CN109376544A - 一种防止复杂网络中的社团结构被深度挖掘的方法 - Google Patents
一种防止复杂网络中的社团结构被深度挖掘的方法 Download PDFInfo
- Publication number
- CN109376544A CN109376544A CN201811088067.XA CN201811088067A CN109376544A CN 109376544 A CN109376544 A CN 109376544A CN 201811088067 A CN201811088067 A CN 201811088067A CN 109376544 A CN109376544 A CN 109376544A
- Authority
- CN
- China
- Prior art keywords
- network
- community structure
- individual
- complex network
- excavated
- 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 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000007792 addition Methods 0.000 claims abstract description 7
- 238000012217 deletion Methods 0.000 claims abstract description 7
- 230000037430 deletion Effects 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000009412 basement excavation Methods 0.000 abstract 1
- 241001481833 Coryphaena hippurus Species 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005295 random walk Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6263—Protecting personal data, e.g. for financial or medical purposes during internet communication, e.g. revealing personal data from cookies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种防止复杂网络中的社团结构被深度挖掘的方法，包括以下步骤：(1)对于给定网络，根据设定的编码方式初始化种群，再对初始种群依次进行选择，交叉，变异以及精英保留获得最优个体，即为复杂网络聚类算法的最优攻击策略；(2)根据最优个体，增删网络中相应的连边，获得伪装后的新网络以防止复杂网络中的社团结构被精准挖掘。本发明提供的防止复杂网络中的社团结构被深度挖掘的方法有效地降低了复杂网络聚类算法的性能，保障了网络中团体的隐私安全。
Description
技术领域
本发明涉及复杂网络聚类、进化计算领域，特别是涉及一种防止复杂网络中的社团结构被深度挖掘的方法。
背景技术
除小世界、无标度等基本统计特性外，存在于众多复杂网络中的社团结构也被认为是其最重要的拓扑属性之一。复杂网络聚类算法的研究吸引了许多科学家的关注，大量相关算法出现，如Girvan和Newman提出的通过迭代移除边介数最大的连边的GN算法(参考文献[1]:Girvan M,Newman M E J.Community structure in social and biologicalnetworks[J].Proceedings of the national academy 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 ofthe national academy of sciences,2002,99(12):7821-7826.)，Rosvall等提出的一种基于随机游走的社团发现算法以检测有权有向网络中的社团结构(参考文献[2]：RosvallM,Bergstrom C T.Maps of random walks on complex networks reveal communitystructure[J].Proceedings of the National Academy of Sciences,2008,105(4):1118-1123.即Rosvall M,Bergstrom C T，复杂网络中的随机游走图揭示社团结构，Proceedings of the National Academy of Sciences,2008,105(4):1118-1123.)。
然而，随着各种复杂网络聚类算法在精度和速度上的不断提升，信息过度挖掘从而导致隐私泄露的问题逐渐引发了人们新的担忧。Waniek等人关注到了由于网络分析工具的发展引起的隐私泄露问题，针对个体的隐藏和社团的隐藏分别提出了启发式算法ROAM和DICE。其中DICE主要通过隐藏指定社团C*中的内部已有连边，添加其与外部社团的虚假连边来增强隐蔽性(参考文献[3]：Waniek M,Michalak T P,Wooldridge M J,et al.Hidingindividuals and communities in a social network[J].Nature Human Behaviour,2018,2(2):139.即Waniek M,Michalak T P,Wooldridge M J等人，隐藏社交网络中的个人和社团，Nature Human Behaviour,2018,2(2):139.)。
总的来说，目前对于如何采取相关措施以对抗不断进步的数据挖掘工具，避免信息被过度挖掘的研究尚少。
发明内容
本发明的目的是提供一种防止复杂网络中的社团结构被深度挖掘的方法，该方法中，基于遗传算法在给定的网络中寻找使复杂网络聚类算法性能下降最为显著的攻击策略，并根据该攻击策略伪装网络中的一些连边关系以防止复杂网络中的社团结构被深度挖掘。
为实现上述发明目的，本发明提供以下技术方案：
一种防止复杂网络中的社团结构被深度挖掘的方法，包括以下步骤：
(1)对于给定的网络，采用遗传算法寻找复杂网络聚类算法的最优攻击策略；
(2)根据该攻击策略重新构建新网络以防止复杂网络中的社团结构被深度挖掘。
上述复杂网络聚类算法是指复杂网络研究领域中用于检测网络中存在的社团结构的一系列算法，比较著名的如GN算法、FN算法、Infomap算法、Louvain算法以及LPA算法等。
本发明的技术构思为：在一定的攻击成本下寻找最优的复杂网络聚类算法攻击策略是一个优化问题。本发明充分利用了遗传算法在解决复杂的优化问题上所表现出的智能性、鲁棒性等优势，基于生物进化的思想来获得复杂网络聚类算法的攻击策略。再根据攻击策略重建网络，以防止复杂网络中的社团结构被深度挖掘，提升网络的安全性。
优选地，步骤(1)中，
给定网络为G＝(V,E)，其中，V表示网络节点集合，E表示网络连边集合；
染色体编码方式为：每个基因位表示一次重连边攻击，具体包括删除连边和增加连边，染色体长度表示攻击次数；采用所述染色体编码方式随机生成初始种群，并固定种群大小；
对初始种群中个体进行选择，交叉，变异操作，同时引入精英保留策略，以获得最优个体，该最优个体即为最优的攻击策略。
具体地，根据以下方式对初始种群中的个体进行选择：
首先，计算种群中每个个体的适应度值；
然后，采用轮盘赌方式进行选择，即每个个体被选中的概率与其适应度值大小成正比：
其中，pi表示第i个个体被选中的概率，f(i)、f(j)分别表示对应的第i个、第j个个体的适应度值。
具体地，所述适应度值通过以下适应度函数计算得到，适应度函数f(x)为：
f(x)＝2*e-Q
其中，Q为模块度，模块度是用于衡量复杂网络聚类算法得到的划分结果的社团结构强度的一个指标，Q值越小说明社团结构强度越弱；
模块度公式如下：
其中，m表示网络的连边数，Aij表示网络的邻接矩阵，ki,kj分别表示节点i,j的度值，ci,cj表示节点i,j所属的社团，δ(ci,cj)为克罗内克δ函数。
所述交叉，变异操作包括：
被选中的两个父代个体以一定的交叉概率Pc进行交叉操作，形成两个新个体；
产生的新个体再以一定的变异概率Pm进行变异操作，变异操作包括：
删边变异，表示攻击目标节点不变，删除边发生改变；
加边变异，表示攻击目标节点不变，添加边发生改变；
重连边变异，表示包括攻击目标节点在内的整个基因位发生改变。
所述精英保留具体包括：
用父代中最优的10％的个体替换子代中最差的10％的个体。
所述交叉概率Pc和变异概率Pm根据调参实验结果进行选择。
优选地，所述根据该攻击策略重新构建新网络包括：
根据得到的最优个体，在网络中增删(增加和删除)相应的连边。
与现有技术相比，本发明具有的有益效果为：
基于遗传算法得到的复杂网络聚类算法攻击策略，可以达到较好的攻击效果，使得被攻击的网络社团结构强度变弱，聚类算法性能变差，避免信息被过度挖掘。
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做简单地介绍，显而易见地，下面描述中的附图仅仅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前提下，还可以根据这些附图获得其他附图。
图1为实施例提供的防止网络被深度挖掘的方法的流程图；
图2为本发明实施例以Q值为评价指标的攻击效果图；
图3为本发明实施例以NMI为评价指标的攻击效果图；
图4为本发明实施例提供的种群个体的编码方式的示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
考虑到近年来进化算法在多个领域都得到了应用且取得不错的效果，本实施例旨在结合遗传算法来解决以下问题：在给定的攻击成本(即一定的网络连边改变数量)下寻找使得复杂网络聚类算法性能下降最为显著的攻击策略，从而为更好的隐藏网络中的相关社团结构信息提供指导。
在本实施例中，采用海豚网络数据集。选用的复杂网络聚类算法为Newman提出的Fast Newman算法(参考文献[4]:Newman M E.Fast algorithm for detecting communitystructure in networks[J].Physical Review E Statistical Nonlinear&Soft MatterPhysics,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.)。
参照图1，本实施例提供的防止复杂网络中的社团结构被深度挖掘的方法包括以下步骤：
S101，导入海豚网络G＝(V,E)，其节点集和连边集分别为V＝{0,1,2,…,61}和E＝{(0,10),(0,14),(0,15)…}，节点总数n＝62，连边总数m＝159。
S102，采用利用遗传算法寻找复杂网络算法的最优的攻击策略，具体过程为：
S1021，种群初始化：根据设计的编码方式随机生成初始种群，种群大小固定，这里设定为popsize＝100。
设计的编码方式为以染色体上的每个基因位表示一次重连边攻击，具体包括删除连边和增加连边，染色体长度表示攻击次数。图4所示的根据编码方式生成的攻击次数为4的一个示例个体，即每个基因位为一对删/增连边，对于第一个基因位当被攻击时，删除由网络节点23和网络节点32组成的连边(23,32)，增加由网络节点23和网络节点10组成的连边(23,10)。
S1022，选择：首先计算种群中每个个体的适应度值，然后采用轮盘赌方式进行选择，即每个个体被选中的概率与其适应度值大小成正比：
其中，pi表示第i个个体被选中的概率，f(i)为第i个个体的是适应度值，f(j)表示第j个个体的是适应度值；
其中，适应度函数f(x)为：
f(x)＝2*e-Q
其中，Q为模块度，模块度是用于衡量复杂网络聚类算法得到的划分结果的社团结构强度的一个指标，Q值越小说明社团结构强度越弱；
模块度公式如下：
其中，m表示连边数，Aij表示网络的邻接矩阵，ki,kj分别表示节点i,j的度值，ci,cj表示节点i,j所属的社团，δ(ci,cj)为克罗内克δ函数。
S1023，交叉：被选中的两个父代个体以一定的交叉概率Pc＝0.6进行交叉操作，形成两个新个体。
S1024，变异：产生的新个体再以一定的变异概率Pm＝0.06进行变异操作。具体地，变异操作包括：删边变异，表示攻击目标节点不变，删除边发生改变；加边变异，表示攻击目标节点不变，添加边发生改变；重连边变异，表示包括攻击目标节点在内的整个基因位发生改变。
S1025，精英保留：用父代中最优的10％的个体替换子代中最差的10％的个体。
S1026，终止准则：以固定的进化代数为终止条件，判断Iteration＝500是否满足，条件不满足，新产生的种群变为父代种群，重复步骤2.2)～2.6)，否则算法终止。
S103，从最后一代种群中获取最优个体，即为通过遗传算法寻优得到的复杂网络聚类算法的最优攻击策略，将该最优攻击测略应用到海豚网络G中，在网络中增删相应的连边，获得攻击后的网络。
对于攻击后得到的新网络，采用FN算法对新网络的社团结构进行检测，验证攻击效果。
图2是以模块度为评价指标的攻击效果展示，其中虚线表示FN算法检测原海豚网络中的社团结构得到的模块度，表明原网络具有较强的社团结构，带星号实线表示FN算法检测攻击后海豚网络的社团结构得到的模块度，横轴为攻击数，每一个点的值为本发明10次运行的平均。
图3是以标准化互信息NMI为评价指标的攻击效果展示。NMI用于衡量检测到的社团划分结果与标注结果的相似度，公式如下：
其中H(X)表示划分X的信息熵，H(X|Y)表示条件熵，即已知划分Y的情况下获取划分X所需的信息量。
图3中，虚线表示FN算法检测原海豚网络中的社团结构得到的NMI，带方块实线表示FN算法检测攻击后海豚网络中的社团结构得到的NMI。
综上，图2，3均表明本发明提供的防止复杂网络中的社团结构被深度挖掘的方法有效地降低了复杂网络聚类算法的性能，即能够有限地避免复杂网络中的社团结构被深度挖掘，进而保障网络中团体的隐私安全。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种防止复杂网络中的社团结构被深度挖掘的方法，包括以下步骤：
(1)对于给定的网络，采用遗传算法寻找复杂网络聚类算法的最优攻击策略；
(2)根据该攻击策略重新构建新网络以防止复杂网络中的社团结构被深度挖掘。
2.如权利要求1所述的防止复杂网络中的社团结构被深度挖掘的方法，其特征在于，步骤(1)中，
给定网络为G＝(V,E)，其中，V表示网络节点集合，E表示网络连边集合；
染色体编码方式为：每个基因位表示一次重连边攻击，具体包括删除连边和增加连边，染色体长度表示攻击次数；采用所述染色体编码方式随机生成初始种群，并固定种群大小；
对初始种群中个体进行选择，交叉，变异操作，同时引入精英保留策略，以获得最优个体，该最优个体即为最优的攻击策略。
3.如权利要求2所述的防止复杂网络中的社团结构被深度挖掘的方法，其特征在于，根据以下方式对初始种群中的个体进行选择：
首先，计算种群中每个个体的适应度值；
然后，采用轮盘赌方式进行选择，即每个个体被选中的概率与其适应度值大小成正比：
其中，pi表示第i个个体被选中的概率，f(i)、f(j)分别表示对应的第i个、第j个个体的适应度值。
4.如权利要求3所述的防止复杂网络中的社团结构被深度挖掘的方法，其特征在于，所述适应度值通过以下适应度函数计算得到，适应度函数f(x)为：
f(x)＝2*e-Q
其中，Q为模块度，模块度是用于衡量复杂网络聚类算法得到的划分结果的社团结构强度的一个指标，Q值越小说明社团结构强度越弱；
模块度公式如下：
其中，m表示网络的连边数，Aij表示网络的邻接矩阵，ki,kj分别表示节点i,j的度值，ci,cj表示节点i,j所属的社团，δ(ci,cj)为克罗内克δ函数。
5.如权利要求2所述的防止复杂网络中的社团结构被深度挖掘的方法，其特征在于，所述交叉，变异操作包括：
被选中的两个父代个体以一定的交叉概率Pc进行交叉操作，形成两个新个体；
产生的新个体再以一定的变异概率Pm进行变异操作，变异操作包括：
删边变异，表示攻击目标节点不变，删除边发生改变；
加边变异，表示攻击目标节点不变，添加边发生改变；
重连边变异，表示包括攻击目标节点在内的整个基因位发生改变。
6.如权利要求2所述的防止复杂网络中的社团结构被深度挖掘的方法，其特征在于，所述精英保留具体包括：
用父代中最优的10％的个体替换子代中最差的10％的个体。
7.如权利要求1所述的防止复杂网络中的社团结构被深度挖掘的方法，其特征在于，所述根据该攻击策略重新构建新网络包括：
根据得到的最优个体，在网络中增删相应的连边。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811088067.XA CN109376544B (zh) | 2018-09-18 | 2018-09-18 | 一种防止复杂网络中的社团结构被深度挖掘的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811088067.XA CN109376544B (zh) | 2018-09-18 | 2018-09-18 | 一种防止复杂网络中的社团结构被深度挖掘的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109376544A true CN109376544A (zh) | 2019-02-22 |
| CN109376544B CN109376544B (zh) | 2022-04-29 |
Family
ID=65405560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811088067.XA Active CN109376544B (zh) | 2018-09-18 | 2018-09-18 | 一种防止复杂网络中的社团结构被深度挖掘的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376544B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110086670A (zh) * | 2019-04-29 | 2019-08-02 | 安徽大学 | 基于局部邻居信息的大规模复杂网络社团发现方法及应用 |
| CN110222505A (zh) * | 2019-05-30 | 2019-09-10 | 北方工业大学 | 一种基于遗传算法的工控攻击样本扩张方法及系统 |
| CN110910261A (zh) * | 2019-10-24 | 2020-03-24 | 浙江工业大学 | 一种基于多目标优化的网络社团检测对抗增强方法 |
| CN111581768A (zh) * | 2020-03-26 | 2020-08-25 | 东南大学 | 一种基于混合量测的配电网分布式状态估计方法 |
| CN113992375A (zh) * | 2021-10-21 | 2022-01-28 | 中国人民解放军国防科技大学 | 一种基于遗传算法的异质复杂网络防御方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120191797A1 (en) * | 2003-11-07 | 2012-07-26 | Plaxo, Inc. | Viral Engine for Network Deployment |
| CN102722751A (zh) * | 2012-05-11 | 2012-10-10 | 北京航空航天大学 | 一种空战多目标分配的启发式量子遗传方法 |
| CN104200272A (zh) * | 2014-08-28 | 2014-12-10 | 北京工业大学 | 一种基于改进遗传算法的复杂网络社区挖掘方法 |
| CN107066709A (zh) * | 2017-03-29 | 2017-08-18 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
| CN107395426A (zh) * | 2017-08-04 | 2017-11-24 | 中山大学 | 一种基于节点使用概率的通信网络结构优化方法 |
| CN108471382A (zh) * | 2018-01-29 | 2018-08-31 | 浙江工业大学 | 一种基于节点度值的复杂网络聚类算法攻击方法 |
-
2018
- 2018-09-18 CN CN201811088067.XA patent/CN109376544B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120191797A1 (en) * | 2003-11-07 | 2012-07-26 | Plaxo, Inc. | Viral Engine for Network Deployment |
| CN102722751A (zh) * | 2012-05-11 | 2012-10-10 | 北京航空航天大学 | 一种空战多目标分配的启发式量子遗传方法 |
| CN104200272A (zh) * | 2014-08-28 | 2014-12-10 | 北京工业大学 | 一种基于改进遗传算法的复杂网络社区挖掘方法 |
| CN107066709A (zh) * | 2017-03-29 | 2017-08-18 | 西安电子科技大学 | 基于多智能体遗传算法的电力运输网络拓扑结构设计方法 |
| CN107395426A (zh) * | 2017-08-04 | 2017-11-24 | 中山大学 | 一种基于节点使用概率的通信网络结构优化方法 |
| CN108471382A (zh) * | 2018-01-29 | 2018-08-31 | 浙江工业大学 | 一种基于节点度值的复杂网络聚类算法攻击方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110086670A (zh) * | 2019-04-29 | 2019-08-02 | 安徽大学 | 基于局部邻居信息的大规模复杂网络社团发现方法及应用 |
| CN110222505A (zh) * | 2019-05-30 | 2019-09-10 | 北方工业大学 | 一种基于遗传算法的工控攻击样本扩张方法及系统 |
| CN110910261A (zh) * | 2019-10-24 | 2020-03-24 | 浙江工业大学 | 一种基于多目标优化的网络社团检测对抗增强方法 |
| CN111581768A (zh) * | 2020-03-26 | 2020-08-25 | 东南大学 | 一种基于混合量测的配电网分布式状态估计方法 |
| CN113992375A (zh) * | 2021-10-21 | 2022-01-28 | 中国人民解放军国防科技大学 | 一种基于遗传算法的异质复杂网络防御方法 |
| CN113992375B (zh) * | 2021-10-21 | 2023-08-25 | 中国人民解放军国防科技大学 | 一种基于遗传算法的异质复杂网络防御方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109376544B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376544A (zh) | 一种防止复杂网络中的社团结构被深度挖掘的方法 | |
| CN103729475B (zh) | 一种社交网络中的多标签传播重叠社区发现方法 | |
| CN104660594B (zh) | 一种面向社交网络的虚拟恶意节点及其网络识别方法 | |
| Luo et al. | A novel intrusion detection system based on feature generation with visualization strategy | |
| CN104408149A (zh) | 基于社交网络分析的犯罪嫌疑人挖掘关联方法及系统 | |
| Roch et al. | Recovering the treelike trend of evolution despite extensive lateral genetic transfer: a probabilistic analysis | |
| CN109902203A (zh) | 基于边的随机游走的网络表示学习方法和装置 | |
| CN114238958A (zh) | 一种基于溯源聚类及图序列化的入侵检测方法及系统 | |
| WO2021212649A1 (zh) | 一种入侵杂草算法求解资源受限项目调度方法 | |
| Zhang et al. | An improved squirrel search algorithm with reproductive behavior | |
| CN111428323A (zh) | 复杂网络中利用广义折扣度与k-shell识别一组关键节点的方法 | |
| CN113807520A (zh) | 基于图神经网络的知识图谱对齐模型的训练方法 | |
| Alzaqebah et al. | A hierarchical intrusion detection system based on extreme learning machine and nature-inspired optimization | |
| CN103150163A (zh) | 一种基于MapReduce模型的并行关联方法 | |
| Zhao et al. | Stability-based analysis and defense against backdoor attacks on edge computing services | |
| Zhou et al. | Comparative study on the time series forecasting of web traffic based on statistical model and Generative Adversarial model | |
| CN102571431A (zh) | 针对复杂网络的基于群思想改进的Fast-Newman聚类方法 | |
| Peng et al. | Targeting attack hypergraph networks | |
| CN109783696A (zh) | 一种面向弱结构相关性的多模式图索引构建方法及系统 | |
| CN109002856A (zh) | 一种基于随机游走的流量特征自动生成方法与系统 | |
| CN110490000A (zh) | 多图数据中频繁子图挖掘的差分隐私保护方法 | |
| Wang et al. | Overlapping community detection based on node importance and adjacency information | |
| CN116916317A (zh) | 一种基于大白鲨和随机森林的入侵检测方法 | |
| Nguyen et al. | Context tree maximizing | |
| CN116633589A (zh) | 社交网络中恶意账户检测方法、设备及存储介质 |
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 |