机会网络是一种不需要源节点和目标节点之间存在完整链路,依靠节点移动构建消息传递路径的自组织网络,适用于缺乏稳定链路或无固定通信设施的场景。由于消息传递机制的特殊性,机会网络具有结构稀疏、拓扑时变等特点。链路预测是机会网络研究领域的关键问题之一,根据网络状态参数等信息发掘其动态演化规律,预测未来时刻的链路,为改善网络信息传输、制定路由协议等研究提供支撑。针对机会网络的多维链路属性和动态演化特性,考虑网络规模和节点属性对链路预测性能的影响,论文提出一种基于网络表示学习的链路预测方法。通过分析网络拓扑和通信链路随时间变化的规律,定义网络快照相似性指标,评估在不同切片长度下网络快照间的变化程度,根据最小化相似性方差确定切片长度,按照固定时长对机会网络进行切片,得到网络快照序列;处理网络快照内的通信数据,构建链路属性张量和节点属性矩阵表征机会网络,利用双向随机归一化对属性张量进行标准化处理;采用网络表示学习聚合邻居节点的多维链路属性,通过残差结构优化网络嵌入层对高阶邻居属性的聚合能力,经多个网络嵌入层将网络属性映射到低维嵌入空间,得到属性嵌入矩阵;借助注意力机制优化循环神经网络内部状态的更新过程,采用改进的循环神经网络学习机会网络拓扑随时间动态演化的规律,提取属性嵌入矩阵之间的时序特征,在输出层建立时序特征与链路状态之间的映射关系,实现机会网络全网的链路预测。本文实验采用Infocom05、Hyccups和MIT三个不同规模的真实机会网络数据集,使用受试者工作特征曲线下面积和精确率-召回率曲线下面积评估预测模型的性能。实验结果表明,与编码器-长短期记忆网络-解码器、生成对抗网络-图卷积神经网络等方法相比,本文方法具有更高的预测精度,平均消息传输时延分别降低了4.63个时间片和1.52个时间片;在三个数据集上的相对增量都处于较小的波动范围,在不同噪声程度比例下均具有更好的准确性,表明预测模型具有较好的泛化性和鲁棒性。