物联网(IoT)是一个复杂的网络，连接着包括物理设备和在线社交网络在内的众多项目。一种有效的社区检测方法，将网络分割成可辨识的群体，对于理解和利用这些网络的基本结构至关重要。现有社区检测方法，很难准确确定社区数量，且只关注局部或全局网络信息。本发明专利技术公开了一种社交复杂物联网中基于有效距离信息的社区检测方法，分为三个步骤：第一步对节点的局部和路径信息进行详细检查，以确定它们在网络中的相对重要性；第二步，创建节点对以识别它们的二阶邻居，提供更多的上下文和连接数据；第三步着重于实际识别网络内的社区，优化社区检测结果。该方法不需要进行初步参数调整，并结合了局部和全局分析的优势。
【技术实现步骤摘要】
本专利技术涉及社交复杂物联网(iot)网络的研究，更具体地说，涉及通过有效距离信息机制设计新型社交iot复杂网络中评估和识别社区的机制。据我们所知，这是首次尝试在社交iot复杂网络中使用有效距离信息的想法来进行社区识别。引言和背景在物联网快速发展和社交信息网络不断增长的时代，检测真实社交复杂网络中的社区结构具有重要意义。这个过程的相关性在于它能够测量网络结构和特性，使我们更深入地了解它们的拓扑特征。特别是在涉及生物学、社会学、交通和权力动态等复杂系统中，这种理解至关重要。这些复杂系统可以简化为拓扑图，其中顶点代表功能，边表示它们之间的相互作用。这种表示使我们能够从网络的拓扑和功能中获取有价值的见解，这是研究这些系统的过程中不可或缺的。典型的复杂网络包括一系列模块或社区，表现为独立群体的融合。举例来说，同一社区的成员通常分享共同的爱好和研究主题。因此，社区检测发挥着双重作用——它不仅有助于提取网络信息，还阐明了网络内各种社区的发展。然而，这些网络的巨大规模和复杂性构成了理解它们的巨大挑战。一个实用的解决方案是将网络划分为可管理的子网络。因此，社区检测在从每个网络中提取社区的作用变得日益重要。在这种情况下，每个社区对应于一个子图——一个网络子集，其特点是社区内的互动密集，与社区外的节点互动稀疏。为了量化两个节点之间的互动或通信水平，我们引入了节点相似性度量。这些度量可以被不同的社区检测方法采用，以计算节点之间的相似性。节点相似性度量可以以各种方式结构化，有些基于结构属性，有些基于结构属性关系，甚至基于节点的属性本身。因此，相似性度量的选择可以变化，可以使用图结构来进行结构相似性，也可以使用节点的属性来进行属性相似性。社区检测的挑战与计算机网络和图挖掘中的图分区以及社会科学中的层次聚类分析有着密切的关联。由于计算机革命带来的数据量和计算能力的迅猛增长，研究人员能够处理具有数百万甚至数十亿节点的真实世界网络。处理如此巨大规模的网络已经导致了对图的理解和管理发生了根本性转变。小到中型和中到大型网络已经成为常态，而不是例外，这引发了从时间复杂性角度看当前方法是否足够的问题。为了解决这一挑战，我们提出了一种综合高效的图内社区检测机制。这个机制不仅降低了复杂性，而且产生了与最近的社区检测方法相媲美的结果。它利用了一种有效的基于信息的方法，分析了局部和全局网络拓扑，以便在这些普遍存在的网络中检测社区。专利技术的主要摘要当前专利技术的一个关键目标是克服当前方法的一些限制，例如基于局部结构而不是全局结构进行社交iot网络中的社区检测，这忽略了节点之间的连接性并导致不准确的评估结果。为了实现上述专利技术的目的，当前专利技术的步骤被分为以下几个类别：1)局部影响：用于评估节点影响力的典型指标称为度中心性。那些与邻居最多的节点更容易传播。然而，低度节点通常具有比高度节点更大的传播能力。特别是，低度节点更有可能位于网络中的战略区域，这表明它们在支持传播方面胜过一些高度节点。在这种情况下，邻域之间的连接在信息传播中起着至关重要的作用。已经证明，邻域之间的连接会影响节点的传播能力。跨邻域节点的连接可以增加信息传播的范围，但也可能降低节点发起的信息广泛传播的可能性。因此，为了正确评估节点的本地影响力，必须考虑不仅它们的数量，还要考虑邻居之间的相互作用。2)全局影响：现实中，重要人物通常拥有相当大的资源，他们通常也拥有很多权力，这有助于他们向其他人提供额外的资源。因此，节点的影响力主要由其在网络中的位置决定。一个节点与其他节点共享资源的能力被用来衡量其全局影响力。3)有效距离：在一个网络中，最短路径距离是一个重要因素，我们在提出的方法中使用它。有一些最短路径算法，如dijkstra、bellman-ford等，但由于它们的高时间复杂性，它们的使用更加复杂。因此，我们使用网络中节点之间的有效距离来衡量。4)吸引指数一个图由节点组成，每个节点在形成其所属社区中扮演特定角色。当一个节点至关重要时，其他节点更容易加入其所在的社区。例如，一位著名的研究者可以轻松吸引其他人加入他/她的研究团队，但对于普通研究者来说则较难。节点v的吸引力由上述因素组合来衡量，如吸引系数、图节点的全局影响力关联以及节点之间的有效路径距离。当前专利技术的目标：当前专利技术提出了一种基于有效信息距离概念的社交复杂物联网网络社区检测的新框架，利用网络中节点的本地和全局信息。该框架分为三个阶段。第一阶段涉及分析节点的局部和路径信息，以确定它们在网络中的重要性。接下来，在第二阶段创建节点对，以识别它们的二阶邻居。最后一个阶段包括实际的社区检测和识别。图示说明：图1是基于微簇和有效概念的混合多元时间序列数据在快速变化环境中的自动标注方法的示意流程图，该方法用于社交复杂物联网网络中的社区检测的提出的基于有效距离信息的机制。详细描述：我们使用一个无向且无权图g＝(v,e)来表示网络，其中v表示对象的集合，e表示它们之间的关系。举个例子，考虑一个社交网络，其中个体由节点表示，节点之间的关系由边表示。此外，网络没有均匀的结构。因此，当紧密连接的节点在局部区域内聚集时，网络中可以存在两个或更多的社区。此外，每个社区中也有重要节点，这些节点与社区中的其他节点接近。图节点局部影响力的关联：图节点影响力li(v)表示节点v对整个网络的影响，考虑了它在网络中的位置和度。其定义如下：li(v)＝(deg(v)+ks(v))2在这里，我们考虑了度deg(v)和k-壳即ks(v)指标，并将这两个指标相加以评估节点的影响力。为了标准化k-壳的影响因子，这里使用了平方。图节点全局影响力的关联：图节点全局影响力与其相对于网络中最大节点影响力的比率之间存在关联，定义如下：其中，网络中节点的最大影响值为kl-li。吸引系数：节点v和节点u形成一个节点对，ac(v,u)表示节点u和节点v之间的吸引系数，定义如下：其中，t(v,u)表示由节点v和节点u形成的三角形的数量。有效距离：在给定图g＝(v,e)的情况下，通常某些方法将两个节点之间的距离定义为1，但这与实际网络中信息流互动的情况相矛盾。当信息通过一个节点时，根据其固有属性相应地进行分配。在我们的方法中，我们主要将节点度数视为信息分布的度量标准。因为在传输过程中接收信息的概率随节点的度数而变化，不同的邻居节点可能会受到不同的影响。一个节点受到度数较低的邻居节点影响的概率更高。较低的度数值反映出节点更接近邻居节点，因此两者之间的距离更短。有效距离ed(v,u)可以表示如下：ed(v,u)＝(1-logifuv)≥1其中，ifuv表示从节点u到节点v的信息流比率，计算方式为：正如我们所看到的，ed(v,u)≠ed(u,v)。基于吸引力的节点对选择：通过应用方程和我们能够识别节点的最近邻和次近邻。网络社区划分：在我们的过程的最后一步中，我们系统地利用所有前述的程序对网络中的社区结构进行分类。在本专利技术中，提出了一种基于有效距离信息的社交复杂物联网网络社区检测机制。本专利技术的一个关键特点是它在重要的，如物联网社交网络中进行了创新。虽然上述已经描述了本专利技术的示例实施方式，以便更容易理解所提出的方法。但是，的专业人员理解本专利技术，应该清楚本专利技术不限于特定实施方式的范围。对于的专业人员来说本文档来自技高网...
【技术保护点】
1.一种社交复杂物联网中基于有效距离信息的社区检测方法，其特征在于：
【技术特征摘要】
1.一种社交复杂物联网中基于有效距...
【专利技术属性】
技术研发人员：阿满·乌拉，乌丁·萨拉赫，科比纳·贝纳德，邵俊明，杨勤丽，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。