在线社会网络中面向节点影响力的信息传播阻断模型

目前信息传播阻断模型是在网络中选择并删除l个最佳节点(边)使信息传播到的节点数量最小,该模型未考虑信息传播节点的影响力,导致选择的l个最佳节点(边)并不准确,阻断有效性较差。针对此问题,该文提出一种面向节点影响力的信息传播阻断模型,并设计了一种基于采样平均近似的求解方法。模型以网络中节点的影响力为有效性依据,通过选择并删除l个最佳节点来改变网络结构,使信息传播到的目标节点影响力之和最小;该模型为随机优化问题,首先利用采样平均近似将目标函数转化为确定性问题,其次进一步编码为混合整数规划问题,最后采用一种量子遗传算法解决该问题得到l个最佳节点并将其删除。仿真结果表明:相比于传统模型,通过本模型选择的l个最佳节点能够将信息传播的影响力控制在更小的范围,且处理时间更短。     

采用影响力节点集扩展的局部社团检测

针对规模化网络中局部社团检测存在的对初始节点位置敏感、拓扑信息难以有效利用问题,提出了一种采用影响力节点集扩展的社团检测(IN-LCD)方法。首先定义了节点的局部影响力指标,通过该指标计算并构造了源节点附近的影响力节点子集,然后从影响力节点子集开始,以迭代更新的方式,进行连续的社团扩张,最后通过节点和社团相似性指标计算,完成整个局部社团的获取。IN-LCD方法从有效利用节点局部信息出发,通过最具影响力节点集合进行社团扩展,有效克服了局部社团检测对初始节点位置敏感的问题。在真实和人工网络数据集上的实验表明,IN-LCD方法与已有的最佳局部社团检测方法相比,识别性能提升了5.3%,更能有效应用于局部信息出发的社团检测场景。     

贝叶斯网络结构学习的双重K2算法

贝叶斯网络源于人们对人工智能领域不确定性问题的研究,是进行不确定问题推理和数据分析的重要工具。结构学习是贝叶斯网络研究的核心内容,K2算法是结构学习的经典算法之一。为解决K2算法学习效果强烈依赖于节点序的问题,本文提出一种新的混合结构学习算法：双重K2算法。该算法首先将节点信息作为初始节点序,通过K2算法的搜索策略得到初始网络结构;然后在初始网络结构上利用拓扑排序得到修正后的节点序;最后K2算法通过修正后的节点序学习得到最优的网络结构。通过实验验证,在精度和效率上,双重K2算法效果优于其它经典算法。     

结合主动学习与关系图卷积神经网络的社交机器人检测

社交机器人一直在应用中不断发展，并且为了逃避现有的检测方法，变得更加先进和复杂，较大地影响了原有部分社交机器人检测方法的效果.检测社交机器人成为了一项漫长而又艰巨的工作.在社交机器人检测领域中，目前存在着已公开相关数据集较少的情况，需要人工标注大量的数据.本文提出了一种结合主动学习与关系图卷积神经网络(RGCN)的检测方法——ALRGCN,用以解决人工标注大量数据成本较高的问题.其主要思路是利用主动学习方法来扩充标记数据集，以最大化人工标注的价值.主动学习利用种子选择算法构建初始训练集以及不确定性采样方法筛选出较高信息熵的样本，交由分类模型进行训练，旨在通过专业人员的经验来人工标注一些分类器难以分类的数据.鉴于社交机器人通常以集群的形式出现，本文引入了RGCN来捕捉其网络结构特征.RGCN可以有效地分析节点及其相邻节点的属性，进而帮助该节点进行分类.实验在TwiBot-20数据集上进行，通过对比进行使用的基线实验，ALRGCN在F1上取得了2.83%的提升.实验结果证明，ALRGCN在标注样本更小的情况下可以更有效地检测出社交机器人.     

基于节点影响力的移动机会网络网关选择算法

移动机会网络中,为使用户快速从因特网获取数据,需要选择某些合适节点担任网关。研究了移动机会网络网关选择问题。提出了两种基于节点影响力的网关选择算法:LRGS和CRGS。实验结果证明,两种基于节点影响力的网关选择算法较之随机选择算法均可使性能得到改善;当网络规模较小时,CRGS性能更优;当网络规模较大时,LRGS的性能更优。同时,所提出的两种算法均有较好的可扩展性。     

基于最优子集的MPR选择算法研究

通过对Ad Hoc网络中最优链路状态路由(Optimized Link State Routing,OLSR)协议的研究,从数学集合的角度来分析MPR(Multi Point Relay,MPR)集选择问题,通过将一跳邻居节点及其所连接的一条邻居节点抽象化为包含子集的集合,计算剩余集合的独立子集生成MPR中继节点,从而找到节点数量最少的MPR集.仿真实验结果表明,该算法降低了网络传输的延时,提高了网络传输的速度.     

基于社交网络的分布式机制设计

人们通过社交关系构成一个庞大的社交网络,网络中的每个节点只能与其周围的节点进行通信,因此当网络中的某个节点进行物品拍卖销售时,在不借助第三方推广的情况下只能邀请其邻居节点参与.中心化机制能使网络中的其他非邻居节点都能参与拍卖,以此可以提高卖家节点的最终收益,然而在该机制中卖家可以轻易地与买家串通,并且买家需要将社交网络结构(买家的私人社交信息)完全透露给卖家,因此网络中的节点没有很强的动机来参与该机制.提出一种分布式的解决方案,可以防止卖家与买家勾结,同时保持网络结构不被泄露.实验证明,该分布式机制保留了传统机制的优点,而且不需要一个可以完全获得网络结构的中心机构来执行该机制.通过模拟实验还发现,在大多数情况下,社交网络越复杂,泄露的隐私信息就越少.     

基于节点重要性的复合免疫策略研究

为有效抑制病毒在网络中扩散,提出一种基于节点度、介数和聚类系数的复合免疫策略,该算法综合计算三类特征量得出节点重要性并免疫重要性高的节点,在人工生成网络和真实农产品供应链网络上分别进行仿真实验,结果表明:实施该复合免疫后网络中感染节点密度值低于同等免疫比例下的度免疫、节点介数免疫和聚类系数免疫策略,具有更高的免疫效率。此外,该复合免疫算法中节点度占比大小会影响免疫效果,存在一个最优的度权值使免疫效果最优。     

引入信任度传递机制的影响力最大化节点挖掘

基于渗流理论的影响力最大化节点识别问题没有考虑信任度传播对影响力最大化的影响。利用非回退矩阵图模型,通过引入节点信任度传递函数刻画影响力传播过程中"信任度递减,不信任度递增"现象,并利用渗流理论求解节点联合传播强度指数来刻画节点影响力大小,采用人工网络数据与真实网络数据集对算法的影响力进行了评估分析,与常用启发式算法进行比较验证算法性能,本文算法性能优于其他启发式基准算法。     

基于节点亲密度的标签传播重叠社区发现算法

针对基于标签传播的重叠社区发现算法中出现的随机性和不稳定性问题,提出了一种新的基于节点亲密度的标签传播算法.首先,利用网络的局部信息,以模块度增量为依据,对网络中节点进行粗聚类,实现对节点的初步划分;然后,定义节点亲密度函数进行标签的更新和选择.在人工和真实网络上对算法进行验证.结果表明,该算法能有效地提高大规模重叠社区检测的准确性和稳定性,并且具有近乎线性的时间复杂度.     

基于MMPC-FPSO 贝叶斯网络混合结构学习方法

针对贝叶斯网络结构学习的过程中网络结构规模随节点数增加呈指数增长,导致网络结构搜索空间增大,进而导致网络结构学习算法效率低下的问题,提出一种基于最大最小父子集合约束与萤火虫粒子群搜索算法的贝叶斯网络混合结构学习方法。首先,针对粒子群算法在解决贝叶斯网络结构学习过程中,随机初始化网络结构种群导致算法搜索效率低下,网络结构准确性低的问题提出一种基于改进的最大最小父子集合算法的种群约束方法。其次,针对传统的基于粒子群评分搜索方法速度慢,精度低,易陷入局部最优的问题,提出一种基于萤火虫算子的粒子寻优策略。最后,为了验证所提方法的正确性和优越性,将上述方法用于3种标准网络的结构学习。仿真结果表明:所提算法与传统的基于粒子群的结构学习方法相比,所得的贝叶斯信息准则评分与标准网络评分的差距分别缩小了68.7%、65.5%、34.1%。     

一种基于主动网络节点的分层管理模型研究

主动网络是一种新型的可编程网络结构,它为用户提供了可编程的接口,使用户可以对网络进行个性化的编程和设置,通过网络中的节点动态地注入所需的服务,但传统的网络管理已不能适应主动网络的管理.本文首先讨论了传统网络管理(NM)中存在的问题,分析了主动网络管理(ANM)体系结构与管理机制,重点讨论了一种基于节点为核心的主动网络分层管理模型,并分析了该模型的结构、管理机制、设计要点和各层关系,说明了此模型能够很好地适用于主动网络的特点和管理的需求.     

能量均衡的间断连接无线网络数据转发策略

针对间断连接无线网络中节点负载不均衡和能量资源受限的问题,提出了一种能量有效的数据转发策略.该策略根据网络运行的历史相遇信息,充分考虑网络特性,以分布式方式估计节点的活跃度、剩余能量和数据转发率,准确地估计节点效用值,感知网络节点的服务能力,以帕累托最优作为自适应选择最佳下一跳中继节点的理论依据,执行数据转发操作,有效地解决了由于节点自私性所导致的网络性能下降.数值结果表明,与其他能量管理机制相比,所提出的机制能够均衡网络节点负载,有效解决网络"热点"问题,延长网络生存时间,使投递率、时延等系统性能都得到大幅度提升.     

基于邻域信息的网络结构表示学习

针对传统网络表示学习方法无法学习节点网络结构相关性的问题, 提出一种基于邻域信息的网络结构表示学习模型. 该模型首先定义基于邻域信息的节点间结构相似度计算方法, 对不同邻域范围内节点间结构相似度建模； 其次构建深层自编码器, 将节点结构相似度作为监督信息优化网络表示, 在网络嵌入过程中学习节点结构信息. 与node2vec,SDNE,struc2vec三种相关算法进行对比的实验结果表明, 该方法有更好的网络结构识别能力, 能学习到节点间的结构相关性, 所得到的网络表示能适用于角色识别相关任务. 此外, 跨网络分类实验结果还体现了该方法在迁移学习方面的潜力.     

移动无线传感器网络中分布式重聚类算法研究

移动无线传感器网络中,节点的移动性影响着层次化聚类之后的网络结构,从而影响聚类内部节点间通信时的数据送达率与能耗.为了降低节点移动性的影响,本文提出了一种分布式重聚类算法.该算法基于已聚类网络,利用粒子滤波算法对节点当前位置进行估计,并结合移动模型预测下一时刻位置;处于聚类边界的非簇头节点周期性地评估自身是否需要重聚类,并在需要时通过与所属聚类及目标聚类的簇头节点通信,将自身重聚类到目标聚类中.仿真结果表明,在重聚类周期较小时,该算法能够使节点在移动过程中保持合理的通信距离,并在数据送达率与能耗方面优于现有的算法.     

改进的遗传谐振匹配网络学习算法

针对简单自适应匹配（SFAM）网络结构冗余的问题提出一种改进遗传谐振匹配网络学习算法.通过引入群体适应度均值和标准差来自适应调整交叉概率和变异概率;针对自适应谐振网络自身在训练过程中可能出现的类冗余问题,在遗传操作中引入裁剪算子,通过定义置信度因子依据规则对训练过程中网络可能出现的冗余类标志节点进行删除,降低网络结构的...     

K2与模拟退火相结合的贝叶斯网络结构学习

针对基于模拟退火的贝叶斯网络结构学习算法由于模型扰动方式遍历模型空间的能力不足,往往不能获得全局最优网络结构的问题,将K2算法与模拟退火算法相结合,提出了一种改进的贝叶斯网络结构学习算法.算法通过随机交换当前节点序中2个节点的位置以产生新的节点序,再利用K2算法学习获得贝叶斯网络结构,作为模拟退火算法中的新状态,以达到提高模型全局扰动能力的目的.算法记录了在模拟退火过程中遇到过的最优网络结构,并在模拟退火过程结束后再利用爬山法对其作进一步优化.对Asia网的仿真学习结果表明:在样本量较为充足的情况下,所提算法能够获得近似全局最优的网络结构,具有较好的学习效果,但算法的效率略显不足.     

基于软件定义网多参数排序的控制器部署研究

合理选择软件定义网络(Software Defined Network,SDN)的节点部署控制器,将有效的提高整个网络性能。本文引入节点的介数中心性和节点的可靠性作为参数,建立节点和参数的矩阵,对矩阵参数进行规范化,依据有序加权算子对参数进行排序,从中找到部署控制器的最优节点。最后,与基于网络拓扑中心性方法对比了控制信息传播时间。结果表明,多参数选择控制器的部署节点,将有效的降低控制路径传播时延,提升SDN的网络性能。     

面向移动节点不确定性特征的自组网路由协议

为了在资源有限的移动Ad Hoc网络环境中提高网络能量效率、延长网络存活寿命,提出了一种面向移动节点不确定性特征的自组网路由协议.根据信息熵的相关理论,从移动节点的邻居节点集合的取值空间和取值空间中各邻居节点集合成员的具体分布来度量节点的不确定性,从统计和行为上对无线移动节点的动态特性进行刻画.对路由表项进行了扩展,增加了路由稳定性测度值域,以适用节点记录其到达路由请求分组源节点的路由稳定性测度信息.仿真结果表明,所提协议能够有效提高移动Ad Hoc网络的分组递交成功率和端到端分组延迟等性能,降低频繁路由重建和维护操作所产生的控制负载开销和能量消耗.     

一种基于集合运算的MPR集选择算法

在传统的OLSR协议中有MPR集和非MPR集2种转发节点.MPR集是在广播洪泛的过程中挑选的转发广播的节点,但在某些情况下传统的MPR集并不是最优的,这样网络节点也会转发不必要的数据,造成资源浪费.针对经典算法的不足之处,提出一种逆向思维的新型算法,通过循环和集合运算相结合的方法有效剔除无效冗余的节点,不仅能达到传统OLSR协议的效果,而且比传统OSLR协议的数据开销更小、效率更高.最后,通过仿真平台(OPNET)实现重新定义OLSR的MPR集算法.结果表明,该算法对于网络吞吐量、数据包传输时延有一定的提升.