CN103631901A - 一种基于用户信任网络最大生成树的谣言控制方法 - Google Patents
一种基于用户信任网络最大生成树的谣言控制方法 Download PDFInfo
- Publication number
- CN103631901A CN103631901A CN201310591297.9A CN201310591297A CN103631901A CN 103631901 A CN103631901 A CN 103631901A CN 201310591297 A CN201310591297 A CN 201310591297A CN 103631901 A CN103631901 A CN 103631901A
- Authority
- CN
- China
- Prior art keywords
- user
- spanning tree
- network
- limit
- collection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种基于用户信任网络最大生成树的谣言控制方法,包括:S1.获取社交网络中用户发布内容的数据;S2.获取用户所有转发信息的来源用户并统计每个来源用户被用户转发信息的次数;S3.获取用户所有推送信息的目标用户并统计每个目标用户被所述用户推送信息的次数;S4.计算每个用户与其他每个用户之间的信任度;S5.构建用户信任网络G={V,E};S6.将网络G的权重邻接矩阵W={wi}转换为W’={wi’},得到转化网络G’={V,E};S7.利用最小生成树算法找到G’的最小生成树,即得到G的最大生成树T*={V,E*};S8.切断边集E*中的边,完成对社交网络的谣言控制。
Description
技术领域
本发明涉及互联网技术领域,具体涉及一种基于用户信任网络最大生成树的谣言控制方法。
背景技术
近几年,随着以Web2.0为代表的新技术的出现,社交网络迅速发展,成为人们交流沟通以及消息传播的全新工具,也使得谣言传播具备“点对点”的人际传播和“点对面”的大众传播的双重功能。社交网络中信息发布的便捷性以及信息内容缺乏监管和过滤的问题,使得谣言在社交网络上肆意传播,对社会的稳定和国家的安全造成了严重影响,因此迫切需要有效的谣言控制方法,能够及时、准确地把握谣言传播路径,并对谣言进行有效控制。
目前普遍采取的谣言控制策略包括随机控制以及目标控制,随机控制需要对网络中绝大部分节点进行控制,而目标控制需要对网络中整体信息进行全面分析的基础上才能做到。
因此这两种控制策略不能及时、准确地把握谣言传播路径,并对谣言进行有效控制。
发明内容
本发明所要解决的技术问题是现有技术不能及时、准确地把握谣言传播最可能路径,并对谣言进行有效控制的问题。
为此目的,本发明提出一种基于用户信任网络最大生成树的谣言控制方法,该方法包括:
S1.获取社交网络中用户发布内容的数据;
S2.分析获取到的数据,获取用户所有转发信息的来源用户并统计每个来源用户被所述用户转发信息的次数;
S3.分析获取到的数据,获取用户所有推送信息的目标用户并统计每个目标用户被所述用户推送信息的次数;
S4.计算每个用户与其他每个用户之间的信任度;
S5.构建用户信任网络G={V,E},其中所述V为用户节点集,所述E为边集,所述网络G的权重邻接矩阵为W={wi},wi为任意两个用户之间的信任度;
S6.网络G的用户节点集V和边集E不变,将权重邻接矩阵变为W’={wi’},得到转化网络G’={V,E},其中wi’=∑wi-wi;
S7.利用最小生成树算法找到G’的最小生成树,即得到G的最大生成树T*={V,E*},其中所述V为用户节点集,所述E*为边集E的子集;
S8.切断边集E*中的边,完成对社交网络的谣言控制。
其中,在步骤S1中,所述用户发布内容的数据包括用户ID、发布类型、转发来源用户ID、发布内容,其中,所述发布类型为原创或者转发。
其中,在步骤S2中,从发布类型为转发的发布内容中获取转发来源用户ID,统计每个转发来源用户ID被转发的次数。
其中,在步骤S3中,截取出用户发布内容中“”之后的用户ID即推送目标用户ID,获取所有推送目标用户ID,统计每个推送目标用户ID被推送的次数。
其中,在步骤S4中,所述用户之间的信任度w,由下式计算:
其中Ni,j (rt)表示用户i转发用户j行为的总次数,Ni,j (m)表示用户i向用户j发起推送行为的总次数,Ni=Ni,j (rt)+Ni,j (m);Nj,i (rt)表示用户j转发用户i行为的总次数,Nj,i (m)表示用户j向用户i发起推送行为的总次数,Nj=Nj,i (rt)+Nj,i (m),a转发行为的权值,b为推送行为的权值。
其中,所述a>b,且a+b=1。
其中,所述用户之间的信任度为0表示用户之间没有转发和推送行为发生。
其中,在步骤S7中,采用Kruskal算法求解G’的最小生成树。
相比于现有技术,本发明提供的方法的有益效果是:通过计算用户信任网络最大生成树,得到谣言传播的最可能路径,在谣言产生时,切断最大生成树的边集E*中的边,在尽可能确保网络连通性的基础上,可以将谣言控制精确到边,即用户之间的关系,从而保证了谣言控制的及时性和精确性,实现对谣言的有效控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了一种基于用户信任网络最大生成树的谣言控制流程图;
图2示出了Kruskal最小生成树算法的流程图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开一种基于用户信任网络最大生成树的谣言控制方法,如图1所示,该方法包括:
S1.获取社交网络中用户发布内容的数据;
所述用户发布内容的数据包括用户ID、发布类型、转发来源用户ID、发布内容,其中,所述发布类型为原创或者转发。
S2.分析获取到的数据,获取用户所有转发信息的来源用户并统计每个来源用户被所述用户转发信息的次数;
具体的操作为:从发布类型为转发的发布内容中获取转发来源用户ID,统计每个转发来源用户ID被转发的次数。
S3.分析获取到的数据,获取用户所有推送信息的目标用户并统计每个目标用户被所述用户推送信息的次数;
具体的操作为:截取出用户发布内容中“”之后的用户ID即推送目标用户ID,获取所有推送目标用户ID,统计每个推送目标用户ID被推送的次数。
S4.计算每个用户与其他每个用户之间的信任度;
所述用户之间的信任度可以通过用户之间实际发生的互动行为进行刻画,用户之间主要的互动行为包括转发以及推送。根据分析若用户i转发用户j的信息,则说明用户i信任用户j;若用户i推送信息给用户j,则说明用户j信任用户i,用户之间发生的互动行为越多,则说明用户之间的信任度越高,用户i与用户j之间的信任度w可以由下式表示:
其中Ni,j (rt)表示用户i转发用户j行为的总次数,Ni,j (m)表示用户i向用户j发起推送行为的总次数,Ni=Ni,j (rt)+Ni,j (m);Nj,i (rt)表示用户j转发用户i行为的总次数,Nj,i (m)表示用户j向用户i发起推送行为的总次数,Nj=Nj,i (rt)+Nj,i (m),a转发行为的权值,b为推送行为的权值,且a+b=1。
考虑到推送行为中经常包含反对意见以及无意义的内容,因此赋予转发行为更高的权值,即a>b。
较佳的取a=0.7,b=0.3。
S5.构建用户信任网络G={V,E},其中所述V为用户节点集,所述E为边集,所述网络G的权重邻接矩阵为W={wi},wi为任意两个用户之间的信任度;
当所述用户之间的信任度为0时,则表示用户之间没有转发和推送行为发生。
S6.网络G的用户节点集V和边集E不变,将权重邻接矩阵变为W’={wi’},得到转化网络G’={V,E},其中wi’=∑wi-wi;
本步骤网络G={V,E}转化网络G’={V,E},目的在于将求用户信任网络G的最大生成树问题转化为求解网络G’的最小生成树问题。网络G={V,E}的最大生成树与网路G’={V,E}的最小生成树等价的证明如下:
在网络G’={V,E}的所有生成树T’={V,E’}中,E’为E的子集且E’中所有边不够成回路,若存在生成树T*={V,E*},使得该生成树的权值总和w’(T*)最小,即
则称生成树T*为网络G’的最小生成树,其中e*为边集E*中的边,e’为边集E’中的边,w’(e’)表示边集E’中的边e’的权值。
因为网络G’={V,E}与网络G={V,E}的用户节点集V及边集E相同,只是边集E中边的权重不一样,所以网络G’的生成树T’={V,E’}也是网络G的生成树。
由于网络G’的权重邻接矩阵W’中的wi’=∑wi-wi,wi为网络G中任意两个用户之间的信任度,则wi=∑wi-wi’,那么网络G的生成树T*={V,E*}的权值总和w(T*)为:
上式表示网络G的生成树T*={V,E*}的权重之和w(T*)的值是最大值,即生成树T*={V,E*}为网络G的最大生成树。
根据以上推导,网络G={V,E}的最大生成树与G’={V,E}的最小生成树等价。
S7.利用最小生成树算法找到G’的最小生成树,即得到G的最大生成树T*={V,E*},其中所述V为用户节点集,所述E*为边集E的子集;
S8.切断边集E*中的边,完成对社交网络的谣言控制;
可见,如果社交网络中产生谣言,则通过本实施例提供的方法在尽可能确保网络连通性的基础上,切断已经得到的用户信任网络G的最大生成树T的边集E*的边,从而在谣言传播初始,就及时切断谣言最可能的传播路径,将谣言控制精确到边,即用户之间的关系,实现谣言及时精确有效的控制。
本实施例的一个较佳实施方式是采用Kruskal算法求解G’的最小生成树,如图2所示,Kruskal算法流程如下:
假设用户信任网络G={V,E}的转化网络G’={V,E}的用户节点集V中节点个数为n、边集E中的边数为m,权重邻接矩阵W’={wi’},将边按照权重大小进行升序排列,得到序列{ei},ei为边集E中的边;
记网络G’的生成树为Tj’={V,Ej’},则T’也为网络G的生成树,其中T’的初始状态为只有n个顶点而无边的森林,记为T0’={V,E0’},E0’为空集即
按照边的升序序列{ei}逐一增加入边集Ej’,判断所加边与已有边是否形成环;
在不形成环的基础上,继续按照边的升序序列增加边;
直到得到的生成树的边数等于n-1为止,则此时得到的生成树即为网络G’的最小生成树,也就是网络G的最大生成树,记为T*={V,E*}。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (8)
1.一种基于用户信任网络最大生成树的谣言控制方法,其特征在于,该方法包括:
S1.获取社交网络中用户发布内容的数据;
S2.分析获取到的数据,获取用户所有转发信息的来源用户并统计每个来源用户被所述用户转发信息的次数;
S3.分析获取到的数据,获取用户所有推送信息的目标用户并统计每个目标用户被所述用户推送信息的次数;
S4.计算每个用户与其他每个用户之间的信任度;
S5.构建用户信任网络G={V,E},其中所述V为用户节点集,所述E为边集,所述网络G的权重邻接矩阵为W={wi},wi为任意两个用户之间的信任度;
S6.网络G的用户节点集V和边集E不变,将权重邻接矩阵变为W’={wi’},得到转化网络G’={V,E},其中wi’=∑wi-wi;
S7.利用最小生成树算法找到G’的最小生成树,即得到G的最大生成树T*={V,E*},其中所述V为用户节点集,所述E*为边集E的子集;
S8.切断边集E*中的边,完成对社交网络的谣言控制。
2.根据权利要求1所述的方法,其特征在于,在步骤S1中,所述用户发布内容的数据包括用户ID、发布类型、转发来源用户ID、发布内容,其中,所述发布类型为原创或者转发。
3.根据权利要求2所述的方法,其特征在于,在步骤S2中,从发布类型为转发的发布内容中获取转发来源用户ID,统计每个转发来源用户ID被转发的次数。
4.根据权利要求2所述的方法,其特征在于,在步骤S3中,截取出用户发布内容中“”之后的用户ID即推送目标用户ID,获取所有推送目标用户ID,统计每个推送目标用户ID被推送的次数。
5.根据权利要求1所述的方法,其特征在于,在步骤S4中,所述用户之间的信任度w,由下式计算:
其中Ni,j (rt)表示用户i转发用户j行为的总次数,Ni,j (m)表示用户i向用户j发起推送行为的总次数,Ni=Ni,j (rt)+Ni,j (m);Nj,i (rt)表示用户j转发用户i行为的总次数,Nj,i (m)表示用户j向用户i发起推送行为的总次数,Nj=Nj,i (rt)+Nj,i (m),a转发行为的权值,b为推送行为的权值。
6.根据权利要求5所述的方法,其特征在于,所述a>b,且a+b=1。
7.根据权利要求1所述的方法,其特征在于,在步骤S4中,所述用户之间的信任度为0表示用户之间没有转发和推送行为发生。
8.根据权利要求1所述的方法,其特征在于,在步骤S7中,采用Kruskal算法求解G’的最小生成树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310591297.9A CN103631901B (zh) | 2013-11-20 | 2013-11-20 | 一种基于用户信任网络最大生成树的谣言控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310591297.9A CN103631901B (zh) | 2013-11-20 | 2013-11-20 | 一种基于用户信任网络最大生成树的谣言控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103631901A true CN103631901A (zh) | 2014-03-12 |
CN103631901B CN103631901B (zh) | 2017-01-18 |
Family
ID=50212943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310591297.9A Active CN103631901B (zh) | 2013-11-20 | 2013-11-20 | 一种基于用户信任网络最大生成树的谣言控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103631901B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966240A (zh) * | 2015-07-01 | 2015-10-07 | 清华大学 | 基于边介数的社交网络谣言控制方法及系统 |
CN105045857A (zh) * | 2015-07-09 | 2015-11-11 | 中国科学院计算技术研究所 | 一种社交网络谣言识别方法及系统 |
CN110674361A (zh) * | 2019-09-29 | 2020-01-10 | 长沙理工大学 | 负面舆论监控、引导方法、电子装置以及计算机存储介质 |
CN111597220A (zh) * | 2019-02-21 | 2020-08-28 | 北京沃东天骏信息技术有限公司 | 数据挖掘方法和装置 |
CN112910775A (zh) * | 2019-12-04 | 2021-06-04 | 中车株洲电力机车研究所有限公司 | 基于数据融合和最小生成树的电力线载波通信方法和系统 |
CN113434684A (zh) * | 2021-07-01 | 2021-09-24 | 北京中科研究院 | 自监督学习的谣言检测方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194001A (zh) * | 2011-05-17 | 2011-09-21 | 杭州电子科技大学 | 网络舆情危机预警方法 |
CN102609475A (zh) * | 2012-01-19 | 2012-07-25 | 浙江省公众信息产业有限公司 | 微博内容监测方法及监测系统 |
CN102668457A (zh) * | 2009-09-30 | 2012-09-12 | 柯蔼文 | 用于社交图数据分析以确定社区内的连接性的系统和方法 |
CN102982381A (zh) * | 2012-12-06 | 2013-03-20 | 湖南蚁坊软件有限公司 | 一种微博传播影响面的管理系统及方法 |
US20130212033A1 (en) * | 2004-09-02 | 2013-08-15 | Linkedin Corporation | Determining reputation of users with respect to skills |
-
2013
- 2013-11-20 CN CN201310591297.9A patent/CN103631901B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130212033A1 (en) * | 2004-09-02 | 2013-08-15 | Linkedin Corporation | Determining reputation of users with respect to skills |
CN102668457A (zh) * | 2009-09-30 | 2012-09-12 | 柯蔼文 | 用于社交图数据分析以确定社区内的连接性的系统和方法 |
CN102194001A (zh) * | 2011-05-17 | 2011-09-21 | 杭州电子科技大学 | 网络舆情危机预警方法 |
CN102609475A (zh) * | 2012-01-19 | 2012-07-25 | 浙江省公众信息产业有限公司 | 微博内容监测方法及监测系统 |
CN102982381A (zh) * | 2012-12-06 | 2013-03-20 | 湖南蚁坊软件有限公司 | 一种微博传播影响面的管理系统及方法 |
Non-Patent Citations (2)
Title |
---|
YUANYUAN BAO等: "A New Rumor Propagation Model and Control Strategy on Social Networks", 《PROCEEDINGS OF THE 2013 IEEE/ACM INTERNATIONAL CONFERENCE ON ADVANCES IN SOCIAL NETWORKS ANALYSIS AND MINING. ACM》 * |
易成岐等: "新浪微博的大规模信息传播规律研究", 《计算机科学与探索》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966240A (zh) * | 2015-07-01 | 2015-10-07 | 清华大学 | 基于边介数的社交网络谣言控制方法及系统 |
CN105045857A (zh) * | 2015-07-09 | 2015-11-11 | 中国科学院计算技术研究所 | 一种社交网络谣言识别方法及系统 |
CN111597220A (zh) * | 2019-02-21 | 2020-08-28 | 北京沃东天骏信息技术有限公司 | 数据挖掘方法和装置 |
CN111597220B (zh) * | 2019-02-21 | 2024-03-05 | 北京沃东天骏信息技术有限公司 | 数据挖掘方法和装置 |
CN110674361A (zh) * | 2019-09-29 | 2020-01-10 | 长沙理工大学 | 负面舆论监控、引导方法、电子装置以及计算机存储介质 |
CN110674361B (zh) * | 2019-09-29 | 2022-11-29 | 长沙理工大学 | 负面舆论监控、引导方法、电子装置以及计算机存储介质 |
CN112910775A (zh) * | 2019-12-04 | 2021-06-04 | 中车株洲电力机车研究所有限公司 | 基于数据融合和最小生成树的电力线载波通信方法和系统 |
CN112910775B (zh) * | 2019-12-04 | 2023-03-24 | 中车株洲电力机车研究所有限公司 | 基于数据融合和最小生成树的电力线载波通信方法和系统 |
CN113434684A (zh) * | 2021-07-01 | 2021-09-24 | 北京中科研究院 | 自监督学习的谣言检测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103631901B (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103631901A (zh) | 一种基于用户信任网络最大生成树的谣言控制方法 | |
Tripp-Barba et al. | Survey on routing protocols for vehicular ad hoc networks based on multimetrics | |
Bao et al. | Geofeed: A location aware news feed system | |
Kaiwartya et al. | Performance improvement in geographic routing for vehicular Ad Hoc networks | |
Burdakov et al. | Positioning unmanned aerial vehicles as communication relays for surveillance tasks | |
Karagiannis et al. | Comparison of alternative architectures in fog computing | |
Bouk et al. | Edove: Energy and depth variance-based opportunistic void avoidance scheme for underwater acoustic sensor networks | |
Sathish et al. | Underwater wireless sensor network performance analysis using diverse routing protocols | |
CN106789138A (zh) | 一种网络告警关联分析的方法及装置 | |
Raw et al. | E-DIR: a directional routing protocol for VANETs in a city traffic environment | |
De Souza et al. | An exploration of aggregation convergecast scheduling | |
EP3474494B1 (en) | Data processing method and device | |
CN104394573A (zh) | 一种无线传感器网络协作定位方法 | |
Lee et al. | A network-flow based influence propagation model for social networks | |
Yang et al. | Finding the shortest path with vertex constraint over large graphs | |
Han et al. | Routing protocols in underwater acoustic sensor networks: a quantitative comparison | |
Mousa et al. | An extreme gradient boosting algorithm for freeway short-term travel time prediction using basic safety messages of connected vehicles | |
CN103297962B (zh) | 一种基于加密模糊关键字的机会网络路由方法及系统 | |
CN105095239A (zh) | 一种不确定图查询方法及装置 | |
CN104966240A (zh) | 基于边介数的社交网络谣言控制方法及系统 | |
Machado et al. | Optimal placement of UDAP in advanced metering infrastructure for smart metering of electrical energy based on graph theory | |
CN106611100A (zh) | 一种用户行为分析方法和装置 | |
CN106059805B (zh) | 一种流量分布的分析方法及装置 | |
Kallitsis et al. | On the Potential of Enhancing Delay-Tolerant Routing Protocols via Age of Information | |
Murugeswari et al. | Multiconstrained QoS Multicast Routing for Wireless Mesh Network Using Discrete Particle Swarm Optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |