基于扩散K-truss分解算法识别最有影响力节点及其应用研究

发布时间：2020-06-09 20:17

【摘要】：随着信息技术的快速发展,人类的生活环境也更加网络化。对网络中的关键节点进行识别和保护具有十分重要的意义,例如准确地识别网络中关键节点并将其作为信息源,能够有效地促进信息的传播,同理也可以抑制病毒的传播。在识别最有影响力节点中心性算法中,K-truss分解能够有效地识别最有影响力节点。然而,K-truss分解仅仅考虑了边的聚类特性,无法分解网络中的假核结构。因此,我们在边的聚类特性的基础上,又同时考虑了边的扩散特性,并分别在识别网络中最有影响力节点、优化网络结构以促进信息传播和抑制病毒传播上做了相应的工作。具体总结如下:1.通过考虑网络中边的扩散特性和K-truss分解中边的聚类特性,提出了一种可以有效地识别最有影响力节点的中心性算法,该算法可以消除网络中的假核结构,即互相紧密连接的局部聚类拓扑网络结构,对识别最有影响力节点的不利因素。同时在六个真实网络拓扑中,与其它经典的中心性算法相比,我们发现提出的扩散K-truss分解算法能够有效地提高识别最有影响力节点的准确性。2.考虑边的聚类特性和扩散特性之间的制约关系,提出了一种促进信息传播的网络结构优化算法。将该算法应用在四个真实的网络进行结构优化,使用经典的独立级联模型来验证网络结构优化前后信息传播的有效范围。结果表明,使用提出的算法优化后的网络拓扑可以有效提高信息传播范围。并且,优化后的网络其叶子节点数目降低,聚类系数降低以及平均路径长度降低。3.考虑网络中边的聚类特性和扩散特性之间的制约关系,提出了一种能够抑制病毒传播的结构优化算法。并在四个真实网络中使用经典的病毒传播SIR模型来对比网络结构优化前后病毒传播的有效范围和扩散速度的变化。实验结果表明,通过算法优化后的网络拓扑可以有效抑制病毒的传播,减小病毒的传播范围和降低扩散速度,网络的病毒传播阈值提高。并且,优化后的网络其最大度,网络边的总聚类能力和扩散能力会降低。
【图文】：

网络拓扑结构图,网络拓扑结构

图 2.1 网络拓扑结构ll 分解：考虑的只是其周围邻居的数目，并简单的认为对于相同的节点其在网。而 Kisak 等人[19]认为在很多网络中节点的位置信息比它的邻居信息置信息衡量节点的重要性。也就是说，如果一个节点位于网络中的核力将比那些位于网络边缘的节点的影响力高。因此，Kisak 等人将节点要性的指标，并利用 K-shell 分解算法来分解网络以获得节点的影响力程如下，

拓扑图,拓扑,分解算法,位置信息

图 2.1 网络拓扑结构其周围邻居的数目，并简单的认为对于相同的等人[19]认为在很多网络中节点的位置信息比它节点的重要性。也就是说，，如果一个节点位于位于网络边缘的节点的影响力高。因此，Kisa，并利用 K-shell 分解算法来分解网络以获得节
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：O157.5;TP301.6

【参考文献】