在具有社会性的机会网络中,节点间存在社会关系。社会关系紧密的节点形成社团。社会关系和社团关系是社会性机会网络中消息路由决策的核心依据,研究非稳态社会关系演化和社团划分具有很重要的科学意义。目前,在机会网络社会性研究和以社会性为基础的路由策略研究中,大都假设社会关系是稳定的、静态的,以此为基础得到的社团是稳定不变的。但是,在机会网络的实际应用场景中,社会关系和社团关系通常是动态变化的,包括：节点只转发特定类型的消息,由不同类型消息反复交错构成的消息序列在网络中传播时,可用的社会关系和社团关系反复变化震荡,呈现为不稳定状态；节点具有移动性,节点相遇具有随机性,这造成了社会关系和社团关系随时间动态变化；节点间社会关系的紧密程度具有不确定性,以其为基础得到的社团也是不确定的、以概率形式存在的。针对机会网络社会关系和社团关系动态变化的特性,论文分析和解决了在震荡不稳定的、动态演化的机会网络社会关系下划分社团的问题,主要包括三个相互联系的方面,即首先解决社会关系拓扑结构由于消息敏感而产生的震荡问题,将震荡非稳态社会关系转换为稳态的社会关系；其次,解决随时间动态演化的社会关系不可预测的问题,建立了预测模型,对未来社会关系进行预测；最后,在预测得到的社会关系基础上,建立了不确定社会关系,并解决了不确定社会关系上无法获得贴近实际的社团的问题。本研究的主要贡献和创新性成果如下：1.提出一种非稳态社会关系拓扑下的机会网络分层模型。在机会网络中,节点只转发特定类型的消息,不同类型消息在网络中传播时,可用的节点集不同,因此,由不同类型消息反复交错构成的消息序列在网络中传播时,可用的社会关系拓扑结构反复变化,表现为社会关系由于消息敏感而产生震荡不稳定状态,社团划分结果无法重用,增加了划分社团的时间。为了解决该问题,本研究提出了机会网络分层模型,消除了社会关系拓扑由于消息敏感产生的震荡不稳定状态,提高社团划分的可重用性,降低了社团划分时间。首先,将机会网络的物理节点集映射为与消息类型匹配的虚拟节点集,并以此为基础建立虚拟机会网络层；然后,在虚拟机会网络层上建立社会关系,此时,消息敏感的社会关系拓扑由震荡不稳定状态转化为稳态；最后,对虚拟层上的社会关系进行社团划分。该模型使得社团划分次数仅仅取决于消息类型的数量,而不会随消息序列中消息数量或者消息类型的交错方式而改变,减少了社团划分的时间。在消息数量相同的条件下,当消息序列中相邻位置消息的类型差异度分别为40%和100%时,采用机会网络分层模型进行社团划分的时间,与在物理机会网络上直接进行社团划分的时间相比,分别减少约58%和89%。2.提出一种机会网络社会关系拓扑动态演化预测模型。机会网络社会关系随时间动态变化,社团划分须等待社会关系建立后才能进行,这增加了社团划分的等待时间。为了解决这个问题,本研究提出了一种基于马尔可夫模型的机会网络社会关系预测模型,准确预测社会关系,为社团划分节约了建立社会关系所需的等待时间,减少了消息转发的准备时间。首先,将机会网络的运行时间分解为等长的时间片,并在时间片内以节点的相遇状态为依据构建节点间的社会关系；其次,在时间片构成的序列中,记录节点对在不同时间片的相遇状态,并构建与时间片序列对应的节点对相遇状态序列；再次,根据上述节点对形成的相遇状态序列样本数据,利用马尔可夫模型为节点对建立相遇状态转移概率矩阵；最后,根据本研究提出的社会关系拓扑动态演化预测模型,预测下一个时间片的节点相遇状态。论文提出的机会网络社会关系拓扑演化预测模型,预测的准确率达到了80%以上。3.提出一种基于社交亲密度的K派系过滤算法。目前,机会网络社团划分都是以节点间存在确定的社会关系为基础的。然而,在实际场景下,社会关系是由节点的相遇频率和通信成功率共同决定的,具有以概率形式描述的不确定性。为了解决在机会网络不确定社会关系中划分社团的问题,本研究提出了一种基于社交亲密度的K派系过滤算法。首先,根据节点相遇记录和通信记录构建机会网络的不确定社会关系模型；其次,提出了社交亲密度的概念,并根据社交亲密度定义了不确定社会关系中社团的意义；最后,提出了改进的基于社交亲密度的K派系过滤算法,该算法能够对不确定的社会关系进行社团划分,得到结构和意义都符合实际的社团。实验结果表明,在机会网络的不确定社会关系上,论文提出的基于社交亲密度的K派系过滤算法与已有的K-CLIQUE算法相比,能够在更多的时间片中(80%)获得合理划分结果。