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。     

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.     

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.     

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。     

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.     

基于网络抗毁性的链路赋权网络节点重要性比较

节点重要性是网络抗毁性分析中的重要内容。在分析现有节点重要性评估方法的基础上,研究了一种链路赋权网络的节点重要性评估方法。该方法既考虑了节点与邻接节点的连接紧密程度,同时也考虑了节点失效后对网络造成的破坏程度。最后通过实例对方法正确性进行了验证。     

基于二项熵和邻域节点间范德华力的关键节点识别方法

对节点重要性进行排序是复杂网络中识别关键节点的一种常用分析方法,分析网络中节点的重要性,有助于深入了解网络特性。在现有方法上为进一步提升节点评估精准度,引入二项熵概念来量化节点在网络中的重要性,通过邻域相似度衡量节点间的相互影响力,同时采用范德华力抽象节点之间的相互作用关系,提出一种基于二项熵和邻域节点间范德华力的关键节点识别方法,该方法从网络的整体信息流和相邻节点之间的位置和交互关系,综合考虑节点的局部和全局特征,并选取3个同类算法通过3个评价指标验证性能优劣,实验结果表明该算法对重要节点的判断具有良好的性能。     

恐怖分子网络中节点重要性评价

如何有效的分析网络中哪些节点最重要,删除哪些节点会对整个网络的结构造成严重破坏,是复杂网络研究的一个基本问题。而对于恐怖分子网络来说,如何正确的定位重要节点的位置,对打击恐怖犯罪具有重要意义。目前的重要性评价方法只能单一的描述节点某一方面的重要性,不能全面的对节点重要性进行评价。本文考虑6种基本的评价指标,采用多属性决策的方法进行综合,得到关于网络节点重要性的一个综合评价,并通过计算机在恐怖分子网络上进行模拟。结果证明,相对于基本的评价指标,多属性决策的评价方法具有更好的优越性和实用性,能更加准确的确定恐怖分子网络中重要节点的位置。     

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.     

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.     

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vi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(MUR),结合图...     

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.     

恐怖网络中基于节点割集分层的组织结构发现方法

“911”等一系列恐怖事件导致越来越多的国家开始重视恐怖组织网络的研究,但社会网络分析中的一些典型度量,如节点的度、介数、接近度等,不能很好地适应具有高度组织性的社会网络.文中针对层次结构性较强的恐怖组织网络,提出了一种新的节点重要性度量,其综合了节点的全局信息与局部信息,利用割集算法对网络节点进行分层获得节点全局信息,局部信息则直接利用了节点的出/入度,并使用BP神经网络方法对综合度量进行参数优化.针对“911”恐怖事件成员网络实际数据的分析结果验证了这种度量的有效性.