机会网络是一种不需要源节点和目标节点存在完整通信链路,利用节点移动带来相遇机会实现通信的自组织网络。由于它具有节点频繁移动、网络拓扑结构时变等特点,其更符合实际情况下的自组网需求,这给机会网络的研究带来挑战。链路预测是机会网络研究中的难点问题之一,其根据节点间已知的链路及节点的属性,估计节点间产生链路的可能性。一个好的链路预测方法不仅可以推断出节点对产生连接的关系,还能帮助我们认识网络的演化规律,从而为上层路由协议提供支撑。针对机会网络时变性的特点,考虑机会网络中演变的历史信息与链路的长期依赖关系,本文提出一种基于循环神经网络的机会网络链路预测方法(Link Prediction Approach for Opportunistic Networks Based on Recurrent Neural Network,RNN-LP)。采用时间序列分析法,以定长时间帧对机会网络数据进行切片,形成时间帧网络快照序列,对其产生的节点对平均连接次数序列进行分析,采用0-1测试方法找出时间帧连接次数序列的混沌特性,并基于混沌时间序列理论确定最佳时间帧长度;分析和处理机会网络数据集中的节点对通信时间和时间帧的起止时间的关系,并将节点对连接和断开时间戳转化成周期性时间;定义单位时间帧内历史信息,将其和转化后的信息以向量形式表示,即节点对连接属性;定义链路预测窗口,以多个向量构成时间帧节点对连接属性向量序列,其窗口大小为向量序列长度;借助长短期记忆循环神经网络在时间序列上的建模优势,学习节点对连接状态与时间帧节点对连接属性向量序列的相关性,提取机会网络节点对在时域上的特征,从而推断节点对未来连接的可能性。本文选取稀疏程度不同的真实机会网络数据集iMote traces Cambridge(ITC)和MIT reality(MIT),采用评价指标准确率(Accuracy)、精度(Precision)以及AUC(Area Under the Receiver Operating Characteristic Curve)评价预测模型的性能。通过设置不同的迭代次数、时间帧长度和输入序列长度等,计算RNN-LP模型的Accuracy和Precision;与基于相似性指标(CN、AA、RA、LP及Katz)的链路预测方法相比,RNN-LP模型的AUC值更高,且在不同数量的测试样本下,RNN-LP模型的稳定性更佳;与线性判别分析、支持向量分类机及受限玻尔兹曼机的链路预测模型相比,RNN-LP模型具有更好的准确性。