多重异质网络(Multiplex Heterogeneous Networks,MHEN)是一种包含多类型节点连边的复杂网络,在现实世界中广泛存在,如一群用户之间的不同社交关系构成的网络、城市之间不同交通方式构成的交通网络等。节点重要度评估是复杂网络分析的基本问题之一,在理解复杂网络动力学行为和控制网络中信息传播等方面应用广泛。多重异质网络能够很好地描述节点间的关系,但其多类型的连边给节点重要度评估问题带来挑战。论文针对单类型节点、多类型连边的多重异质网络,提出一种基于图嵌入的节点重要度评估方法(Multiplex Graph Embedding Centrality,MGEC)。通过分析多重异质网络不同类型连边间的相互影响,提出带重启的跨层随机游走算法(Cross Layers-Random Walk with Restart,CL-RWR),为节点采样层内邻居节点和异层邻居节点;采用节点中心性指标构建节点特征矩阵,利用池化操作聚合节点的层内邻居特征,采用注意力机制聚合节点的异层邻居特征;为增强模型的拟合能力,将聚合后的特征输入多层感知机进行非线性变换;采用负采样技术,基于正负样本对比学习完成模型训练,得到节点的嵌入向量;利用节点嵌入向量的欧式距离描述节点间关系的远近,结合多重异质网络下的k-shell算法计算节点的重要度得分,完成多重异质网络下的节点重要度评估。本文实验选取网络规模不同的4个数据集Vickers、Lazega、CkM以及Celegans,采用SIR模型和归一化折扣累计增益损失评价节点在网络中的信息传播能力,利用网络连通节点对数量评价节点的网络鲁棒性价值。将本文方法与多重度中心性、多重介数中心性、多重证据中心性以及有偏页面排序进行对比,实验结果表明,本文方法具有更优的评估准确性。
近年来,随着复杂系统以及复杂网络的迅速发展,作为一门新兴的交叉型学科,网络科学引起了各领域内不同学者的广泛关注,然而现实网络是综合性的网络,具有大数据、复杂性、随机性以及社区性等特性,传统的复杂网络并不能很好的模拟规模大、节点和边的数量多、多维、多属性以及多准则的现实场景,因此,超网络应运而生。目前对超网络的研究尚处于发展阶段,近期超网络关键节点的识别问题逐渐被重视起来,研究超网络中的关键节点对更加清晰的认识超网络、研究超网络的拓扑结构及功能特性都具有重要的理论及实际应用价值。本文针对超网络关键节点识别方法及应用展开讨论,本文的内容主要包括以下两部分:(1)本文首次将基于复杂网络位置思想的k-shell指标扩展到超网络中,避免了超网络中超度较大、但位于超网络边缘位置的节点对挖掘关键节点时带来的影响。由于k-shell方法自身的局限性,导致节点的排序结果过于粗糙。针对这一问题,本文结合超度和k-shell(ks)值利用欧式距离公式提出识别超网络关键节点的Cksd(Complex k-shell and degree)指标,并利用在线基因必需性数据库中的蛋白复合物数据集进行验证。实验证明,Cksd指标能够准确有效的识别超网络中的关键节点。(2)本文基于超图理论及性质,提出超图中的邻接结构熵识别超网络中的关键节点,该方法通过研究节点及其直接与间接节点间的关系,利用节点信息熵刻画不同节点在超网络中的重要性。其优势在于我们不仅考虑了超网络中节点自身的性质,也融合了邻居节点的影响力,且由于该算法只利用节点的局部属性,故其复杂度较低。并通过对科研合作超网络进行的实证分析,结果表明邻接结构熵能够准确有效的识别超网络中的关键节点。本文旨在研究超网络关键节点的识别算法,提出了基于k-shell的超网络关键节点识别算法和基于邻接结构熵的超网络关键节点识别算法。经实验结果表明,两种算法均能较好的识别超网络中的关键节点,为今后研究超网络中的关键节点以及研究超网络的拓扑结构提供一定的借鉴和参考。
图匹配问题研究了如何在数据图中找到所有给定的查询图结构。无论是在化学研究领域,还是在生物学领域,甚至在淘宝交易风险控制和异常场景检测中,一个有效的图匹配算法将会发挥巨大的作用。图匹配问题是一个典型的NP完全问题,随着数据规模指数级的增长,如何在计算机内存有限的条件下加快图匹配过程,减少匹配算法运行时间,是对研究者们提出的挑战。针对上述问题,本文完成了以下工作:首先,将蒙特卡洛以频数表达概率估计值的思想应用到图匹配算法中,分析了图匹配过程中的概率问题,使用采样频数估计的概率来描述节点度的分布规律。其次,使用k-shell算法对数据图进行初步处理,将邻居节点看做一组离散的量,使用BLB(Bag of Little Bootstraps)采样方法,把样本中位数的均值作为感兴趣的估计量,并根据样本与该均值的距离升序排列邻居节点,结合节点度大小、属性标签和邻域标签频率滤波器(NLF滤波器)等过滤手段筛选并形成节点候选集合。再次,定义没有被串联到匹配顺序中的查询图节点为孤独节点,将其加入到搜索顺序中最大索引的邻居节点的后一位形成匹配顺序。根据部分等价思想定义了相似节点概念,利用相似节点替代匹配成功的节点,实现对匹配结果的扩充。最终完成整个图匹配过程。最后,基于ego-Facebook数据集和HUMAN数据集对上述算法进行了实验对比和验证。
社交物联网范例的提出为下一代物联网的发展揭开了新的道路,但同时也带来了新的安全隐患,网内节点之间充分开放的合作关系给恶意对象发动攻击提供了更好的契机,其内含的社会属性加剧了病毒对网络的危害,因此分析病毒的传播特性及影响病毒传播的核心因素至关重要。综合考虑社交物联网中智能设备的传播能力差异和对病毒的判别能力差异,本文的研究主要包含以下几个方面:(1)针对社交物联网中智能设备的传播能力差异,本文介绍了两种计算智能设备传播能力的方案。第一种方案为一种改进的k-shell分解算法,一个节点的传播能力强弱应由其在网络中的拓扑位置和其邻居节点的传播能力共同决定,这个改进的k-shell算法不仅考虑节点自身所在核数和删除顺序对传播能力的影响,而且考虑各类邻居节点的数量和邻居节点的传播能力对传播的贡献。第二种方案为一种以证据理论和k-shell算法为基础的Dks-HN算法来计算节点的传播能力,这个算法利用证据理论的组合规则融合节点自身的直接影响以及一跳邻居的间接影响力。(2)设备辨别能力差异直接影响病毒被激活的概率,本文介绍了两种计算智能设备辨别能力的方案。第一种方案综合考虑多种影响因素,并根据社会学理论将智能设备对病毒的判别能力分为理性辨别和非理性辨别两类,其中理性辨别的计算借助PageRank算法的思想实现。第二种方案是一种基于社会层次理论和非负矩阵的三维分解方法的Pvius方法,每一个智能设备都可以通过使用Pvirus识别其与其他设备的信任关系,从而可以预测在设备中潜伏的病毒被激活的概率。(3)将针对物联网社交属性的方案进行整合,本文首先提出一种基于智能设备传播能力和辨别能力的病毒传播模型(Ignorant-Diffuse-Exposed-Discriminant-Spread-Recover,IDEDSR)。IDEDSR 分别采用 Dks-HN 算法和Pvirus方法来计算设备的传播能力和辨别能力。并用真实的数据集来构建具有社交意识的物联网。详实的实验结果表明IDEDSR在设计和性能上更合理。IDEDSR在控制病毒传播方面比其他5个模型表现得更好。本文还提出IoT-VSI(IoT-virus with dis-semination capacity and discriminant ability)模型,该模型采用改进的k-shell算法来评估节点的传播能力,并采用计算辨别能力的第一种方案。本文利用平均场方程来分析IoT-VSI模型的动力学特征,以及各因素对病毒传播的影响,并对病毒传播的规模和传播阈值进行推导。
暂无评论