CN107347183A - 一种基于pmc检测模型的移动网络中恶意用户的检测方法 - Google Patents
一种基于pmc检测模型的移动网络中恶意用户的检测方法 Download PDFInfo
- Publication number
- CN107347183A CN107347183A CN201611218503.1A CN201611218503A CN107347183A CN 107347183 A CN107347183 A CN 107347183A CN 201611218503 A CN201611218503 A CN 201611218503A CN 107347183 A CN107347183 A CN 107347183A
- Authority
- CN
- China
- Prior art keywords
- detected
- user
- detection
- circles
- malice
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于PMC检测模型的移动网络中恶意用户的检测方法,其包括以下步骤:1)建立PMC检测模型,2)建立移动网络的路由优先关系图,3)对移动网络的路由优先关系图进行哈密顿圈分解获得哈密顿圈;4)定义所有用户都是诚实用户的哈密顿圈为t‑零圈;否则,定义为t‑非零圈;当一个t‑非零圈与一个t‑零圈相邻,则该t‑非零圈定义为t‑保守圈;5)对哈密顿圈采用PMC检测模型按逆时针执行恶意检测,识别出所有的t‑零圈;6)由已被检测为诚实用户的邻居代表采用PMC检测模型对t‑保守圈执行恶意检测;7)设定t‑非保守圈为未被检测的代表所在的哈密顿圈,并对t‑非保守圈进行恶意检测。本发明基于相邻用户直接测试迅速且精确地检测出所有恶意用户。
Description
技术领域
本发明涉及恶意用户检测领域,尤其涉及一种基于PMC检测模型的移动网络中恶意用户的检测方法。
背景技术
移动社会网络是由移动通信网络和社会网络共同形成的。由于其用户具有社会性质,那么这个网络中会有恶意用户出现,其可以通过终结数据分发或者篡改数据来破坏数据分发。因此,为了保证数据分发路由的可靠性,恶意用户必须被检测出来。当恶意用户被检测出来,我们可以在路由的基本架构中选择没有恶意用户参与的可靠数据分发路由。移动社会网络中用户数量是巨大的,因此检测恶意用户的工作是困难的。为了克服这个困难,我们考虑在信息传递过程中检测出恶意用户。早在90年代重庆大学陈廷槐教授等在多值诊断模型研究方面作了大胆的尝试,特别是将它应用到社会诊断,这一理论在刑侦方面有较好的实证案例。当下,移动社会网络的研究正在蓬勃发展,多值逻辑的诊断模型势必发挥其强有力的理论优势。
Preparata,Metze和Chien(PMC)检测模型是一个典型的系统级模型。由于代表和群中其他用户之间都是相互联系的(即,群中任两个用户之间是相互联系),所以群中所有用户可以由代表来执行检测。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于PMC检测模型的移动网络中恶意用户的检测方法。
本发明采用的技术方案是:
一种基于PMC检测模型的移动网络中恶意用户的检测方法,其包括以下步骤:
1)建立PMC检测模型:设定诚实用户在接收到一个恶意检测后总是给出诚实的答案,恶意用户在接收到一个恶意检测后至少给出一个恶意的答案,具有路由优先关系的两个用户之间可以相互测试;
2)建立移动网络的路由优先关系图;
3)对移动网络的路由优先关系图根据恶意群的上界n进行哈密顿圈分解获得哈密顿圈,n为不小于7的整数;
4)当哈密顿圈上的所有用户都是诚实用户时,定义该哈密顿圈为t-零圈;否则,定义该哈密顿圈为t-非零圈;当一个t-非零圈与一个t-零圈相邻,则该t-非零圈定义为t-保守圈;
5)对哈密顿圈采用PMC检测模型按逆时针执行恶意检测;识别出所有的t-零圈;
6)由t-保守圈的已被检测为诚实用户的邻居代表采用PMC检测模型对t-保守圈执行恶意检测;
7)设定t-非保守圈为未被检测的代表所在的哈密顿圈;当t-非保守圈存在时,则对t-非保守圈中除了可能拥有所有n个为恶意代表的外邻居的唯一代表之外的其他代表采用GCD算法进行恶意检测;当唯一代表拥有n个已被检测恶意用户的外邻居时,则该唯一代表为诚实用户;当唯一代表拥有不多于n-1个已被检测为恶意用户的外邻居时,则该唯一代表至少有一个已被检测为诚实用户的邻居代表,可由该已被检测为诚实用户的邻居代表采用PMC检测模型执行恶意检测。
步骤3的具体步骤为:
3-1,对于整数n≥7,设则f(n)≥3;
3-2,对于任意给定的设V(Qn[Xn-f(n)])={Xn-f(n)Yf(n)|Yf(n)∈{0,1}f(n)},则V(Qn[Xn-f(n)])是n-超立方体Qn的一个子集,导出图Qn[Xn-f(n)]同构于子图Qf(n);
3-3,将Qn分解为子图集得到:{Qn[Xn-f(n)]|Xn-f(n)∈{0,1}n-f(n)},其中每个子图都同构于Qf(n)。
3-4,将收缩图Qf(n)定义为:V[Qn(f(n))]={0,1}n-f(n);Qn(f(n))中任意两个不同的节点Xn-f(n)和Xn-f(n)'是相邻的;
3-5,当且仅当Qn有两个形式为Xn-f(n)Yf(n)和Xn-f(n)'Yf(n)的相邻节点时,将Qn(n≥3)按f(n)大小进行哈密顿圈分解,其中Yf(n)∈{0,1}f(n):令HCf(n)是Qf(n)的一个哈密顿圈,对于任意给定的Xn-f(n)∈{0,1}n-f(n),从集合V(Qf(n))到集合V(Qn[Xn-f(n)])之间定义一个映射fXn-f(n),fXn-f(n):Yf(n)→Xn-f(n)Yf(n),其中Yf(n)∈V(Qf(n));则子图HCf(n)是子图Qn[Xn-f(n)]上的一个哈密顿圈,对应于Xn-f(n)产生的圈,记为HCf(n)(Xn-f(n)),Qn包含了长为2f(n)的2n-f(n)个不相交的圈的集合。
步骤6中t-保守圈的恶意检测的具体方法为:
6-1,设定代表u和代表v是t-保守圈中按逆时针选择的两个连续的代表,将按逆时针连续的最大的0-测试定义为t-0-串,当测试t(u,v)是t-0-串中按逆时针的第一个0-测试,则u被称为这个t-0-串的底部;当测试t(u,v)是t-0-串中按逆时针的最后一个0-测试,则v称为是这个t-0-串(t-1-串)的头部;
6-2,对于一个t-0-串,利用已被检测为诚实用户的外邻居来检测t-0-串的底部;当测试结果为0,则这个t-0-串上的所有代表都被检测为诚实用户;当测试结果为1,则把这个代表检测为恶意用户且把检测目标指向逆时针方向的邻居;
6-3,将按逆时针连续的最大的1-测试定义为t-1-串,当测试t(u,v)是t-1-串中按逆时针的第一个1-测试,则u被称为这个t-1-串的底部;当测试t(u,v)是t-1-串中按逆时针的最后一个1-测试,则v称为是这个t-1-串的头部;
6-4,对于一个t-1-串,利用已被检测为诚实用户的外邻居来检测这个t-1-串的头部;当测试结果为1,则把这个代表检测为恶意用户且把测试指向逆时针方向的邻居;当测试结果为0,则把这个代表检测为诚实用户且把其圈上的两邻居检测为恶意用户,把检测目标顺时针方向移向下一个的未被检测的代表。
本发明采用以上技术方案,从每个群中随机选出一个用户作为这个群的代表,然后再由这个代表来检测群中所有其他用户的诚实性。因为代表和群中所有其他用户都是相联系的(即,他们之间也是两两相互联系的)。若一个代表是诚实的,则这个代表就能在PMC检测模型下继续检测其所在群中所有其他用户。由于非诚实群的数量不超过n,则任何一个非诚实群至少存在一个诚实的邻居群。若一个代表是恶意的,则这个非诚实群中所有用户都可由诚实的邻居用户得到检测。在移动社会网络中检测恶意用户是一件困难的工作,本发明使用数学模型来实现这个目标。本发明的有效效果在于本发明的有效效果在于:1、根据恶意群的数目来选定圈的大小,对于足够大的圈,可检测其中的所有用户均为诚实的;2、利用诚实圈可检测出与之相邻的非诚实群上所有用户的状态;3、利用已检测出来的诚实的用户可检测出没有诚实圈邻居的非诚实群中所有用户的状态。4、可检测每个群上的恶意用户。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明;
图1为本发明一种基于PMC检测模型的移动网络中恶意用户的检测方法的流程示意图;
图2为本发明一种基于PMC检测模型的移动网络中恶意用户的检测方法的路由优先关系图的构造过程图;
图3为本发明一种基于PMC检测模型的移动网络中恶意用户的检测方法的哈密顿圈分解过程图;
图4为本发明一种基于PMC检测模型的移动网络中恶意用户的检测方法的恶意用户检测算法方案示意图;
图5为本发明一种基于PMC检测模型的移动网络中恶意用户的检测方法的恶意用户检测算法示意图。
具体实施方式
对于移动网络中的任意一个用户在一定时间内的状态都是固定不变的。我们的目标就是精确地检测移动社会网络中的所有恶意用户。为了实现这个目标,首先检测移动社会网络中基于FPRG的所有恶意代表和所有诚实代表。在移动社会网络中,利用人的社会属性,可以构造出路由优先关系图(如图2所示),其中具有相同社会属性的用户作为一个节点,两个用户之间可以相互联系当且仅当两用户的社会属性只有一个不同。假设每个代表可以检测他/她的邻居或者被邻居所检测,这些代表需要被检测为诚实的或者恶意的。这个问题被称为系统级的恶意检测问题。据我们所知,在移动社会网络中用系统级检测模型来检测恶意用户的方法是很少被关注的。下面提出一些PMC检测模型的假设。
假设一个诚实用户在接收到一个恶意检测之后总是给出诚实的答案且一个恶意用户在接收到一个恶意检测之后至少给出一个恶意的答案。这个恶意检测是由许多问题构成。所有恶意检测都有相同的大小。PMC检测模型假设具有路由优先关系的两个用户之间可以相互测试。假设一个诚实的用户应该总是给出正确的测试结果,而由恶意用户给出的测试结果并不是可靠的。
本发明中,我们根据恶意用户的分布把群分为三类。当一个群中所有用户都是诚实的,则这个群被称为诚实群。否则,这个群被称为非诚实群。此外,当在一个非诚实群中所有用户都是恶意的,则把这个群称为恶意群。当一个非诚实群中至少存在一个诚实用户,则把这个群称为非诚实-非恶意群。因为每个群中有许多用户,因此可以假设恶意群的个数不超过n(n为关键社会属性的个数)。
本发明提出一个在PMC检测模型下基于圈分解的检测恶意用户的自适应检测算法。为了实现这个目标,从每个群中随机选出一个用户作为这个群的代表,然后再由这个代表来检测群中所有其他用户的诚实性。因为代表和群中所有其他用户都是相联系的(即,他们之间也是两两相互联系的)。当一个代表是诚实的,则这个代表就能在PMC检测模型下继续检测其所在群中所有其他用户。由于非诚实群的数量不超过n,则任何一个非诚实群至少存在一个诚实的邻居群。当一个代表是恶意的,则这个非诚实群中所有用户都可由诚实的邻居用户得到检测。
如图1-5之一所示,本发明公开了一种基于PMC检测模型的移动网络中恶意用户的检测方法,其包括以下步骤:
1)建立PMC检测模型:设定诚实用户在接收到一个恶意检测后总是给出诚实的答案,恶意用户在接收到一个恶意检测后至少给出一个恶意的答案,具有路由优先关系的两个用户之间可以相互测试,
2)如图2所示,建立移动网络的路由优先关系图,
3)如图2或图3所示,对移动网络的路由优先关系图根据恶意群的上界n进行哈密顿圈分解获得哈密顿圈,n为不小于7的整数;
进一步地,步骤3的具体步骤为:
3-1,对于整数n≥7,设则f(n)≥3;
3-2,对于任意给定的设V(Qn[Xn-f(n)])={Xn-f(n)Yf(n)|Yf(n)∈{0,1}f(n)},则V(Qn[Xn-f(n)])是n-超立方体Qn的一个子集,导出图Qn[Xn-f(n)]同构于子图Qf(n);
3-3,将Qn分解为子图集得到:{Qn[Xn-f(n)]|Xn-f(n)∈{0,1}n-f(n)},其中每个子图都同构于Qf(n)。
3-4,将收缩图Qf(n)定义为:V[Qn(f(n))]={0,1}n-f(n);Qn(f(n))中任意两个不同的节点Xn-f(n)和Xn-f(n)'是相邻的;
3-5,当且仅当Qn有两个形式为Xn-f(n)Yf(n)和Xn-f(n)'Yf(n)的相邻节点时,将Qn(n≥3)按f(n)大小进行哈密顿圈分解,其中Yf(n)∈{0,1}f(n):令HCf(n)是Qf(n)的一个哈密顿圈,对于任意给定的Xn-f(n)∈{0,1}n-f(n),从集合V(Qf(n))到集合V(Qn[Xn-f(n)])之间定义一个映射fXn-f(n),fXn-f(n):Yf(n)→Xn-f(n)Yf(n),其中Yf(n)∈V(Qf(n));则子图HCf(n)是子图Qn[Xn-f(n)]上的一个哈密顿圈,对应于Xn-f(n)产生的圈,记为HCf(n)(Xn-f(n)),Qn包含了长为2f(n)的2n-f(n)个不相交的圈的集合。
4)当哈密顿圈上的所有用户都是诚实用户时,定义该哈密顿圈为t-零圈;否则,定义该哈密顿圈为t-非零圈;当一个t-非零圈与一个t-零圈相邻,则该t-非零圈定义为t-保守圈,当一个t-非零圈没有与一个t-零圈相邻,则该t-非零圈定义为t-非保守圈。具体如图3所示,其中t-zero为t-零圈,t-nonzero为t-非零圈,t-guarded为t-保守圈,t-unguarded为t-非保守圈;
5)对哈密顿圈采用PMC检测模型按逆时针执行恶意检测,识别出所有的t-零圈;这个过程需要2f(n)*2n-f(n)=2n个测试,步骤5中t-零圈上的所有代表都是诚实的证明如下:
假设在t-零圈中存在两个连续的代表的状态是不同的。不失一般性,假设代表u是诚实的且代表v是恶意的,其中代表u和代表v是按逆时针选择的代表。根据PMC检测模型可知,t(u,v)=1,这与t-零圈相矛盾。由于在移动社会网络中最多存在n个恶意代表且2f(n)>n(n≥7),所以在t-零圈中所有代表都是诚实的。
6)由t-保守圈的已被检测为诚实用户的邻居代表采用PMC检测模型对t-保守圈执行恶意检测;
进一步的,如图4所示,图中honest representative表示诚实用户,maliciousrepresentative表示恶意用户。步骤6中t-保守圈的恶意检测方法中,由于PMC检测模型的特性,不一定每个代表都需要由邻居代表来检测,可根据已有的测试结果来直接检测出部分代表,这样可以在提高检测效率的同时又保证检测精确不变。剩下就是决定哪个代表需要由邻居诚实的代表来检测。则步骤6中t-保守圈的恶意检测的具体步骤为:
6-1,设定代表u和代表v是t-保守圈中按逆时针选择的两个连续的代表,将按逆时针连续的最大的0-测试定义为t-0-串,当测试t(u,v)是t-0-串中按逆时针的第一个0-测试,则u被称为这个t-0-串的底部;当测试t(u,v)是t-0-串中按逆时针的最后一个0-测试,则v称为是这个t-0-串(t-1-串)的头部;
6-2,对于一个t-0-串,利用已被检测为诚实用户的外邻居来检测t-0-串的底部;当测试结果为0,则这个t-0-串上的所有代表都被检测为诚实用户;当测试结果为1,则把这个代表检测为恶意用户且把检测目标指向逆时针方向的邻居;
6-3,将按逆时针连续的最大的1-测试定义为t-1-串,当测试t(u,v)是t-1-串中按逆时针的第一个1-测试,则u被称为这个t-1-串的底部;当测试t(u,v)是t-1-串中按逆时针的最后一个1-测试,则v称为是这个t-1-串的头部;
6-4,对于一个t-1-串,利用已被检测为诚实用户的外邻居来检测这个t-1-串的头部;当测试结果为1,则把这个代表检测为恶意用户且把测试指向逆时针方向的邻居;当测试结果为0,则把这个代表检测为诚实用户且把其圈上的两邻居检测为恶意用户,把检测目标顺时针方向移向下一个的未被检测的代表。
7)设定t-非保守圈为未被检测的代表所在的哈密顿圈,假设至少存在两个代表的外邻居都是恶意的,记为代表u和代表v。因为u和v的外邻居集是相互不交的,因此至少存在2(n-f(n))个恶意代表。由2(n-f(n))>n对于n≥7可知,这与移动社会网络中最多存在n个恶意代表相矛盾。因此设定t-非保守圈为未被检测的代表所在的哈密顿圈的性质成立。
当t-非保守圈存在时,则对t-非保守圈中除了可能拥有所有n个为恶意代表的外邻居的唯一代表之外的其他代表采用GCD算法进行恶意检测;当唯一代表拥有n个已被检测恶意用户的外邻居时,则该唯一代表为诚实用户;当唯一代表拥有不多于n-1个已被检测为恶意用户的外邻居时,则该唯一代表至少有一个已被检测为诚实用户的邻居代表,可由该已被检测为诚实用户的邻居代表采用PMC检测模型执行恶意检测。
本发明采用以上技术方案,从每个群中随机选出一个用户作为这个群的代表,然后再由这个代表来检测群中所有其他用户的诚实性。因为代表和群中所有其他用户都是相联系的,即他们之间也是两两相互联系的。如图5所示,若一个代表是诚实的,则这个代表就能在PMC检测模型下继续检测其所在群中所有其他用户。由于非诚实群的数量不超过n,则任何一个非诚实群至少存在一个诚实的邻居群。若一个代表是恶意的,则这个非诚实群中所有用户都可由诚实的邻居用户得到检测。在移动社会网络中检测恶意用户是一件困难的工作,本发明使用数学模型来实现这个目标。本发明的有效效果在于本发明的有效效果在于:1、根据恶意群的数目来选定圈的大小,对于足够大的圈,可检测其中的所有用户均为诚实的;2、利用诚实圈可检测出与之相邻的非诚实群上所有用户的状态;3、利用已检测出来的诚实的用户可检测出没有诚实圈邻居的非诚实群中所有用户的状态。4、可检测每个群上的恶意用户。
Claims (3)
1.一种基于PMC检测模型的移动网络中恶意用户的检测方法,其特征在于:其包括以下步骤:
1)建立PMC检测模型:设定诚实用户在接收到一个恶意检测后总是给出诚实的答案,恶意用户在接收到一个恶意检测后至少给出一个恶意的答案,具有路由优先关系的两个用户之间可以相互测试,
2)建立移动网络的路由优先关系图;
3)对移动网络的路由优先关系图根据恶意群的上界n进行哈密顿圈分解获得哈密顿圈,n为不小于7的整数;
4)当哈密顿圈上的所有用户都是诚实用户时,定义该哈密顿圈为t-零圈;否则,定义该哈密顿圈为t-非零圈;当一个t-非零圈与一个t-零圈相邻,则该t-非零圈定义为t-保守圈;
5)对哈密顿圈采用PMC检测模型按逆时针执行恶意检测,识别出所有的t-零圈;
6)由t-保守圈的已被检测为诚实用户的邻居代表采用PMC检测模型对t-保守圈执行恶意检测;
7)设定t-非保守圈为未被检测的代表所在的哈密顿圈;当t-非保守圈存在时,则t-非保守圈中唯一拥有所有n个为恶意代表的外邻居的代表为诚实代表;t-非保守圈中拥有不多于n-1个恶意代表外邻居的代表均至少有一个已被检测为诚实用户的邻居代表,由该已被检测为诚实用户的邻居代表采用PMC检测模型执行恶意检测。
2.根据权利要求1所述一种基于PMC检测模型的移动网络中恶意用户的检测方法,其特征在于:步骤3的具体步骤为:
3-1,对于整数n≥7,设则f(n)≥3;
3-2,对于任意给定的设V(Qn[Xn-f(n)])={Xn-f(n)Yf(n)|Yf(n)∈{0,1}f(n)},则V(Qn[Xn-f(n)])是n-超立方体Qn的一个子集,导出图Qn[Xn-f(n)]同构于子图Qf(n);
3-3,将Qn分解为子图集得到:{Qn[Xn-f(n)]|Xn-f(n)∈{0,1}n-f(n)},其中每个子图都同构于Qf(n)。
3-4,将收缩图Qf(n)定义为:V[Qn(f(n))]={0,1}n-f(n);Qn(f(n))中任意两个不同的节点Xn-f(n)和Xn-f(n)'是相邻的;
3-5,当且仅当Qn有两个形式为Xn-f(n)Yf(n)和Xn-f(n)'Yf(n)的相邻节点时,将Qn(n≥3)按f(n)大小进行哈密顿圈分解,其中Yf(n)∈{0,1}f(n):令HCf(n)是Qf(n)的一个哈密顿圈,对于任意给定的Xn-f(n)∈{0,1}n-f(n),从集合V(Qf(n))到集合V(Qn[Xn-f(n)])之间定义一个映射fXn-f(n),fXn-f(n):Yf(n)→Xn-f(n)Yf(n),其中Yf(n)∈V(Qf(n));则子图HCf(n)是子图Qn[Xn-f(n)]上的一个哈密顿圈,对应于Xn-f(n)产生的圈,记为HCf(n)(Xn-f(n)),Qn包含了长为2f(n)的2n-f(n)个不相交的圈的集合。
3.根据权利要求1所述一种基于PMC检测模型的移动网络中恶意用户的检测方法,其特征在于:步骤6中t-保守圈的恶意检测的具体方法为:
6-1,设定代表u和代表v是t-保守圈中按逆时针选择的两个连续的代表,将按逆时针连续的最大的0-测试定义为t-0-串,当测试t(u,v)是t-0-串中按逆时针的第一个0-测试,则u被称为这个t-0-串的底部;当测试t(u,v)是t-0-串中按逆时针的最后一个0-测试,则v称为是这个t-0-串(t-1-串)的头部;
6-2,对于一个t-0-串,利用已被检测为诚实用户的外邻居来检测t-0-串的底部;当测试结果为0,则这个t-0-串上的所有代表都被检测为诚实用户;当测试结果为1,则把这个代表检测为恶意用户且把检测目标指向逆时针方向的邻居;
6-3,将按逆时针连续的最大的1-测试定义为t-1-串,当测试t(u,v)是t-1-串中按逆时针的第一个1-测试,则u被称为这个t-1-串的底部;当测试t(u,v)是t-1-串中按逆时针的最后一个1-测试,则v称为是这个t-1-串的头部;
6-4,对于一个t-1-串,利用已被检测为诚实用户的外邻居来检测这个t-1-串的头部;当测试结果为1,则把这个代表检测为恶意用户且把测试指向逆时针方向的邻居;当测试结果为0,则把这个代表检测为诚实用户且把其圈上的两邻居检测为恶意用户,把检测目标顺时针方向移向下一个的未被检测的代表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611218503.1A CN107347183B (zh) | 2016-12-26 | 2016-12-26 | 一种基于pmc检测模型的移动网络中恶意用户的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611218503.1A CN107347183B (zh) | 2016-12-26 | 2016-12-26 | 一种基于pmc检测模型的移动网络中恶意用户的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107347183A true CN107347183A (zh) | 2017-11-14 |
CN107347183B CN107347183B (zh) | 2020-02-18 |
Family
ID=60253452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611218503.1A Active CN107347183B (zh) | 2016-12-26 | 2016-12-26 | 一种基于pmc检测模型的移动网络中恶意用户的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107347183B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112968804A (zh) * | 2021-03-18 | 2021-06-15 | 河南大学 | 一种基于容错哈密顿圈的数据中心网络故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101379738A (zh) * | 2006-01-31 | 2009-03-04 | 惠普开发有限公司 | 用于避免传输信道中断的方法和系统 |
WO2010041430A1 (ja) * | 2008-10-06 | 2010-04-15 | 日本電気株式会社 | 通信システム及び通信制御方法 |
CN103338451A (zh) * | 2013-06-24 | 2013-10-02 | 西安电子科技大学 | 一种无线传感器网络中分布式的恶意节点检测方法 |
CN103678635A (zh) * | 2013-12-19 | 2014-03-26 | 中国传媒大学 | 基于标签有向图的网络音乐聚合推荐方法 |
CN102143405B (zh) * | 2010-02-02 | 2016-09-28 | 中兴通讯股份有限公司 | 过滤恶意呼叫完成指示的方法及装置、主叫侧网络设备 |
-
2016
- 2016-12-26 CN CN201611218503.1A patent/CN107347183B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101379738A (zh) * | 2006-01-31 | 2009-03-04 | 惠普开发有限公司 | 用于避免传输信道中断的方法和系统 |
WO2010041430A1 (ja) * | 2008-10-06 | 2010-04-15 | 日本電気株式会社 | 通信システム及び通信制御方法 |
CN102143405B (zh) * | 2010-02-02 | 2016-09-28 | 中兴通讯股份有限公司 | 过滤恶意呼叫完成指示的方法及装置、主叫侧网络设备 |
CN103338451A (zh) * | 2013-06-24 | 2013-10-02 | 西安电子科技大学 | 一种无线传感器网络中分布式的恶意节点检测方法 |
CN103678635A (zh) * | 2013-12-19 | 2014-03-26 | 中国传媒大学 | 基于标签有向图的网络音乐聚合推荐方法 |
Non-Patent Citations (1)
Title |
---|
林丽美: "交错群图的可靠性分析", 《中国优秀硕士学位论文》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112968804A (zh) * | 2021-03-18 | 2021-06-15 | 河南大学 | 一种基于容错哈密顿圈的数据中心网络故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107347183B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107453351B (zh) | 一种基于节点注入功率的配电网运行拓扑辨识方法 | |
Zhou et al. | A proof of concept study for criminal network analysis with interactive strategies | |
CN104992452A (zh) | 基于热成像视频的飞行目标自动跟踪方法 | |
Sawardecker et al. | Detection of node group membership in networks with group overlap | |
Rao et al. | A new approach for detection of common communities in a social network using graph mining techniques | |
CN103699617A (zh) | 一种基于随机游走的社区发现方法 | |
Kumpula et al. | Limited resolution and multiresolution methods in complex network community detection | |
CN108418727A (zh) | 一种探测网络设备的方法及系统 | |
CN109948705A (zh) | 一种基于k近邻图的稀有类检测方法及装置 | |
CN104361242B (zh) | 基于数据驱动和随机直觉模糊策略的轴承故障诊断方法 | |
CN107347183A (zh) | 一种基于pmc检测模型的移动网络中恶意用户的检测方法 | |
Cai et al. | A novel genetic algorithm for overlapping community detection | |
White et al. | Fast approximation algorithms for finding node-independent paths in networks | |
CN104295373B (zh) | 基于三点模型的柴油机故障预测方法 | |
CN103916859B (zh) | 认知无线网络恶意占用信道用户的检测方法 | |
CN106707118A (zh) | 局部放电模式识别方法和装置 | |
CN103888314B (zh) | 基于uio序列法验证有限状态机所处状态的方法 | |
Wu et al. | Optimal multi-community network modularity for information diffusion | |
Liu et al. | Learning to count: A deep learning framework for graphlet count estimation | |
Baswana et al. | Incremental DFS algorithms: a theoretical and experimental study | |
Schaerf et al. | On contour crossings in contour-advective simulations–part 1–algorithm for detection and quantification | |
Kim et al. | Multiscale ensemble clustering for finding modules in complex networks | |
Lee et al. | Generalized Network Generation Method for Small-World Network and Scale-Free Network | |
Smith et al. | An introduction to network analysis | |
Erlebach et al. | Network discovery and verification with distance queries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |