CN108471382A - 一种基于节点度值的复杂网络聚类算法攻击方法 - Google Patents

一种基于节点度值的复杂网络聚类算法攻击方法 Download PDF

Info

Publication number
CN108471382A
CN108471382A CN201810082257.4A CN201810082257A CN108471382A CN 108471382 A CN108471382 A CN 108471382A CN 201810082257 A CN201810082257 A CN 201810082257A CN 108471382 A CN108471382 A CN 108471382A
Authority
CN
China
Prior art keywords
node
network
cluster
angle value
random
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.)
Pending
Application number
CN201810082257.4A
Other languages
English (en)
Inventor
宣琦
陈丽红
赵明浩
陈晋音
俞山青
傅晨波
阮中远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810082257.4A priority Critical patent/CN108471382A/zh
Publication of CN108471382A publication Critical patent/CN108471382A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/46—Cluster building
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

一种基于节点度值的复杂网络聚类算法攻击方法，包括以下步骤：S1：导入网络；S2：采用复杂网络聚类算法对网络进行聚类，得到团簇；S3：按以下步骤选择网络中的K个可操控节点：3.1)计算网络中各节点度值；3.2)选择度值最大的节点；3.3)从剩下的团簇中选择度值最大的节点；3.4)如果K＞h，则重复步骤3.2)和3.3)直至选满K个节点；S4：从K个可操控节点中随机选取一个节点，获得它的簇内邻居节点集合和簇间非邻居节点集合；S5：随机删除一条它与簇内邻居节点的连边，同时增加一条它与簇间非邻居节点的连边；S6：更新网络；S7：重复步骤S4～S6过程T次。本发明可以选择攻击对象，并实现较好的攻击效果。

Description

一种基于节点度值的复杂网络聚类算法攻击方法
技术领域
本发明涉及复杂网络聚类领域和网络攻击领域，特别是涉及一种基于节点度值的复杂网络聚类算法攻击方法。
背景技术
复杂网络是当前多学科交叉的热点研究领域之一。除了小世界、无标度等性质，越来越多的研究表明社团结构也是许多复杂网络共有的性质之一。发现网络中的社团结构对了解网络的功能、探寻网络中隐藏的规律、预测网络的行为等都具有十分重要的意义。至今，已经有许多复杂网络聚类算法被应用于社团结构的发现，包括Girvan和Newman提出的以边介数为分裂条件的GN算法(参考文献[1]:Girvan M,Newman M E J.Communitystructure in social and biological networks[J].Proceedings of the nationalacademy of sciences,2002,99(12):7821-7826.即Girvan M,Newman M E J,社交网络和生物网络中的社团结构,Proceedings of the national academy of sciences,2002,99(12):7821-7826.)，通过迭代删除网络中边介数高的节点进行网络分裂；Newman提出的基于“贪婪”思想的fast newmans算法(参考文献[2]:Newman M E.Fast algorithm fordetecting community structure in networks[J].Physical Review E StatisticalNonlinear&Soft Matter Physics,2004,69(6Pt 2):066133.即Newman M E,识别网络社团结构的快速算法,Physical Review E Statistical Nonlinear&Soft Matter Physics,2004,69(6Pt 2):066133.)，以模块度为优化目标，自下而上进行凝聚。
从量化网络社团结构的显著性角度出发，Karrer等提出了一种对网络添加微小扰动以评估网络社团结构鲁棒性的方法(参考文献[3]:Karrer B,Levina E,Newman ME.Robustness of community structure in networks[J].Physical Review EStatistical Nonlinear&Soft Matter Physics,2007,77(2):046119.即Karrer B,LevinaE,Newman M E,网络社团结构的鲁棒性,Physical Review E Statistical Nonlinear&Soft Matter Physics,2007,77(2):046119.)，根据标准配置模型构建随机图，遍历原网络图中的各个连边，以α的概率移除连边并用已构建的随机图中对应连边替换，得到扰动后的网络。比较原网络与扰动网络的社团发现结果来衡量网络社团结构的鲁棒性，发现空手道俱乐部网络具有强社团结构。
随着复杂网络聚类算法研究的深入，网络结构信息被进一步挖掘，新的关注点应运而生。如何改变网络中的一些连边关系，对复杂网络聚类算法进行攻击，使得部分网络社团结构信息不易被发现。
发明内容
为了克服现有技术中无法实现有效的攻击、攻击成本较大的不足，本发明提供一种结合网络属性选择攻击对象、效果较好的基于节点度值的复杂网络聚类算法攻击方法。
为了解决上述技术问题，本发明所提出的技术方案如下：
一种基于节点度值的复杂网络聚类算法攻击方法，所述方法包括如下步骤：
S1：导入网络G＝(V,E)，其中V表示网络中节点的集合，E表示网络中连边的集合，记网络中共有n个节点，m条连边；
S2：采用聚类算法对网络进行聚类，得到结果为团簇C1，C2，...，Ch，h为聚类得到的团簇个数；
S3：选择网络中的可操控节点；根据节点的度值属性选择网络中的K个节点作为可操控节点，步骤为：
3.1)计算网络中各个节点的度值，节点的度是指与其直接相连的边数目，节点i的度值记为ki；
3.2)网络中K个可操控节点的集合记为Vattacked，选择网络中度值最大的节点添加到集合Vattacked中；
3.3)在剩余的团簇中继续选择度值最大的节点添加到可操控节点集合Vattacked，以此类推；
3.4)如果K＞h，则重复步骤3.2)和3.3)直至选满K个大度值节点；
S4：从可操控节点集合Vattacked中随机选取一个节点Nrandom，获知节点Nrandom所属的团簇，记为Ci，得到它的邻居节点集合φ与非邻居节点集合ψ，再结合步骤S2中获得的聚类团簇结果构建节点Nrandom的簇内邻居节点集合VinClusterNei与簇间非邻居节点集合VoutClusterNonei；
S5：从节点Nrandom的簇内邻居节点集合VinClusterNei中随机选择一个节点，删除两个节点之间的已有连边，同时从节点Nrandom的簇间非邻居节点集合VoutClusterNonei中随机选择一个节点，添加连边；如果集合VinClusterNei为空集，意味着节点Nrandom已不再具有簇内邻居节点，则此轮跳过；
S6：按照步骤S4和S5进行一次重连边后，更新网络；
S7：重复步骤S4～S6所述过程T次。
本发明的技术构思为：为了实现尽可能有效的攻击同时对网络整体的改变尽可能小，一种基于节点度值的复杂网络聚类算法攻击方法主要需要解决以下两个问题：(1)如何选择攻击对象，即网络中的可操控节点；(2)如何对所选节点进行攻击，设计合理的重连边策略，保证整个网络的节点数、连边数不变，并达到较好的攻击效果。
一个节点的度值越大意味着这个节点的度中心性越高，也就意味着这个节点在网络中越重要。同时网络具有社团结构表现为社团内的节点连接比较稠密，社团间的节点连接比较稀疏。在选取网络中的可操控对象以及设计连边策略时，考虑网络的这些特性，结合节点的度值信息以及利用复杂网络聚类算法获得的社团划分结果作为先验知识，可以进行更有效的攻击。
本发明的有益效果为：基于节点的度值选择攻击对象，可以实现较好的攻击效果，即对所选节点进行重连边，使得被攻击的网络社区结构强度变弱，聚类算法获得结果变差。
附图说明
图1为本发明所提出的一种基于节点度值的复杂网络聚类算法攻击方法的流程图。
图2为本发明实施例采用的空手道俱乐部网络。
图3为本发明实施例以Q值为评价指标的攻击效果图。
图4为本发明实施例以NMI为评价指标的攻击效果图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的描述。
参照图1～图4，一种基于节点度值的复杂网络聚类算法攻击方法，本实施例中使用社团发现研究领域中常用的空手道俱乐部网络为实验对象。采用的复杂网络聚类算法为Newman提出的谱模块度最大化算法(参考文献[4]:Newman M E J.Modularity andcommunity structure in networks[J].Proceedings of the National Academy ofSciences of the United States of America,2006,103(23):8577-82.即:Newman M EJ,网络中的模块度和社团结构,Proceedings of the National Academy of Sciences ofthe United States of America,2006,103(23):8577-82.)，该方法应用在空手道俱乐部网络有很好的效果，将网络中的每个节点都划分到了正确的社团。
本实施例中，一种基于节点度值的复杂网络聚类算法攻击方法，包括如下步骤：
S1：导入空手道俱乐部网络G＝(V,E)，其节点集和连边集分别为V＝{1,2,3,...,34}和E＝{(1,2),(1,3),...,(33,34)}，节点总数n＝34，连边总数m＝78；
S2：采用谱模块度最大化算法对网络进行聚类，得到团簇C1和C2；
S3：选择网络中的可操控节点；根据节点的度值属性选择网络中的K个节点作为可操控节点，这里K值取5，步骤为：
3.1)计算网络中各个节点的度值，节点的度是指与其直接相连的边数目，节点i的度值记为ki；
3.2)网络中可操控节点的集合记为Vattacked，选择网络中度值最大的节点添加到集合Vattacked中；
3.3)在剩余的团簇中继续选择度值最大的节点添加到可操控节点集合Vattacked，以此类推；
3.4)重复步骤3.2)和3.3)直至选满5个大度值节点；
S4：从可操控节点集合Vattacked中随机选取一个节点Nrandom，获知节点Nrandom所属的团簇，记为Ci，得到它的邻居节点集合φ与非邻居节点集合ψ，再结合步骤S2中获得的聚类团簇结果构建节点Nrandom的簇内邻居节点集合VinClusterNei与簇间非邻居节点集合VoutClusterNonei；
S5：从节点Nrandom的簇内邻居节点集合VinClusterNei中随机选择一个节点，删除两个节点之间的已有连边，同时从节点Nrandom的簇间非邻居节点集合VoutClusterNonei中随机选择一个节点，添加连边；如果集合VinClusterNei为空集，意味着节点Nrandom已不再具有簇内邻居节点，则此轮跳过；
S6：按照步骤S4和S5进行一次重连边后，更新网络；
S7：重复步骤S4～S6所述过程T次。
根据上述步骤，迭代次数T分别取1,2,3,4,5,6,7，对于每个T值，都生成50个攻击后的网络图，用于后续的攻击效果测试。
本实施例中，用随机攻击方法与本发明提出的攻击方法进行对比。
随机攻击方法的步骤如下：
S1：导入网络G＝(V,E)，其中V表示网络中节点的集合，E表示网络中连边的集合，记网络中共有n个节点，m条连边；
S2：从网络中随机选择K个节点作为可操控节点，记为集合Vattacked；
S3：从可操控节点集合Vattacked中随机选取一个节点Nrandom，获知节点Nrandom的邻居节点集合φ与非邻居节点集合ψ；
S4：从节点Nrandom的邻居节点集合φ随机选择一个节点，删除两个节点间的已有连边，同时从非邻居节点集合ψ中随机选择一个节点添加连边。如果邻居节点集合φ为空，则跳过此轮；
S5：按照步骤S3和S4进行一次重连边后更新网络；
S6：重复步骤S3～S5所述过程T次。
随机攻击方法的具体实施过程中K值也取5，迭代次数T分别取1,2,3,4,5,6,7，对于每个T值，同样生成50个攻击后的网络图，用于后续的攻击效果测试。
将采用随机攻击方法生成的网络图与采用基于节点度值的攻击方法生成的网络图用谱最大化聚类算法进行划分，得到的网络划分结果根据公式(1)计算模块度，衡量划分结果的社团结构强度。
其中，Aij表示网络的邻接矩阵，ci表示节点i所属的社团，δ(ci,cj)为克罗内克δ函数。
图3中每个点的Q值是对应的50张网络图计算结果求平均得到。图中带圆点的实线表示采用随机攻击方法得到的Q值下降效果，带方块的实线表示采用基于节点度值的攻击方法得到的Q值下降效果。由图3可得，在对于网络的攻击上，本发明所提出的一种基于节点度值的复杂网络聚类算法攻击方法，相较于随机攻击方法，可以更有效的达到攻击的目的，使聚类算法得到的划分结果所具有的社团结构强度更快下降。
空手道俱乐部网络是一个有标注的数据集，真实划分结果已知。本实施例又采用了NMI(Normalized Mutual Information)作为评价指标来衡量被攻击网络划分结果与标注结果的相似度，辅证本发明提出的一种基于节点度值的复杂网络聚类算法攻击方法有较好的攻击效果。
图4中每个长条表示的NMI值是对应的50张网络图计算结果求平均得到。图中浅灰色的长条表示采用随机攻击方法得到的NMI值下降效果，深灰色的长条表示采用基于节点度值的攻击方法得到的NMI值下降效果。由图4可以得到，与随机攻击方法相比，本发明所提出的一种基于节点度值的复杂网络聚类算法攻击方法可以更有效的使算法得到的社团划分结果与真实的社团结构偏差增大。
以上阐述的是本发明应用在一个实施例上表现出来的优良效果，显然本发明不仅适合上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。

Claims (1)

1.一种基于节点度值的复杂网络聚类算法攻击方法，其特征在于，所述方法包括如下步骤：
S1：导入网络G＝(V,E)，其中V表示网络中节点的集合，E表示网络中连边的集合，记网络中共有n个节点，m条连边；
S2：采用聚类算法对网络进行聚类，得到结果为团簇C1，C2，...，Ch，h为聚类得到的团簇个数；
S3：选择网络中的可操控节点；根据节点的度值属性选择网络中的K个节点作为可操控节点，步骤为：
3.1)计算网络中各个节点的度值，节点的度是指与其直接相连的边数目，节点i的度值记为ki；
3.2)网络中K个可操控节点的集合记为Vattacked，选择网络中度值最大的节点添加到集合Vattacked中；
3.3)在剩余的团簇中继续选择度值最大的节点添加到可操控节点集合Vattacked；
3.4)如果K＞h，则重复步骤3.2)和3.3)直至选满K个大度值节点；
S4：从可操控节点集合Vattacked中随机选取一个节点Nrandom，获知节点Nrandom所属的团簇，记为Ci，得到它的邻居节点集合φ与非邻居节点集合ψ，再结合步骤S2中获得的聚类团簇结果构建节点Nrandom的簇内邻居节点集合VinClusterNei与簇间非邻居节点集合VoutClusterNonei；
S5：从节点Nrandom的簇内邻居节点集合VinClusterNei中随机选择一个节点，删除两个节点之间的已有连边，同时从节点Nrandom的簇间非邻居节点集合VoutClusterNonei中随机选择一个节点，添加连边，如果集合VinClusterNei为空集，意味着节点Nrandom已不再具有簇内邻居节点，则此轮跳过；
S6：按照步骤S4和S5进行一次重连边后，更新网络；
S7：重复步骤S4～S6所述过程T次。
CN201810082257.4A 2018-01-29 2018-01-29 一种基于节点度值的复杂网络聚类算法攻击方法 Pending CN108471382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810082257.4A CN108471382A (zh) 2018-01-29 2018-01-29 一种基于节点度值的复杂网络聚类算法攻击方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810082257.4A CN108471382A (zh) 2018-01-29 2018-01-29 一种基于节点度值的复杂网络聚类算法攻击方法

Publications (1)

Publication Number Publication Date
CN108471382A true CN108471382A (zh) 2018-08-31

Family

ID=63266178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810082257.4A Pending CN108471382A (zh) 2018-01-29 2018-01-29 一种基于节点度值的复杂网络聚类算法攻击方法

Country Status (1)

Country Link
CN (1) CN108471382A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376544A (zh) * 2018-09-18 2019-02-22 浙江工业大学 一种防止复杂网络中的社团结构被深度挖掘的方法
CN110650156A (zh) * 2019-10-23 2020-01-03 北京天融信网络安全技术有限公司 网络实体的关系聚类方法、装置及网络事件的识别方法
CN112383422A (zh) * 2020-11-04 2021-02-19 浙江大学 加快一致性分布式算法收敛速度的网络拓扑优化方法
CN112733136A (zh) * 2021-01-12 2021-04-30 浙江工业大学 一种基于网络节点拓扑结构的对抗攻击检测方法和系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376544A (zh) * 2018-09-18 2019-02-22 浙江工业大学 一种防止复杂网络中的社团结构被深度挖掘的方法
CN109376544B (zh) * 2018-09-18 2022-04-29 浙江工业大学 一种防止复杂网络中的社团结构被深度挖掘的方法
CN110650156A (zh) * 2019-10-23 2020-01-03 北京天融信网络安全技术有限公司 网络实体的关系聚类方法、装置及网络事件的识别方法
CN110650156B (zh) * 2019-10-23 2021-12-31 北京天融信网络安全技术有限公司 网络实体的关系聚类方法、装置及网络事件的识别方法
CN112383422A (zh) * 2020-11-04 2021-02-19 浙江大学 加快一致性分布式算法收敛速度的网络拓扑优化方法
CN112383422B (zh) * 2020-11-04 2021-11-02 浙江大学 加快一致性分布式算法收敛速度的网络拓扑优化方法
CN112733136A (zh) * 2021-01-12 2021-04-30 浙江工业大学 一种基于网络节点拓扑结构的对抗攻击检测方法和系统

Similar Documents

Publication Publication Date Title
Jin et al. SwiftIDS: Real-time intrusion detection system based on LightGBM and parallel intrusion detection mechanism
CN108471382A (zh) 一种基于节点度值的复杂网络聚类算法攻击方法
CN110138764B (zh) 一种基于层次攻击图的攻击路径分析方法
CN106375345B (zh) 一种基于周期性检测的恶意软件域名检测方法及系统
CN107729767B (zh) 基于图基元的社会网络数据隐私保护方法
CN107517201B (zh) 一种基于时序移除的网络脆弱性辨识方法
CN109376544B (zh) 一种防止复杂网络中的社团结构被深度挖掘的方法
CN111625820A (zh) 一种基于面向AIoT安全的联邦防御方法
CN113627479B (zh) 一种基于半监督学习的图数据异常检测方法
CN113297429B (zh) 一种基于神经网络架构搜索的社交网络链路预测方法
CN107046534A (zh) 一种网络安全态势模型训练方法、识别方法及识别装置
CN109561100A (zh) 基于分布式与人工智能的双工赋能网络攻防的方法及系统
CN113222930A (zh) 基于图像分析的恶意流量检测方法、终端设备及存储介质
CN109753797A (zh) 针对流式图的密集子图检测方法及系统
CN113422695A (zh) 一种提高物联网拓扑结构鲁棒性能的优化方法
CN107070932B (zh) 社会网络动态发布中防止标签邻居攻击的匿名方法
CN113901448A (zh) 基于卷积神经网络和轻量级梯度提升机的入侵检测方法
Jiang et al. Dynamic community detection based on game theory in social networks
CN106027567B (zh) 利用篡改感知数据攻击特征的分布式频谱感知方法和装置
CN116595467A (zh) 一种基于动态加权图卷积的异常用户检测方法及存储介质
CN104091123B (zh) 一种社区网络的层次病毒免疫方法
CN110572259A (zh) 一种基于置换运算的无第三方量子信息相等性对比方法
Yang et al. Botnet detection based on machine learning
CN112347369B (zh) 基于网络表征的集成学习动态社会网络链路预测方法
CN114398977A (zh) 一种基于对抗样本的网络欺骗流量生成方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180831

RJ01 Rejection of invention patent application after publication