一种战术数据链层次拓扑方法

摘要

本发明属于通信技术领域，具体的说是涉及一种战术数据链层次拓扑方法。本发明的目的在于：针对无中心节点的一类战术数据链，在节点随机分布的情况下，基于Apriori数据关联分析算法原理，提出了一种战术数据链层次拓扑挖掘方法，挖掘出不同节点之间的层次关系，揭示数据链路中不同节点之间的层次关系。

说明书

技术领域

本发明属于通信技术领域，具体的说是涉及一种战术数据链层次拓扑挖掘方法。

背景技术

战术数据链是数据通信在军事方面的典型应用，以无线信道传送作战数据的链路称为战术数据链，战场环境下的战术数据链组织根据指挥关系和部队作战特点，形成一个层次化网络，因此，对于层次化网络而言，拓扑模型的研究是路由协议评估的重要基础，也是影响组网效率的关键性因素。目前绝大数有关战术数据链网络拓扑的研究集中在移动自组网(mobile ad hoc network,简称MANET)上，它是一种不依赖任何固定基础设施的无线网络，与战术数据链网络相比有较大区别，多数关于网络性能的文献中网络拓扑都采用节点随机分布的方式，没有体现层次化的特点，因此本发明提出一种基于“Apriori数据关联分析的战术数据链层次拓扑挖掘”的生成算法，能够体现战场环境下节点层次化特征，实现在网络节点随机分布的情况下挖掘出不同节点之间的层次关系和关联程度。

Apriori算法是一种挖掘关联规则的频繁项集算法，其中项目的集合称为项集，项集中元素个数称为项集的长度，长度为k的项集称为k-项集，一个支持度不小于某个阈值的项集叫做频繁项集。该算法的核心思想是通过候选集生成和向下封闭检测两个阶段来挖掘频繁项集首先找出所有的频集，已经被广泛的应用到商业、网络安全等各个领域。Apriori算法利用大量信息挖掘出数据之间的关联程度和项目之间的关联程度。针对战术数据链侦察消息量大，节点随机性分布的特点，在侦察信息基本先验知识基础上，挖掘出不同节点之间的关联程度，揭示数据链路中不同节点之间的层次关系。

发明内容

本发明的目的在于：针对无中心节点的一类战术数据链，在节点随机分布的情况下，基于Apriori数据关联分析算法原理，提出了一种战术数据链层次拓扑挖掘方法，挖掘出不同节点之间的层次关系，揭示数据链路中不同节点之间的层次关系。

本发明的技术方案包括以下步骤：

S1、在多层次网络中，为每个节点分配时隙，并设定最小支持度和最小置信度；

S2、统计每个节点发送消息的频率，将频率不小于最小支持度的节点构成频繁k-1项集；

S3、对获得的频繁k-1项集中节点集合进行扫描计数，统计每个节点集合发送消息的频率，将频率不小于最小支持度的节点构成频繁k-2项集；

S4、根据步骤S2-S3的方法重复迭代，直至获得k维频繁项目集；

S5、根据获得的k维频繁项目集，计算置信度，根据置信度得出节点之间的从属关系，获得不同节点之间的层次关系。

进一步的，所述步骤S2的具体方法为：

从多个节点中选择一个节点的时隙作为分隔条件，从而统计出各个节点的发送消息的频率，再将频率不小于最小支持度的节点构成频繁k-1项集。

更进一步的，还包括步骤：

S6、选择的一个节点的时隙作为分隔条件后，对于那些频率小于最小支持度的节点，无法再以分隔条件挖掘出它们的层次关系，就需要使分割点的层级级别降低并去除比新分割节点层次高的节点，按照步骤S2-S3的方法迭代出在步骤S5中未确定从属关系节点的构成k维频繁项目集，计算出置信度并得出节点之间的从属关系；

S7、重复步骤S6直至得出整个网络中所有节点之间的层次关系。

本发明的有益效果为，本发明可以挖掘出拓扑网络不同节点之间的层次关系，揭示不同节点间的关联程度，方法简单，效果良好。

附图说明

图1为8节点层次关系拓扑图；

图2为获得k维频繁项目集的流程示意图；

图3为节点A的消息序列；

图4为8个节点的消息时序图；

图5为各个平台的支持度；

图6为候选频繁k-2项集支持度；

图7为候选频繁k-2项集置信度；

图8为平台B-H的消息时序图；

图9为平台B-H的支持度；

图10为候选频繁k-2项集支持度。

具体实施方式

下面结合附图和实例，详细描述本发明的技术方案：

本发明主要是提出一种基于Apriori数据关联分析的数据链层次拓扑挖掘，在数据链侦察消息量大，节点分布随机性大的情况下，利用Apriori算法思想和侦察得到的先验知识，挖掘出不同节点之间的层次关系，揭示不同节点之间的关联程度。

以某一作战集群中的八个平台为例：

假设八个平台之间存在层次关系，各节点之间的层次拓扑图如图1所示，约定采用战术数据链时隙分配规则，采用P应答，同时平台的消息必须在上层平台的消息发射间隔内完成交换。

假设I＝{A,B,C,D,E,F,G,H}是平台编号集，各节点之间依照网络拓扑结构进行“应—答”式通信，把接收消息的时间段分为等长时间片{t₁、t₂、t₃......t_m}，每一个时间片大小为δ，m为数据接收时间段的时间片总数；定义T_i＝{i₁、i₂、i₃......i_k}为网络中的一个通信模式，即在时间片t_i中发生通信行为；

根据Apriori算法理论，本发明中采用的模型相关定义和模型如下：

模型相关定义:

1)定义节点间的关联规则

设最小支持度为Support(R)，最小置信度为Confidence(R)，当节点间的消息序列集合的最小支持度和最小置信度满足：

Support(R)≥sup_min

Confidence(R)≥conf_min

则节点之间存在一定的从属关系。

2)定义频繁项集

a)统计各个节点发送消息的频率，频率不小于最小支持度的节点构成项集作为频繁k-1项集；

b)对频繁k-1项集中节点集合的进行第二次扫描计数，统计节点发送消息的频率找到频繁k-2项集；

c)逐层搜索迭代后根据第k-1步生成的(k-1)维最大项目集产生k维选项目集，得到k维频繁项目集；如图2所示；

d)得到目标k维项集之后,计算置信度得出节点之间的从属关系；

(2)模型描述：

在假设层次拓扑图中(如图1)，在最小支持度满足

Support(R)≥sup_min

的情况下，通过计算消息序列集合频繁项集最小置信度最终确定节点之间的关联程度，如表1所示：

表1频繁项集最小置信度与节点之间的关联程度

模型的最终目标是挖掘出八个节点之间的层次拓扑关系为：

{A->B->C}，{A->B->D}，{C->E}，{C->F}，{D->G}，{D->H}

以如图1所示的模型为基础，结合以下实际数据进行进一步详细描述本发明的方案

(1)参数设定：P＝0.8，sup_min＝0.6，conf_min＝0.6；

(2)根据战术数据链时隙分配规则，给八个节点分配时隙。节点A消息序列服从泊松分布，得到节点A的消息到达时间(如图3)与8个节点消息时序图(如图4)；

(3)节点A-D层次关系；

a)寻找频繁项集k-1：用A节点的消息作为分隔条件，就可以得到如下数据表2：

表2用A节点的消息作为分隔条件获得的数据表

表2中，1：代表发送信号0：代表无信号；

统计各个节点的发送消息的频数，得到频繁k-1项集：{{A}，{B}，{C}，{D}}。

b)寻找频繁k-2项集：

由(a)可得候选的频繁k-2项集有{{AB}，{AC}，{AD}，{BC}，{BD}，{CD}}，计算它们的支持度(如图6)和置信度(如图7)；在置信度和支持度满足条件的情况下选出频繁集{{AB},{BC},{BD}}。

c)寻找频繁k-3项集：

在(b)的基础上有候选频繁k-3项集{{ABC}，{ABD}}。计算候选频繁k-3项集的支持度和置信度如表3所示：

表3频繁k-3项集的支持度和置信度

由于支持度和置信度都满足：

Support(R)≥sup_min

Confidence(R)≥conf_min

所以可以认为该数据链的层次拓扑中有A->B->C和A->B->D的关系。

(4)节点E-H层次关系：

因为层次比较低的节点在以A时隙为分割点的情况下不满足：

Support(R)≥sup_min

所以此时要想获得{{E}，{F}，{G}，{H}}的层次关系，就需要使分割点的层级级别降低并去除比新分割节点层次高的节点。例如，再选择B节点的时隙作为时隙分割点，那么就需要先去除A节点的时隙信息，避免增加挑选频繁项集的复杂度。先去除A的时隙信息，以B的时隙作为时隙分割点，得到剩余节点的时序列(如图8)：

a)寻找频繁项集k-1：

统计各个节点的发送消息的频数，得到频繁项集k-1(如图9)：{{B}，{C}，{D}，{E}，{F}，{G}，{H}}；

b)寻找频繁项集k-2：

由(a)知所有平台的支持度都满足最小支持度的要求，且第一次求解过程中已经求得节点B和节点CD的关系，所以在本次迭代过程中可以不求B节点和节点CD的关系,得到曲线图(如图9)。从图9中可以看出{CE}，{CF}，{DG}，{DH}的支持度满足条件那么将{{CE},{CF}，{DG}，{DH}}作为候选频繁k-2项集。得到的置信度如下表4：

表4频繁k-2项集置信度

从属关系置信度{C->E}0.6875{C->F}0.675{D->G}0.654{D->H}0.667

由于支持度和置信度都满足：

Support(R)≥sup_min

Confidence(R)≥conf_min

从表中可以看出置信度满足条件，即存在层次关系{C->E}，{C->F}，{D->G}，{D->H}。

验证计算结果是否正确：

通过计算各个节点之间的从属关系强弱如表5所示：

表5各个节点之间的从属关系强弱

从属关系置信度{AB->C}0.8682{AB->D}0.7984{C->E}0.6875{C->F}0.675{D->G}0.654{D->H}0.667

从曲线图7中大致可以看出，在层次拓扑图中所处层次越高，k-1，k-2项集支持度越高；在层次拓扑中越相近的两个节点(如AB，BC)，置信度越高；置信度反映了关联规则的强弱，置信度越高从属关系越明显。当两个节点跨层次时(如：AC)，置信度反而下降.当节点在特定协议下组网，那么消息可能会沿着拓扑图中的边向下传递，在时间上形成属于该集群的消息序列集合，由于消息的应答与传递存在一定的概率P，导致了在层次关系上最接近的节点的关联程度Support最高，跨级之间的关联度Support随之减小，这也符合实际作战情况。