基于社区结构的复杂网络分布式关键节点挖掘算法

发布时间：2021-01-07 12:31

　　在复杂网络中挖掘关键节点具有重要的现实应用价值,本文通过对复杂网络结构和特性的研究分析,同时考虑到网络规模不断变大的问题,进行了如下工作。首先,构建复杂网络的分布式处理模型。分别对HDFS文件中复杂网络数据的划分,算法中间结果数据的存储方式和基于MapReduce的多任务计算框架做了详细的设计。其次,针对无权复杂网络,提出基于社区结构的关键节点分布式挖掘算法。该算法针对节点社区结构属性、节点的直接邻里关系,得到节点对应的社区因子、信息扩散系数和信息传播依赖度,在此基础上,计算得出节点自身重要度;接着通过对节点间接邻里关系的考虑,得出节点综合重要度,其大小决定节点在整个网络中的关键程度。再次,针对加权复杂网络,提出基于核心点社区的分布式关键节点挖掘算法。该算法基于节点相似度,划分邻域点社区;接着对互为合并点社区的邻域点社区进行合并,得到核心点社区,进而完成整个网络的社区划分;每个核心点社区的核心点作为嫌疑关键节点群,考虑度属性、权重属性、多层邻里关系,计算核心节点综合重要度,并在每个社区中按照重要度值从大到小排序,取出每个社区中前几个节点作为全网的关键节点。最后,针对本文提出的两个算法,... 

【文章来源】：燕山大学河北省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

LFR基准网络结构图

- 52 -图5-16 top3节点在网络中的位置MA算法以分布式的方式进行实现，对大规模数据有很30万、50万、70万个节点的数据进行了加权复杂网络关EVC算法对大规模数据的运行，运行时间过长，未得到网络数据变换为邻接矩阵形式，当数据量达到几十万个，无法存入内存执行。通过本文的算法，以分布式的方多个小数据集执行，一方面解决了内存溢出问题，另一多。图5-17为MR-CPCKNMA算法的运行时间结果，可知依然很短。


本文编号：2962562