一种基于宽度学习的物联网拓扑优化方法及其应用

技术领域

本发明属于物联网以及拓扑优化的技术领域，尤其涉及一种基于宽度学习的物联网拓扑优化方法及其应用。

背景技术

物联网是一种综合了机械控制、无线感知、数据采集与共享等技术的综合系统。随着5G技术的发展，物联网得到了越来越多的使用。针对一部分特定物联网应用场景，超密集组网技术已经被提出并用于提升网络流量的峰值。集中布置传感器可以提高网络的功率和频谱利用率，但同时也会增加节点的能耗。另外，由于多个汇聚节点之间的通信负荷不平衡，会导致各区域能量消耗的差异，从而导致部分节点能量耗尽，网络的服务质量下降。网络攻击或线下破坏也会增加节点的故障概率，使网络的连接性能降低，因此，合理的网络布局是提高网络效率的关键。网络拓扑是指在一个网络中，各个节点之间的连接与通讯关系。合理的网络拓扑结构对整个网络的稳定运行起着至关重要的作用，也是影响到物联网感知层自组网的安全性和可靠性的重要因素。然而，传统的网络拓扑结构直接在大规模物联网中使用，不能很好地解决网络系统的稳定性、能耗和时延等问题。另外，在密集物联网中，由于数据量大，有些汇聚节点容易出现性能下降的问题。原因在于，数据路由中的多跳转发机制，使该区域中的这些节点数据量和所需的能耗都要高于其它节点。同时，由于承担任务重，容易被恶意攻击，导致无法工作，使得拓扑整体的通信性能下降。因此，为了保证网络通信能力，通过调整节点之间的连接关系来优化拓扑，可以减轻因汇聚节点的故障引起的拓扑失效程度，从而延长了网络的寿命。

此外，5G技术发展的同时，用户对网络服务质量的需求也越来越高，通过拓扑鲁棒性优化来保障网络通信服务质量，并降低拓扑优化的运算时间开销将成为拓扑研究的必然趋势。传统的启发式算法爬山算法、模拟退火等，是一种基于通过随机换边来搜索最优解的方法。它可以快速找到符合要求的解，但存在容易陷入局部最优的情况，且时间开销较高。遗传算法也是解决优化问题的有效手段，但是容易过早收敛，因此有文化基因算法和多种群进化算法来解决此缺陷，但分别存在未考虑物联网通信距离特性和收敛时间长的不足。

发明内容

为了解决上述问题，本发明提出了一种基于宽度学习的物联网拓扑优化方法，该方法通过调整拓扑中节点的数据存储格式来保证宽度学习能充分学习到优化前后的拓扑特征，并以极低的时间开销提升了物联网拓扑的鲁棒性；本发明结合宽度学习、物联网、多种群进化等相关技术，在保证不改变初始拓扑中整体度数分布的前提下，提高了物联网拓扑的鲁棒性。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于宽度学习的拓扑优化方法，包括如下步骤：

步骤101、通过无标度网络的方式对物联网进行初始化生成初始拓扑；

步骤102、通过多种群进化算法对物联网拓扑优化生成目标拓扑；

步骤103、对初始拓扑和目标拓扑去重获得拓扑对数据集；

步骤104、通过节点度数将拓扑对数据集中的每一个拓扑对进行编码获得拓扑邻接矩阵；

步骤105、通过对拓扑邻接矩阵拆分成训练集和测试集对宽度学习模型测试；

步骤106、通过如下公式对测试后的宽度学习模型计算获得优化宽度学习模型：

其中：N是拓扑中节点个数，MCS(n)表示恶意攻击当前拓扑最高度数节点n次后，拓扑的最大连通子图包含节点数；M是训练集或测试集的数据量大小，R

本发明还可以采用如下技术方案予以实施：

一种基于宽度学习的拓扑优化方法在物联网应用，包括如下步骤：

步骤201、通过无标度网络的方式对物联网进行初始化生成初始物联网拓扑

步骤202、通过多种群进化算法对物联网拓扑优化生成目标物联网拓扑；

步骤203、对初始物联网拓扑和目标物联网拓扑去重获得拓扑对数据集；

步骤204、通过节点度数将拓扑对数据集中的每一个拓扑对进行编码获得物联网拓扑邻接矩阵；

步骤205、通过对拓扑邻接矩阵拆分成训练集和测试集对物联网宽度学习模型测试；

其中：N是拓扑中节点个数，MCS(n)表示恶意攻击当前拓扑最高度数节点n次后，拓扑的最大连通子图包含节点数；M是训练集或测试集的数据量大小，R

步骤207、在物联网优化宽度学习模型中执行步骤201、203和204输出优化物联网拓扑。

进一步，所述步骤3中通过节点度数对拓扑对数据集中的每一个拓扑对进行编码获得拓扑邻接矩阵过程，包括如下步骤：

401、按照节点的度数从大到小的顺序进行拓扑对数据集中的每一个拓扑对中节点编号获得物联网拓扑编号数据信息；

402、采用邻接矩阵存储拓扑网编号数据信息建立物联网拓扑编号矩阵；

403、按照两节点的相互关系将拓扑编号矩阵信息进行三类划分：

第一类是两节点之间存在连接，矩阵值为1；

第二类是两节点之间不能存在连接，即互在通信范围外，矩阵值为-1。

第三类是两节点之间没有连接，但互在通信范围内，矩阵值d

其中：P表示节点位置，r表示节点通信范围；分式表示两节点的距离与通信范围的比值，整体计算后得到的值与两节点的距离成反相关，并且都归一化到(0，1)中；

404、对划分后的拓扑矩阵的上三角矩阵进行展开获得向量表示。

进一步，所述步骤5中通过拆分拓扑邻接矩阵的训练集和测试集对宽度学习模型检验获得物联优化拓扑模型过程，包括如下步骤：

501、将训练集和测试集的数据映射给特征映射层获得第一数据特征；

502、稀疏编码器通过KL散度来约束对第一数据特征提取获得第二数据特征；

503、增强节点层对第二数据特征进行二次映射获得第三数据特征；

504、通过激活函数对第二数据特征和第三数据特征进行计算获得输出层节点数据；

505、通过伪逆计算物联节点数据中节点的权重建立物联优化拓扑模型。

有益效果：

1.本发明引入一种高效的机器学习手段——宽度学习来优化网络拓扑，大幅降低了现有对拓扑优化的时间开销。

2.本发明设计了一种独特的数据存储内容，这样的数据设计考虑到了拓扑信息的一致性，且将拓扑的位置、通信范围等一并存入到了数据中，防止梯度消失，提升了模型性能。

附图说明：

图1是本发明物联网拓扑优化的整体框架图；

图2是网络拓扑结构与数据向量的转换示意图；

图3是宽度学习工作机制的示意图

具体实施方式

下面结合附图对本发明进行详细说明：

如图1所示，本发明提供一种基于宽度学习的拓扑优化方法，包括如下步骤：

步骤1：通过无标度网络的方式对物联网进行初始化生成初始物联网拓扑；

步骤2：通过多种群进化算法对物联网拓扑优化生成目标物联网拓扑；

步骤3：对初始物联网拓扑和目标物联网拓扑去重获得拓扑对数据集；

上述步骤1-步骤3为初始拓扑结构的改进，即：确定节点部署区域的大小为500×500m

步骤4：通过节点度数将拓扑对数据集中的每一个拓扑对进行编码获得物联网拓扑邻接矩阵；对收集来的拓扑数据进行处理。本发明引入了独特的拓扑数据信息表示形式，如图2所示：

首先，网络拓扑中的节点进行重新编号，按照节点的度数从大到小的顺序，为其赋予编号1，2...100，对节点重新编号可以使初始无标度拓扑的节点度分布呈现出规律。这样做的目的是可以使所有的高度数节点在整个网络拓扑中节点编号较小，而低度数节点编号较大，使得所收集的拓扑的节点都具有度数与编号反相关的关系；

接着，建立邻接矩阵存储拓扑，将存储内容分为三类。第一类表示两个节点之间存在连接，矩阵值为1；第二类表示两个节点之间不能存在连接，即互在通信范围外，矩阵值为-1；第三类表示两个节点之间没有连接，但互在通信范围内，矩阵值为

其中：P表示节点位置，r表示节点通信范围；分式表示两节点的距离与通信范围的比值，整体计算后得到的值与两节点的距离成反相关，并且都归一化到(0，1)中；。

最后，因为拓扑是无向图，邻接矩阵可用上三角矩阵来表示全部信息，再将其展开成维度为5050的向量，作为数据集供后续使用。如上一系列的拓扑数据处理，有益于宽度学习的收敛，同时考虑到了物联网的独有属性，如位置坐标、通信距离等，也反映出了拓扑的连接关系，并且减少了存储开销，提升了运算效率。

步骤5：通过拆分物联网拓扑邻接矩阵的训练集和测试集对宽度学习模型检验获得物联优化拓扑模型；

将初始拓扑数据输入到特征映射层做映射，然后经过稀疏自动编码器，提取出数据的最本质特征，使数据特征表示更为紧凑。这里的稀疏性使用KL散度来约束的，若实际稀疏性偏离了设定稀疏性，则进行惩罚；得到的隐层输出至增强节点层做二次映射，再经过激活函数tanh()激活，然后特征映射层与增强节点层的输出一并作为输出节点的输入。通过伪逆计算出输出节点的权重，得到拓扑优化的模型。若训练集的式(3)值过大，代表模型性能过于强大，即过拟合。需要选择模型性能程度适中的宽度学习结构，最终模型结构为特征映射窗口数量25，特征映射窗口大小25，增强节点数量850。

其中：修改宽度学习的特征映射层结构，通过扩大特征映射窗口的容量，来增加模型对线性特征的学习能力。

其中：修改宽度学习的特征映射层结构，通过增加特征映射窗口的数量，来增加模型对线性特征的学习能力。

其中：修改宽度学习的增强节点层结构，通过增加增强节点的数量，来增加模型对非线性特征的学习能力。

步骤6：通过如下公式对物联优化拓扑模型的鲁棒性判断输出最优拓扑物联模型：

其中：N是拓扑中节点个数，MCS(n)表示恶意攻击当前拓扑最高度数节点n次后，拓扑的最大连通子图包含节点数；M是训练集或测试集的数据量大小，R

式(2)是鲁棒性R值的计算公式，其中N是拓扑中节点个数，MCS(n)表示恶意攻击当前拓扑最高度数节点n次后，拓扑的最大连通子图包含节点数。通过计算每次攻击后最大连通子图中节点的数量来衡量网络鲁棒性，取值范围是0到0.5。式(3)的M是训练集或测试集的数据量大小，R

步骤6：通过如下公式对物联优化拓扑模型的鲁棒性判断输出最优拓扑物联模型：

其中：N是拓扑中节点个数，MCS(n)表示恶意攻击当前拓扑最高度数节点n次后，拓扑的最大连通子图包含节点数；M是训练集或测试集的数据量大小，R

本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。