时序超网络上重要节点挖掘方法研究

在如何识别时序超网络上的重要节点方面取得了一定的进展。定义了该类网络上度量节点重要性程度的8个中心性方法及随机移除节点的基线方法，分别侧重于网络不同的拓扑结构性质和时间特征，从多个角度综合考虑了该类网络上节点的重要性。同时，构建了时序超网络上的SI传播模型，基于该模型提出了新的评估方法来衡量所提出的中心性方法的有效性。研究表明，在时序超网络上，基于最快到达路径的介数中心性方法是评价该类网络上节点重要性的良好指标。此外，基于时间分辨率的度和超度中心性方法通过寻找网络的最佳时间分辨率，可以进一步优化普通的度和超度中心性方法，弥补了普通方法不能有效考虑网络时间信息的缺点，且在多个真实网络上表现出与介数中心性方法相当的性能。     

基于精准k核的复杂网络节点重要性评估方法

由于k核存在破坏网络整体结构信息、忽略邻居节点影响力等缺点,导致每个节点难以量化区分.为了提高关键节点的识别精度,首先改进了k核的分解过程,提出了精准k核Ak.考虑到网络中局部特征信息和全局结构信息对节点的影响,将精准k核应用到重力中心性中,并提出了精准重力中心性AGC.信息学中的香农熵在网络关键节点识上具有良好的扩展性,通过结合邻域度中心性、邻域精准k核以及精准重力中心性三者的香农熵,最终提出了混合中心性MC对节点重要性进行多元评估.在7种真实网络下,对MC和其他节点评估指标分别从单调性和准确性上进行了一系列实验,实验结果表明MC具有更好的关键节点识别性能.     

一种基于邻居节点和边的复杂网络节点排序方法——NL中心性算法

提出了一种基于邻居节点和边的多属性排序方法——NL中心性算法，该算法不仅使用邻居节点和次邻居节点的个数进一步区分了节点的位置，而且还考虑了边对节点重要性的影响。实验结果表明，NL中心性算法在准确性及运行效率方面都优于其他中心性算法。     

大型软件网络的节点重要性度量方法研究

互联网是现代人们日常生活的重要组成部分,计算机软件更是推动现代互联网发展的重要力量。计算机软件网络也是复杂网络的一部分,因此通过识别计算机软件网络中的重要节点来提升软件网络的抗毁性显得尤为重要。针对大型软件网络的节点重要性进行了研究,提出了一种基于网络节点的局部特征和全局特性的节点重要性度量方法,并将节点重要性的度量方法用于大型软件网络鲁棒性的研究。该方法依据各节点重要性与节点自身及以邻接节点的度以及节点的度中心性之间的联系对节点的重要性进行评估,评估结果用于反映软件网络的鲁棒性。实验结果表明:该方法能够细致的描述网络中各节点之间存在的差异性,适用于大型软件网络的节点重要性度量,尤其适用于应用型软件网络。     

互联网AS级拓扑中心化度量方法

针对如何能够在规模庞大、结构复杂的互联网AS级中准确而迅速地发现中心节点这一问题,展开对互联网AS级拓扑中心化度量方法的研究.应用三种现在普遍应用的中心化指标——度中心化、紧密度中心化、介数中心化,同时提出一种核中心化的度量法来度量网络中的高核数节点集合.采用节点删除法,通过删除某个节点对网络连通的破坏程度来度量网络中该节点的重要性.经研究发现紧密度中心化在互联网AS级度量上弱于度中心化和介数中心化指标;度中心化和介数中心化在攻击节点数小于0.5%时,有很强的相似性;核中心化度量方法非常适用于查找到网络中度值较高且连接紧密节点所构成的社团.     

基于网络性能变化梯度的通信网络节点重要程度评价方法

针对已有的通信网络节点重要程度评价方法基于网络中可替换路由数目,不能评估网络被分割时网络中节点的重要性的不足,提出了一种利用网络性能变化梯度的通信网络节点重要性评价方法.该方法通过计算网络中的节点被移除时网络直径和网络连通度变化梯度来评估网络中节点的重要性.利用该算法对美国ARPA网络的节点重要程度进行了分析,并与基于可替换路由数目的算法进行了比较.实验结果表明,该文提出的节点重要程度评价指标准确地反映了节点对网络性能影响的大小,并且适用于网络被分割或网络没有被分割2种情况.     

节点删除法的虚拟网络映射算法

虚拟网络映射是虚拟网络研究的关键内容,传统的贪婪算法在映射成功率和降低网络负载方面存在不足.将系统科学研究方法引入到虚拟网映射中,提出一种基于节点删除法的虚拟网络映射算法,根据节点删除对网络连通的影响程度来对网络节点进行排序,同时不断更新节点的状态,优先选择空闲节点进行资源分配.仿真实验表明,该文算法不仅能提高映射成功率,同时也能显著提升网络负载的均衡性能.     

多跳传感器网络中基于能量感知的机会路由算法

针对传感器节点能量有限的问题,综合考虑链路质量和能量提出一种新的路由度量标准,并基于此路由度量标准,提出一种候选集选择算法和节点协调机制.仿真实验验证了该能量感知机会路由(ETOE)的有效性,相比于传统的机会路由,ETOE可获得更好的网络性能.     

一类变幂率的无标度网络模型构建和分析

依据网络中节点的局域特征,提出了一种简单的节点重要性的度量方法.其主要原则是网络中节点的重要性不但与节点本身的度具有一定的关系,而且与节点的邻居节点的度也存在一定的关联.实验结果表明:该方法能够在不了解网络全局拓扑架构的基础上,比较细致地描述网络中各节点之间的差异性,而且算法时间复杂度仅为o(m+n),因此对于大型复杂网络也可以获得理想的计算能力.     

基于多属性决策的关键蛋白质识别算法研究

关键蛋白质往往通过蛋白质复合物的形式在生物生命活动中扮演着重要作用,在蛋白质互作用(PPI,Protein-Protein Interaction)网络中关键蛋白质对应互作用网络中的重要节点,基于此,提出了一种融合蛋白质拓扑结构属性信息和蛋白质复合物信息的基于多属性决策的关键蛋白质识别算法CBT-Topsis(Topsis based method for Essential Protein Identification on Complex Biological and Topological properties)。该算法采用多属性决策方法TOPSIS将节点局部重要性(LN)、聚集系数(CC)、点介数(BC)和蛋白质复合物内度中心(IDC)进行融合,根据节点重要性对PPI网络中的蛋白质进行排序。在酿酒酵母蛋白质互作用网络中进行关键蛋白质识别的结果表明,CBTTOPSIS算法在F度量、准确率、特异性、敏感度等方面表现了良好的性能。     

基于GCN的复杂网络关键节点识别研究

准确识别出网络中的关键节点是复杂网络研究的重要内容之一.现存的关键节点识别方法多数是基于网络结构提出的中心性度量方法,识别准确率低且适用范围具有局限性.因此本文提出了基于图卷积网络的关键节点识别方法,不仅考虑了节点属性,还考虑了网络结构和邻居节点结构.首先,根据网络图例数据提取多维度特征并构建特征向量;其次,将节点特征向量输入到GCN层学习;最后,通过回归损失函数计算出最小损失,识别出关键节点.本文选取传播动力学中的SIR模拟实验和牵制控制实验作为评价方式,在不同类型的真实网络上进行验证.结果表明本文提出的方法在适用范围和准确率方面较其他方法更具优势.     

一种通信网络节点重要性的计算公式

针对基于节点的移除可能导致网络拓扑结构变化的不足,提出了一种确定通信网络节点重要性的评价公式.该公式综合考虑了节点在网络中的全局性影响,能精确地评价网络节点重要性,尤其对解决卫星网络的节点重要性评价方面.该计算公式定义了网络中节点重要性取决于该节点在网络中的位置信息和其他节点对该节点的贡献度.节点的位置由节点介数确定,其他节点对该节点的贡献度与其他节点的介数及紧密度相关.利用该公式对典型网络的节点重要性进行分析,并与其他评价方法进行对比,结果表明,该公式能精确并正确评价节点对网络的控制能力.     

A new method for identifying influential nodes and important edges in complex networks

The identification of the influential nodes in a network is of great significance for understanding the features of the network and controlling the complexity of networks in society and in biology. In this paper, we propose a novel centrality measure for a node by considering the importance of edges and compare the performance of this method with existing seven topological-based ranking methods on the Susceptible-Infected-Recovered (SIR) model. The simulation results for four different types of real networks show that the proposed method is robust and exhibits excellent performance in identifying the most influential nodes when spreading starting from both single origin and multipleorigins simultaneously.     

基于度与H指数扩展的复杂网络节点排序方法

在复杂网络中常用的识别节点影响力的中心性指标有介数中心性、度中心性、紧密中心性、H指数中心性和K-shell中心性等,这些指标在识别有影响力的节点时存在一定的局限性.本文在H指数中心性与度中心性的基础上提出了局部DH指数中心性指标来识别网络中有影响力的节点,该指标考虑了节点自身的度与H指数以及邻居节点的H指数.通过SIR传播模型以及单调函数(M)两种方法评价了各中心性方法识别网络中节点影响力的有效性.实验结果分析表明,在一些网络中该指标较一些常用的中心性方法能够更有效地识别网络中节点的影响力.     

基于邻介熵和邻度熵的复杂网络中心性算法

识别复杂网络的重要节点是复杂网络研究的关键点,也是网络稳定性判定的重要理论基础.常用的识别节点影响力的中心性指标有介数中心性、度中心性、特征向量中心性和K-core 中心性等,这些指标在识别重要节点时存在一定的局限性.为了解决以上问题,将节点v_i的邻居节点集划分成关联邻居节点集(MR)和非关联邻居节点集(M_UR),结合图的信息熵以及节点的介数中心性和度中心性,提出新的中心性指标,即基于邻介熵(NBE)和邻度熵(NDE)的关联邻居中心性RNC 和非关联邻居中心性URNC.实验通过动态攻击来评估新的中心性指标在一个实验网络模型和五个真实网络上的效率,结果表明,新的中心性比传统的中心性具有更高的识别重要节点的效率.     

基于复杂性理论的军事通信网络中心化方法比较

 复杂网络的中心化有助于发现复杂网络中的重要节点,具有重要的应用价值。本文介绍了中心化指标的验证条件,讨论了常用的度中心、偏心率中心、邻近中心、子图中心和信息中心5种中心化方法,并以某一具体的军事通信网络为例进行了实例仿真应用。仿真结果显示,不同方法下得到的网络中心节点不同,反映出各种中心化方法侧重点的差异。分析表明,在实际网络中单一方法不能准确反映网络的重要节点;对于复杂网络的中心化问题,应结合具体应用背景,综合考虑几种中心化方法。     

基于图论的中国高铁网节点中心性进化研究

为了研究中国高铁网节点中心性及其进化情况,针对中国高铁2017年底、2020年初的分布情况及国家高铁网八纵八横规划(2035年)分别构建了基于图论的中国高铁网.通过对交通网节点中心性评估算法的分析,提出了中国高铁网重要节点的评估方法.通过仿真实验分析了不同参数组合得到的结果,并据此分别确定了不同时段(2017、2020、2035)的重要节点Top20,对这些节点中心性的进化过程进行对比,分析了部分重要节点排名波动的原因.     

基于节点重要度动态评估的复杂网络级联失效分析

级联失效前的评估和检测是预防和控制级联失效现象的关键,对充分把握整个网络系统的稳定运行至关重要。为深入探究级联失效传播过程的内在机理,提出一种考虑网络动态特性的节点重要度评估模型;在此基础上,采用一种更符合真实复杂系统的非线性容量负载模型,利用该模型进行不同攻击策略下的级联失效仿真,以网络的最大连通子图比例为测度量化网络抵御级联失效的抗毁性,仿真结果表明,节点41所在的广安市与节点55所在的重庆市,无论是在静态节点重要度评估,还是动态节点重要度评估下,均是成渝铁路网络中最关键的节点;此外,不考虑级联失效情况下,在网络的静态拓扑结构中,节点的度中心性更能代表节点的关键程度;而在动态的网络拓扑结构中,节点的介数中心性更能代表节点的重要性,与度值攻击相比,采用重要度攻击策略能以更快的速度击溃网络;考虑级联失效情况下,与其他攻击策略比较,采用重要度攻击策略时,在级联失效的作用下,仅攻击2个节点,网络便会迅速崩溃,验证了节点重要度动态评估模型的有效性;同时探讨了网络在不同模型参数下抵御级联失效的抗毁性,实验结果表明,在一定范围内提高负载系数、容量系数可以有效提高网络抵制级联失效的抗毁性;受网络拓扑结构和攻击策略的影响,需设置较大的节点容量,来预防网络的级联失效。