[论文解读] Tensor-Based Link Prediction in Intermittently Connected Wireless Networks

Mohamed-Haykel Zayani, Vincent Gauthier+2 more|arXiv (Cornell University)|Aug 12, 2011

Opportunistic and Delay-Tolerant Networks参考文献 28被引用 3

一句话总结

该论文提出了一种基于张量的间歇性连接无线网络（DTNs）链路预测方法，将节点的时空行为建模为三阶张量，通过Katz度量计算相似性。该方法在真实移动性轨迹上表现出高预测准确率，即使仅使用本地两跳信息进行分布式计算，性能依然强劲。

ABSTRACT

Through several studies, it has been highlighted that mobility patterns in mobile networks are driven by human behaviors. This effect has been particularly observed in intermittently connected networks like DTN (Delay Tolerant Networks). Given that common social intentions generate similar human behavior, it is relevant to exploit this knowledge in the network protocols design, e.g. to identify the closeness degree between two nodes. In this paper, we propose a temporal link prediction technique for DTN which quantifies the behavior similarity between each pair of nodes and makes use of it to predict future links. Our prediction method keeps track of the spatio-temporal aspects of nodes behaviors organized as a third-order tensor that aims to records the evolution of the network topology. After collapsing the tensor information, we compute the degree of similarity for each pair of nodes using the Katz measure. This metric gives us an indication on the link occurrence between two nodes relying on their closeness. We show the efficiency of this method by applying it on three mobility traces: two real traces and one synthetic trace. Through several simulations, we demonstrate the effectiveness of the technique regarding another approach based on a similarity metric used in DTN. The validity of this method is proven when the computation of score is made in a distributed way (i.e. with local information). We attest that the tensor-based technique is effective for temporal link prediction applied to the intermittently connected networks. Furthermore, we think that this technique can go beyond the realm of DTN and we believe this can be further applied on every case of figure in which there is a need to derive the underlying social structure of a network of mobile users.

研究动机与目标

• 通过利用受社交意图驱动的人类移动模式，提升延迟容忍网络（DTNs）中的链路预测性能。
• 使用随时间演化的张量结构建模间歇性连接网络的动态拓扑，捕捉时空交互特征。
• 通过Katz度量量化节点行为相似性，基于历史接触模式预测未来链路出现。
• 在集中式与分布式部署场景下评估该方法性能，尤其在信息交换受限条件下。
• 证明由相关移动模式导出的社会行为相似性是未来网络连接的强有力预测因子。

提出的方法

• 从按时间排序的邻接矩阵构建三阶张量，表示在T个时间周期内节点间的接触，编码时空网络拓扑。
• 将张量压缩以提取每对节点的结构信息，实现其随时间的行为模式比较。
• 应用Katz度量计算每对节点之间的相似性得分，得分越高表示行为相关性越强，未来接触的可能性越大。
• 利用Katz度量捕捉通过不同长度路径的直接与间接连接的特性，反映社会亲密度。
• 以分布式方式实现预测算法，每个节点仅使用本地知识（最多两跳邻居）计算自身的预测得分。
• 将所提出的基于张量的方法与仅基于偏好位置的基线相似性度量进行对比，后者不考虑时间相关性。

实验结果

研究问题

• RQ1 将节点行为建模为时空接触的张量，是否能相比传统相似性度量提升DTNs中的链路预测准确率？
• RQ2 该基于张量的预测方法在真实移动性轨迹、合成轨迹及不同时间窗大小下的性能表现如何？
• RQ3 在仅使用本地两跳信息、缺乏全局网络知识的情况下，链路预测在多大程度上可有效实现？
• RQ4 通过张量模型引入接触模式的时间相关性，与仅依赖空间偏好（如偏好位置）的方法相比，表现如何？
• RQ5 网络结构因素（如多跳与单跳知识）对预测性能（以AUC和前K名得分比衡量）有何影响？

主要发现

• 该张量方法在真实移动性轨迹（达特茅斯与MIT校园）上实现了高预测准确率，AUC值始终高于0.85，且在有利条件下T+1时刻的前K名得分比超过0.75。
• 该方法在真实轨迹上的表现优于合成轨迹（TVC模型），后者因缺乏社会相关性导致AUC值低于0.6，且前K名得分比表现较差。
• 在分布式设置中，性能依然强劲：该方法的AUC值与前K名得分比与集中式版本相当，验证了其可扩展性与实用性。
• 通过张量模型引入时间相关性显著优于仅基于位置相似性的基线方法，表现为更高的AUC值与更优的前K名得分比。
• 对完全新出现、训练数据中未观测到的链路（即全新链路）的预测不准确，AUC值低于0.5，前K名得分比接近零，表明该方法依赖于历史行为模式。
• 在真实轨迹上，更短的张量时间窗（记录周期更少）表现更优，表明近期行为比长期历史数据更具预测性。