机会网络是一种不需要源节点和目标节点之间存在完整链路,利用节点移动带来的相遇机会实现通信的自组织网络,具有网络拓扑时变、节点资源受限、不要求网络全连通等特点,更符合实际环境下的自主组网需求,近年来成为学术界关注的热点。链路预测是机会网络研究的难点,链路预测的目标是根据节点间已知链路及节点的属性,估计节点间链路存在的可能性。有效的链路预测不仅能够挖掘网络节点间的潜在关系,还能进一步分析网络消息传播的规律,为机会网络的上层应用提供支撑。目前,链路预测的研究主要针对拓扑结构变化缓慢的社交网络,集中在单节点对的链路预测。本文针对拓扑变化频繁的机会网络,研究多节点间的链路预测,提出一种基于深度学习的链路预测方法,利用整网拓扑的历史演化信息推断未来局部链路内可能产生的变化趋势:1)数据表征阶段,基于混沌理论确定机会网络的切片时长,采用时间序列分析法对动态过程进行量化,通过分析不同应用场景的特点,寻找机会网络在时间、空间和节点间相关性等不同维度下可能存在的属性,提出采用多维属性综合表征机会网络的方法;2)建模预测阶段,采用模式分类方法对多节点间的未来链路组合进行划分,利用3D卷积神经网络模型,从多维属性中提取影响机会网络局部链路状态的结构特征,依此推断未来链路的演化趋势,实现多节点间的链路预测。本文使用Dartmouth学院的ITC数据集,基于Sklearn和Keras进行实验,采用分类问题中常见的性能指标准确度(Accuracy)、精确度(Precision)以及AUC(Area Under the Receiver Operating Characteristic Curve)评价链路预测效果。实验共分为两部分:1)模型选择,设置了切片时长、帧长度、节点数等不同条件,使用验证集完成预测模型的选择,用以确定最优的3D卷积神经网络(3D-CNN);2)性能对比,使用测试集在3D-CNN和其他基于相似性指标的预测模型进行对比实验,验证3D-CNN的有效性。实验结果表明,与基于CN、AA、RA、Jaccard及Katz等预测方法相比,3D-CNN具有更好的精确性和稳定性。