基于边扩散性K‑truss分解方法的网络重要节点识别方法技术

本发明专利技术公开了基于边扩散性K‑truss分解方法的网络重要节点识别方法，包括步骤1：计算网络G中每条边的支持度SD(eij)和对信息的扩散能力DD(eij)；步骤2：依据边的支持度和扩散能力重新定义边的支持度SD

【技术实现步骤摘要】
基于边扩散性K-truss分解方法的网络重要节点识别方法
本专利技术涉及基于边扩散性K-truss分解方法的网络重要节点识别方法，属于复杂网络中影响力节点发现方法

技术介绍
随着信息技术的快速发展，人类的生活环境也更加网络化，例如与人与人交流的在线社交网络、通信网络、科研合作网络；与生活密切相关的因特网、交通网络、电力网络；与人自身相关的新陈代谢网络、神经网络等等。节点作为网络必不可少的组成部分具有非常重要的作用，对关键节点进行识别和保护有助于提高网络的鲁棒性，从而设计出高效的系统结构。具体来讲，在准确地评估出节点重要性之后，通过对关键节点进行一些操作可以达到一定的目的。一方面，通过加强对关键节点的保护能够有效地提高网络的可靠性和抗毁性。例如由通航城市和航线所构成的航空网络，如果某通航城市受到突发事件影响而陷入瘫痪，那么与该通航城市相连的所有航线将同时被取消，进而可能造成航空网络中其他通航城市之间的航线中断。因此，准确地识别航空网络中的关键通航城市并对其进行保护，能够有效地减轻外界干扰造成航空网络的大面积延误甚至瘫痪，保证航空运输安全高效地运营。另一方面，通过对网络中的关键节点采取攻击操作可以达到摧毁整个网络的目的。由此可见，对网络中的关键节点进行有效地评估具有十分重要的意义。针对复杂网络中关键节点的识别问题，已经取得很多研究成果。而关键节点的识别算法也日益完善，从简单的计算邻居数量，到复杂的机器学习和信息传递。目前存在的方法按性质划分主要有两种：一种是基于网络拓扑结构特性，常见的有度中心性、介数中心性、接近中心性、K-core分解、H指数等；另一种是基于不断迭代精炼的方法，例如：特征向量、PageRank、LeaderRank、HITS、SALSA中心性等。而分析网络的结构特征信息是度量节点重要性的一个重要方法，Malliaros等人认为节点在网络中的拓扑性质同样起着决定性的作用，对了解其传播能力具有重要的意义，并基于这种思想提出一种K-truss分解算法，引入了节点连边的支持度用来识别复杂网络中的关键节点。利用K-truss分解算法能够从网络中提取出更精细更密集的子图，通过该子图来识别网络中的关键节点，不仅更精确而且时间复杂度更低。然而，K-truss分解会受到网络中局部聚类结构的影响，使得节点重要性的排序结果误差大大增加。在K-core和K-truss等分解方法中，都忽视了网络中连边的扩散性，导致当网络中具有大量边与边之间紧密连接的拓扑结构时，会使得这些分解方法失效，即分解得到的最重要的节点集是一个紧密连接的局部社团结构，而这些节点会使得病毒或者信息传播的范围更局限于社团内部。因此，对于这些网络，K-core和K-truss等分解方法得到的最重要节点是不准确的。本专利技术针对网络中存在较多影响关键节点识别的伪核结构时，通过考虑边的扩散性，即初始时刻信息通过一条连边达到一个节点，在下一时刻该信息所能到达的节点中，首次获得该信息的节点数量，来识别最有影响力的节点。连边的支持度和扩散性在识别关键节点时各有利弊，本专利技术对关键节点的识别做出了进一步研究。
技术实现思路
为了解决上述存在的问题，本专利技术公开了基于边扩散性K-truss分解方法的网络重要节点识别方法，其具体技术方案如下：基于边扩散性K-truss分解方法的网络重要节点识别方法,包括以下步骤：步骤1：计算网络G中每条边的支持度SD(eij)和对信息的扩散能力DD(eij)，初始化参数K＝2，其中K∈[2，Kmax],Kmax表示为最大的truss层；步骤2：依据边的支持度和扩散能力重新定义边的支持度步骤3：过滤出网络中的边，并将更新后的网络记为G'为；步骤4：对网络G'进行K-truss分解，首先选择网络中权值满足的的边，然后将该边删除并将与该边构成三角形的另两条边的也相应减1，更新网络G'；步骤5：对网络G'继续执行步骤4，直到网络中的所有边满足将当前层新剥离出的孤立节点加入对应于当前K的truss层，然后更新K＝K+1；步骤6：重复步骤4至步骤5，直至网络中的所有连边都被删除，所有节点都被分解在相应的truss层；步骤7：根据K越大，其对应的truss层的节点也越重要的规则对节点进行排序。所述步骤1中SD(eij)和DD(eij)转移概率的计算方法为：SD(eij)＝|{Δuvw：Δuvw∈ΔG}|(1)DD(eij)＝di→j+dj→i(2)其中在(1)式中，Δuvw表示一个顶点分别为u,v,w三角形,ΔG表示网络G中由所有三角形构成的集合，SD(eij)表示在网络中与边eij构成不同三角形的个数，在(2)式中，di→j表示当信息从边的一端节点i传播到边的另一端j后，扩散到节点j的邻居节点中除去节点i和节点j的共同邻居节点之外节点的数目，同理dj→i表示信息从反方向传播的扩散能力。所述步骤2中依据边的支持度和扩散能力重新定义边的支持度的具体公式如下：SD(eij)＝0.5*(ki+kj-2-DD(eij))(4)其中(3)式，α表示衡量边的支持度与扩散性之间的相对重要程度因子，(4)式表示边的支持度与边对信息扩散能力之间的关系，ki表示节点i的度，kj表示节点j的度，(5)式为依据(3)式和(4)式推导出的新定义的支持度与初始支持度之间的关系。根据步骤2计算得到的值，选出值为0的连边，当一条边的支持度或者扩散能力值为0时，则即为0，通过本步骤可以删除网络中大量不重要的节点和连边，极大地降低了算法的时间复杂度。所述步骤4中对网络G'进行K-truss分解的具体过程为：首先参数初始值K＝2,然后删除网络中支持度小于K-2的边，并将与该边构成了三角形的另两条边的支持度也相应减1，再更新网络的拓扑，继续删除支持度小于K-2的边，直至网络中所有的边的支持度都大于等于K-2，将当前被剥离的孤立节点加入对应的truss层，此时，K加1，继续删除网络中支持度小于K-2的边，直至整个网络被完全分解。本专利技术的有益效果是：本专利技术能够分解网络中的假核，即影响识别重要节点的紧密连接的网络拓扑结构，并识别出真正最具有影响力的节点，提高识别的准确性。同时使用本专利技术方法进行识别最重要节点时不需要考虑相关的参数，不需要随着网络的不同而调节参数。而且，方法具有稳定性，其对各种网络都具有较好的识别效果。最后，在时间复杂度上，由于方法是利用网络的局部信息，且加入了边的过滤策略，使得本专利技术识别最重要节点的速度也相对较快。附图说明图1是一个简单的网络拓扑图；图2是本专利技术的方法流程图；图3-a是在Dophins真实网络中，各个中心性指标的影响力函数的对比示意图，图3-b是在Polbooks真实网络中，各个中心性指标的影响力函数的对比示意图，图3-c是在Football真实网络中，各个中心性指标的影响力函数的对比示意图，图3-d是在Email真实网络中，各个中心性指标的影响力函数的对比示意图，图3-e是在Netscience真实网络中，各个中心性指标的影响力函数的对比示意图，图3-f是在Geom真实网络中，各个中心性指标的影响力函数的对比示意图。具体实施方式下面结合附图和具体实施方式，进一步阐明本专利技术。应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。本基于边扩本文档来自技高网...

【技术保护点】
基于边扩散性K‑truss分解方法的网络重要节点识别方法,其特征在于,包括以下步骤：步骤1：计算网络G中每条边的支持度SD(eij)和对信息的扩散能力DD(eij)，初始化参数K＝2，其中K∈[2，Kmax],Kmax表示为最大的truss层；步骤2：依据边的支持度和扩散能力重新定义边的支持度

【技术特征摘要】
1.基于边扩散性K-truss分解方法的网络重要节点识别方法,其特征在于,包括以下步骤：步骤1：计算网络G中每条边的支持度SD(eij)和对信息的扩散能力DD(eij)，初始化参数K＝2，其中K∈[2，Kmax],Kmax表示为最大的truss层；步骤2：依据边的支持度和扩散能力重新定义边的支持度步骤3：过滤出网络中的边，并将更新后的网络记为G'为；步骤4：对网络G'进行K-truss分解，首先选择网络中权值满足的的边，然后将该边删除并将与该边构成三角形的另两条边的也相应减1，更新网络G'；步骤5：对网络G'继续执行步骤4，直到网络中的所有边满足将当前层新剥离出的孤立节点加入对应于当前K的truss层，然后更新K＝K+1；步骤6：重复步骤4至步骤5，直至网络中的所有连边都被删除，所有节点都被分解在相应的truss层；步骤7：根据K越大，其对应的truss层的节点也越重要的规则对节点进行排序。2.根据权利要求1所述的基于边扩散性K-truss分解方法的网络重要节点识别方法，其特征在于所述步骤1中SD(eij)和DD(eij)转移概率的计算方法为：SD(eij)＝|Δuvw：Δuvw∈ΔG}|(1)DD(eij)＝di→j+dj→i(2)其中在(1)式中，Δuvw表示一个顶点分别为u,v,w三角形,ΔG表示网络G中由所有三角形构成的集合，SD(eij)表示在网络中与边eij构成不同三角形的个数，在(2)式中，di→j表示当信息从边的一端节点i传播到边的另一端j后，扩散到节点j的邻居节点中除去节点i和节点j的共同邻居节点之外节点的数目，同理dj→i表示信息从反方向传播的扩散能力。3.根据权利要求1所述的基于边扩散性K-truss分解方法...

【专利技术属性】
技术研发人员：宋玉蓉，杨李，夏玲玲，张栩，李因伟，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32