认知网络是由大量具有感知、数据处理和通信能力的智能节点组成的网络,并且通过智能节点之间的协作,实现对网络环境的感知,根据用户需求做出相应的行为决策和资源配置,从而优化整个网络的性能和服务质量。由于认知网络具有智能性、自适应性、自管理性等特点,在社会服务、军事通信、环境保护、智能交通、灾害预测及救援等领域有着广阔的应用前景。认知网络能够获取网络状态和行为信息,通过智能学习和推理等机制对网络状态和行为信息进行分析预测,针对用户和应用的需求目标做出行为决策,从而优化网络性能,提供优质的网络服务。目前人类的社会生活与网络服务密切结合,由此而产生的社群智能系统为社会化服务提供了技术支撑。认知网络的系统架构和设计思想为社群智能系统提供了有效的网络模型,同时能够为社群智能的应用系统提供技术和部署方案。本文在认知网络的思想和架构下,结合社群智能系统的应用背景,以实现认知网络自适应的路由机制和认知网络社会化应用中的数据服务业务为目标,感知网络状态信息和用户行为参数,采用学习和推理机制中的数学模型、人工智能算法、运筹学中的经典理论和方法对环境感知信息进行分析和预测,在此基础上研究适合于认知网络应用系统的路由算法、数据转发机制以及相关关键技术。首先,设计具有流量预测功能的认知网络系统,构建了适用于认知网络的流量预测模型。本文基于流量预测模型-MMSE,提出了一种最小流量负载路由算法(Minimum Workload Routing Algorithm,MWR),该算法选择路由路径上每条流量负载不超过阈值的链路,从而确定最轻流量负载路径进行分组传输。进一步对MWR算法进行扩展,提出了自适应的流量预测路由算法(Adaptive Traffic Prediction Routing Algorithm,ATPRA),考虑网络流量负载和最短路径两个网络行为参数进行路由选择。认知网络具有动态响应的能力,能够对突发网络事件和资源动态变化采取相应的措施,从而保证端到端的用户服务质量。本文提出了一种有效的流量感知的多路径路由算法(Efficient Traffic Aware Multi-path Routing,ETAMR)考虑链路流量分布、节点负载和最短路径,建立主路径的同时还选择若干备选路径,依据网络的实时流量负载变化情况触发备选路径。该算法对于网络拥塞或链路失效等突发状况进行预测和防范,是一种具有良好负载均衡机制的路由算法。仿真结果表明,本文提出的三种认知网络算法在传输延迟,丢包率和负载均衡方面具有较好的性能。其次,将认知网络技术应用到基于社群智能的机会网络中,研究移动节点的位置预测问题,提出了一种基于社会关系的移动节点位置预测算法(Social-relationship-based Mobile node Location Prediction algorithm,SMLP)。该算法基于位置对应用场景进行建模,通过节点的移动规律挖掘节点之间的社会关系。SMLP算法以马尔可夫模型为基础对节点的移动性进行初步预测,然后利用与其社会关系较强的其他节点的位置对该节点的预测结果进行修正。SMLP算法基于马尔可夫模型和加权马尔可夫模型进行了优化,分别提出了SMLP和SMLPN两种算法实现。最后基于真实数据集对算法进行仿真实验,实验结果表明,SMLP比马尔可夫模型具有更高的预测精确度,SMLPN与SMLP相比有了更大程度的性能提升,并且在时间复杂度和空间复杂度上优于2阶马尔可夫模型。然后,针对机会认知网络中移动节点需要依靠相遇机会完成数据的转发,从而实现数据分发服务的问题,提出了三种适用于不同机会认知网络环境的数据分发机制。基于蚁群优化的数据分发算法(Ant Colony Optimization based DAta dissemination,ACODAD)适用于全分布式的机会认知网络环境,通过蚁群优化机制建立移动节点亲密度模型来解决数据分发问题。该机制采用基于蚁群优化的认知启发式技术,设计机会认知网络中以自适应性数据转发为基础的数据分发方案。基于位置预测的数据分发算法(LOcation Prediction based DAta Dissemination,LOPDAD)和基于位置预测的群体智能数据分发算法(LOcation-Prediction and Swarm-Intelligence based data dissemination, LOPSI)适用于集中式和分布式混合的机会认知网络系统。LOPDAD通过预测移动节点的位置状态进行转发概率计算,完成数据分发。LOPSI是一种概率路由算法,有机的结合位置预测算法和蚁群优化机制。该算法首先预测相遇节点和目的节点在未来时间序列中的位置状态,然后比较相遇节点与目的节点的亲密度,依据节点与目的节点的亲密度和移动位置预测完成数据分发。同时三种算法都考虑移动节点的缓存管理,保证整个网络的运行效率和生命周期。仿真部署的地理模型采用真实的校园场景,本文提出的算法在传输开销、传输成功率、平均跳数以及传输延迟方面达到良好的性能。最后,机会认知网络在社群智能应用系统中提供的数据采集和数据分发服务,需要节点持续的参与才能够完成,同时还要保证服务的可靠性。参与节点消耗自身资源完成网络数据服务,因此需要相应的激励机制才能保证节点参与的积极性和持续性。本文针对上述问题提供解决方案,提出了基于声望的用户激励机制(Reputation-based Participate Incentive Algorithm,RBPIA)。RBPIA模型从数据可靠性和竞标可靠性两方面构建参与者的声望模型,在此基础上建立激励机制使机会认知系统保持充足的具有声望的参与者持续提供服务,同时减少系统激励开销。仿真实验在不同场景下对RBPIA算法进行了性能评估,结果显示,RBPIA算法明显的增加了有声望的用户参与系统服务的数量,保证充足数量的用户为系统实现可靠的服务,同时减少了系统的激励开销。在RBPIA激励机制的基础上,本文还设计了基于RBPIA的数据分发策略,保证机会认知网络中可靠的数据分发服务。