋于个性化,用户对结果的准确度、查询效率要求更高。传统的多维数据查询方法存在不能高效地解决静态和空间属性相结合、动态的多用户查询以及分类域上的个性化查询等问题,因此研究在度量空间中的多用户查询以及分类域上的用户偏好获取对于找出高质量的结果集具有十分重要的意义。多维Skyline查询根据对象数据点的属性值特性主要分成两类:数值域和分类域。本文重点关注空间
目前,随着图像采集技术的发展,图像相关的应用越来越广泛。由于图像中包含的信息量很大,从图像中提取具有区分性的抽象特征是物体识别中的关键步骤。传统的图像特征是手工设计的特征,依赖于设计者的先验知识,其适用范围往往较窄。在人工智能时代,深度学习被广泛用于学习图像的特征表达,基于深度学习的方法能够从大量数据中学习特征表示方法,获得具有强大表现力和泛化能力的特征。本文基于以上研究背景,研究了基于深度哈希的
协同过滤推荐算法是最常用的推荐算法之一,其利用大量相关数据对用户行为相似性进行分析并为用户提供个性化推荐。在大数据时代,大量的数据呈现在人们面前,而个性化推荐的实现需要挖掘数据中的隐含信息。LDA主题模型通常用于获取文档的主题分布信息,因此,许多学者尝试将LDA主题模型应用于协同过滤推荐算法之中,并且不断地进行探索优化。传统的LDA主题模型是无监督主题模型,在实际的文本挖掘应用中,整个数据集经常需
学位
从大型数据库中查找出用户最感兴趣的k个数据来支持用户多标准决策的制定是数据库领域一个重要的研究课题。k遗憾查询使用最大遗憾率的衡量标准,返回k个使得用户的最大遗憾率最小的数据。但是,目前已有的关于k遗憾查询的研究存在效率较低和结果集会偏向于最不满意的用户的问题。论文针对k遗憾查询存在的问题,研究了基于用户开心度的k代表点选取技术,结合目标函数函数的特性,给出了高效的解决方案。主要工作和创新点如下: