CN109918549A - 一种基于seir传播模型的单一谣言源点溯源系统及方法 - Google Patents
一种基于seir传播模型的单一谣言源点溯源系统及方法 Download PDFInfo
- Publication number
- CN109918549A CN109918549A CN201910048956.1A CN201910048956A CN109918549A CN 109918549 A CN109918549 A CN 109918549A CN 201910048956 A CN201910048956 A CN 201910048956A CN 109918549 A CN109918549 A CN 109918549A
- Authority
- CN
- China
- Prior art keywords
- node
- state
- rumour
- network
- infection
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 208000015181 infectious disease Diseases 0.000 claims abstract description 99
- 230000002458 infectious effect Effects 0.000 claims abstract description 38
- 238000011084 recovery Methods 0.000 claims abstract description 4
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002155 anti-virotic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明请求保护一种基于SEIR传播模型的单一谣言源点溯源系统及方法,涉及社交网络中源点溯源算法领域,方法包括步骤:SEIR传播模型建立步骤:将网络中所有的节点状态模拟为SEIR传播模型,即网络中所有的节点状态由以下四种状态表示:潜伏态S、暴露态E、感染态I以及恢复态R,用于分析谣言在网络中的传播规律,然后根据网络感染快照,确定感染态节点在网络中的位置;节点感染偏心距计算步骤:根据感染快照中感染态节点的位置,计算各个节点到感染态节点的距离,从而求出各节点感染偏心距;Jordan感染中心选取步骤:从所有节点的感染偏心距选取Jordan感染中心,并最终确定谣言源点。本发明可以有效快速的定位实际的谣言源点。
Description
技术领域
本发明属于社交网络中源点溯源算法领域。提出一种基于SEIR传播模型的单一谣言源点溯源系统及方法,主要从模型建立、计算节点感染偏心距以及选取Jordan感染中心三个方面为社交网络中源点溯源算法领域提供一种新的方法与思路。
背景技术
网络的迅猛发展不仅便利了我们的生活,同时也给我们带来许多安全隐患。例如,谣言作为一种未经官方认证的信息,它可以在短时间内在社交网络中迅速传播,这些带有迷惑性的信息不但会破坏网络的稳定性,甚至还会破坏社会的秩序,究其根本原因,是网络中的任何用户都可以在社交网络中发布未经证实的信息,即网络谣言,随着谣言在网络中迅速扩散并感染其他用户,追踪谣言的实际来源则会非常困难,因此及时定位谣言的来源、减少谣言对网络的破坏则是非常重要的。传统的技术,如网络IP追踪仍然不足以及时定位谣言的实际来源,因为在网络中接收有关数据包的节点只是参与传播的节点之一,并不是谣言的实际来源。因此,我们有必要从网络的逻辑结构中找出更实用的方法来定位谣言来源。
本质上,谣言在社交网络中传播的情景可以由信息传播模型来模拟,根据不同的传播模型,节点的状态可以由不同的符号来表示。在发明中我们使用潜伏态(S)-暴露态(E)-感染态(I)-恢复态(R)(SEIR)模型模拟网络中节点的状态变化,然后根据已知的感染快照和网络拓扑结构,定位实际的谣言来源,最终达到控制风险的目的。
近年来,相关学者提出了许多基于信息传播模型的溯源方法。例如,著名的潜伏态(S)-感染态(I)传播模型(SI)通常用于研究信息在树形网络拓扑下的传播规律,在这个传播模型中,网络中的所有节点用两种可能的状态来表示:潜伏态(S)和感染态(I),并在此模型的基础下,相关学者提出了节点的中心性用于定量分析节点在网络中的重要程度,并得到了谣言源点是网络中中心性最大的节点的结论。随后,其他一些信息传播模型相继被提出用于模拟节点在网络中的状态变化以解决网络谣言的溯源问题,如潜伏态(S)-感染态(I)-潜伏态(S)传播模型(SIS)和潜伏态(S)-感染态(I)-恢复态(R)传播模型(SIR),此外,相关学者还将节点中心性方法的适用领域从单一谣言源点溯源问题扩展到多源点溯源问题。然而,大量的模拟实验表明,通过计算网络节点中心性来定位谣言源点的效率仍然较低。
为了克服上述技术的不足,相关学者提出通过计算可能的谣言感染路径来估计谣言源点。通过网络中谣言可能的感染路径计算最优的感染路径,最终得到最优感染路径上节点状态变化发生的概率最高的结论,即Jordan感染中心是谣言源点的概率最高。
实际上,现有的研究工作是基于三种状态的传播模型,即网络中的节点状态用潜伏态(S),感染态(I)以及恢复态(R)来表示,而三种状态的传播模型由于过于简单,仍然无法完全模拟网络中节点的状态变化,所以在多状态模型下建模研究溯源问题逐渐得到有关学者们的关注。例如,携带病毒的计算机可能被病毒感染,也有可能因为安装的防病毒软件而恢复;微博上的用户在收到一条未经证实的消息后可能会相信并转发给他们的朋友,也有可能不相信其真实性而删除,故相关学者认为网络中接收谣言的节点可能会相信并转发谣言,也有可能不相信并丢弃谣言。因此,一个处于潜伏态和感染态之间的中间状态被学者们提出:暴露态(E)。随后,SEIR模型被广泛应用于谣言在网络中的传播研究,由于SEIR模型在潜伏态和感染状之间存在一个中间状态,即暴露态,因此它比三态模型更符合实际网络中节点的状态变化。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种快速、有效定位实际的谣言源点的基于SEIR传播模型的单一谣言源点溯源系统及方法。本发明的技术方案如下:
一种基于SEIR传播模型的单一谣言源点溯源系统,其包括:SEIR传播模型建立模块、节点感染偏心距计算模块及Jordan感染中心选取模块;其中,所述SEIR传播模型建立模块,用于将网络中所有的节点状态模拟为SEIR传播模型,即网络中所有的节点状态由以下四种状态表示:潜伏态S、暴露态E、感染态I以及恢复态R,用于分析谣言在网络中的传播规律;
所述节点感染偏心距计算模块,通过节点状态获取软件获取当前网络节点的感染快照,其中在感染快照中我们只能分辨出感染态I的节点,而不能分辨潜伏态S、暴露态E以及恢复态R的节点,根据感染态I节点在感染快照中的位置,计算网络中各个节点与感染态I节点的距离,从而求出各个节点的感染偏心距;
所述Jordan感染中心选取模块,用于从所有节点的感染偏心距选取Jordan感染中心,并最终确定谣言源点。
进一步的,所述SEIR传播模型建立模块具体包括:
将网络中所有的节点和边模拟为一个无向的图G={V,E},其中V代表一个可数的节点集合,E代表一个可数的边集合,在SEIR传播模型中,网络中的节点状态可以用以下四种状态来表示:潜伏态S、暴露态E、感染态I以及恢复态R,并在离散的时间片传播系统下,假设所有节点在每个离散的时间片都可以根据各自之前时间片的状态来改变自己的当前状态;
在所述的SEIR传播模型中,假设谣言开始传播时,即时间片t=0时,网络中只有一个状态为I的节点,即谣言源点s*,随后,s*逐渐感染扩散周围的S状态节点,具体包括:
在传播的每一个时间片,状态为I的节点都会向状态为S的邻居节点传播谣言,收到谣言的S状态节点则转变为E状态,如果这些E状态的节点相信谣言的真实性,并转发谣言给S状态的邻居节点,则E状态转变为I状态,如果E状态的节点不相信谣言的真实性,并删除谣言,E状态转变为R状态,此外,如果处于I状态的节点删除谣言,则I状态转变为R状态,而R状态的节点不会再收到谣言。
进一步的,所述节点感染偏心距计算模块具体包括:根据一个谣言传播结果的网络观测快照Φ,只能分辨状态为I的节点,而不能分辨其他状态的节点,对于节点u,v∈V且节点v为感染态I,定义符号l(u,v)表示节点u到被感染节点v的最短路径,则网络节点u的感染偏心距定义为这个节点到其余被感染节点的最大距离,用公式表示如下:
进一步的,所述Jordan感染中心选取模块,用于从所有节点的感染偏心距选取Jordan感染中心,并最终确定谣言源点,具体包括:
得到网络中所有节点感染偏心距的大小,从所有网络节点中选取Jordan感染中心,在网络中,Jordan感染中心被定义为一个感染偏心距最小的网络节点,用公式表示如下:
由于Jordan感染中心为谣言源点s*概率较大的特点,最终确定谣言源点s*。
一种基于SEIR传播模型的单一谣言源点溯源方法,其包括以下步骤:
SEIR传播模型建立步骤:将网络中所有的节点状态模拟为SEIR传播模型,即网络中所有的节点状态由以下四种状态表示:潜伏态S、暴露态E、感染态I以及恢复态R,用于分析谣言在网络中的传播规律,获取网络感染快照,确定所有网络节点的状态;
节点感染偏心距计算步骤:从网络感染快照中计算网络中所有节点的感染偏心距;
Jordan感染中心选取步骤:从所有节点的感染偏心距选取Jordan感染中心,并最终确定谣言源点。
进一步的,所述SEIR传播模型的建立步骤具体包括:
将网络中所有的节点和边模拟为一个无向的图G={V,E},其中V代表一个可数的节点集合,E代表一个可数的边集合,在SEIR传播模型中,网络中的节点状态可以用以下四种状态来表示:潜伏态S、暴露态E、感染态I以及恢复态R,并在离散的时间片传播系统下,假设所有节点在每个离散的时间片都可以根据各自之前时间片的状态来改变自己的当前状态;
在所述的SEIR传播模型中,假设谣言开始传播时,即时间片t=0时,网络中只有一个状态为I的节点,即谣言源点s*,随后,s*逐渐感染扩散周围的S状态节点,具体包括:
在传播的每一个时间片,状态为I的节点都会向状态为S的邻居节点传播谣言,收到谣言的S状态节点则转变为E状态,如果这些E状态的节点相信谣言的真实性,并转发谣言给S状态的邻居节点,则E状态转变为I状态,如果E状态的节点不相信谣言的真实性,并删除谣言,E状态转变为R状态,此外,如果处于I状态的节点删除谣言,则I状态转变为R状态,而R状态的节点不会再收到谣言。
进一步的,所述节点感染偏心距计算步骤具体包括:根据一个谣言传播结果的网络观测快照Φ,只能分辨状态为I的节点,而不能分辨其他状态的节点,对于节点u,v∈V且节点v为感染态I,定义符号l(u,v)表示节点u到被感染节点v的最短路径,则网络节点u的感染偏心距定义为这个节点到其余被感染节点的最大距离,用公式表示如下:
进一步的,所述Jordan感染中心选取步骤具体包括:
得到网络中所有节点感染偏心距的大小,从所有网络节点中选取Jordan感染中心,在网络中,Jordan感染中心被定义为一个感染偏心距最小的网络节点,用公式表示如下:
由于Jordan感染中心为谣言源点s*概率较大的特点,最终确定谣言源点s*。
本发明的优点及有益效果如下:
(1)本发明提出一种基于SEIR传播模型的单一谣言源点溯源系统及方法,即将网络中所有的节点状态模拟为以下四种状态:潜伏态(S)、暴露态(E)、感染态(I)以及恢复态(R),用于更好的分析谣言在网络中的传播规律,并根据一个谣言传播结果的网络观测快照,定位实际的谣言源点。
(2)根据一个谣言传播结果的网络观测快照,其中我们只能分辨感染态的节点,而不能分辨其他状态的节点,提出了一种基于观测快照来计算网络节点感染偏心距的方法,能方便有效的计算每个节点感染偏心距的大小。
(3)根据节点的感染偏心距大小,提出一种有效选取Jordan感染中心的方法,从而快速、有效定位实际的谣言源点。
附图说明
图1是本发明提供优选实施例的节点状态变化图;
图2为本发明的谣言感染过程示例图;
图3为本发明中计算节点感染偏心距及选取Jordan感染中心的示例图;
图4为本发明的方法流程图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
图1和图2分别是本发明的节点状态变化图和一个谣言感染过程示例图。本发明提出一种基于SEIR传播模型的单一谣言源点溯源系统及方法,将网络中所有的节点状态模拟为著名的SEIR传播模型,即网络中所有的节点状态由以下四种状态表示:潜伏态(S)、暴露态(E)、感染态(I)以及恢复态(R),目的是能更好的分析节点状态随着时间的变化规律。具体实施如下:我们将网络中所有的节点和边模拟为一个无向的图G={V,E},其中V代表一个可数的节点集合,E代表一个可数的边集合,例如:节点u,v∈V,有(u,v)∈E。在SEIR传播模型中,网络中的节点状态可以用以下四种状态来表示:潜伏态(S)、暴露态(E)、感染态(I)以及恢复态(R),并在离散的时间片传播系统下,我们假设所有节点在每个离散的时间片都可以根据各自之前时间片的状态来改变自己的当前状态。
在所述的SEIR传播模型中,我们假设谣言开始传播时,即时间片t=0时,网络中只有一个状态为I的节点,即谣言源点s*,随后,s*逐渐感染扩散周围的S状态节点,具体包括如下:在传播的每一个时间片,状态为I的节点都会向状态为S的邻居节点传播谣言,收到谣言的S状态节点则转变为E状态,如果这些E状态的节点相信谣言的真实性,并转发谣言给S状态的邻居节点,则E状态转变为I状态,如果E状态的节点不相信谣言的真实性,并删除谣言,E状态转变为R状态。此外,如果处于I状态的节点删除谣言,则I状态转变为R状态,而R状态的节点假设不会再收到谣言。
如图2所示是谣言在一个由编号0-9共10个节点组成的简单网络中扩散过程的示例。假设节点0是谣言源点s*,它在时间片t=0时开始向状态为S的邻居节点传播谣言,其中图示箭头指示的是谣言传播的方向;在时间片t=1时,节点2和节点3在接收到来自节点0的谣言后,状态转变为E状态,但节点1由于网络因素等原因没有接收到谣言,所以维持其S状态不变。随后,在时间片t=2时,节点2和节点3在阅读这个来自节点0的谣言后相信其真实性,并将谣言转发给S状态的邻居节点,故节点2和节点3的状态转变为I状态;在时间片t=3时,节点7由于在接收到来自节点2的谣言后,状态转变为E状态,但是节点6由于网络因素等原因没有接收到来自节点2的谣言,故维持S状态不变,此外,节点9和节点8由于接收到来自节点3的谣言,故状态转变为E状态,而此时节点1收到了来自节点0的谣言,状态转变为E状态。
图3是本发明中计算节点感染偏心距及选取Jordan感染中心的示例图。本发明提出一种基于SEIR传播模型的单一谣言源点溯源系统及方法,是根据一个谣言传播结果的网络观测快照Φ,其中我们只能分辨状态为I的节点,而不能分辨其他状态的节点,基于节点感染偏心距计算模块,我们能计算每个节点感染偏心距的大小,具体实施过程如下:基于一个谣言传播结果的网络观测快照Φ,其中我们只能分辨状态为I的节点,而不能分辨其他状态的节点,对于节点u,v∈V且节点v为感染态I,我们定义符号l(u,v)表示节点u到被感染节点v的最短路径,则网络节点u的感染偏心距定义为这个节点到其余被感染节点的最大距离,用公式表示如下:
基于上述节点感染偏心距计算模块,我们得到网络中所有节点感染偏心距的大小基于所述Jordan感染中心选取模块,我们可以从所有网络节点中选取Jordan感染中心,具体包括:
在网络中,Jordan感染中心被定义为一个感染偏心距最小的网络节点,用公式表示如下:
由于根据Jordan感染中心为谣言源点s*概率较大的特点,最终确定谣言源点s*。
如图3所示是由编号0-9共10个节点组成的一个谣言传播结果的网络观测快照Φ,其中我们只能分辨状态为I的节点(节点5,7,8,9),而不能分辨其他状态的节点(节点0,1,2,3,4,6,),基于上述节点感染偏心距计算模块,我们能计算每个节点感染偏心距的大小,具体操作如下:
节点0的感染偏心距为:
节点1的感染偏心距为:
节点2的感染偏心距为:
节点3的感染偏心距为:
节点4的感染偏心距为:
节点5的感染偏心距为:
节点6的感染偏心距为:
节点7的感染偏心距为:
节点8的感染偏心距为:
节点9的感染偏心距为:
基于上述的Jordan感染中心选取模块,我们可以从这些网络节点中选取Jordan感染中心,即节点0,由于根据Jordan感染中心为谣言源点s*概率较大的特点,最终确定谣言源点s*为节点0。
图4为本发明的方法流程图。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (8)
1.一种基于SEIR传播模型的单一谣言源点溯源系统,其特征在于,包括:SEIR传播模型建立模块、节点感染偏心距计算模块及Jordan感染中心选取模块;其中,所述SEIR传播模型建立模块,用于将网络中所有的节点状态模拟为SEIR传播模型,即网络中所有的节点状态由以下四种状态表示:潜伏态S、暴露态E、感染态I以及恢复态R,用于分析谣言在网络中的传播规律;所述节点感染偏心距计算模块,通过节点状态获取软件获取当前网络节点的感染快照,其中在感染快照中只能分辨出感染态I的节点,而不能分辨潜伏态S、暴露态E以及恢复态R的节点,根据感染态I节点在感染快照中的位置,计算网络中各个节点与感染态I节点的距离,从而求出各个节点的感染偏心距;所述Jordan感染中心选取模块,用于从所有节点的感染偏心距选取Jordan感染中心,并最终确定谣言源点。
2.根据权利要求1所述的一种基于SEIR传播模型的单一谣言源点溯源系统,其特征在于,所述SEIR传播模型建立模块具体包括:
将网络中所有的节点和边模拟为一个无向的图G={V,E},其中V代表一个可数的节点集合,E代表一个可数的边集合,在SEIR传播模型中,网络中的节点状态可以用以下四种状态来表示:潜伏态S、暴露态E、感染态I以及恢复态R,并在离散的时间片传播系统下,假设所有节点在每个离散的时间片都可以根据各自之前时间片的状态来改变自己的当前状态;
在所述的SEIR传播模型中,假设谣言开始传播时,即时间片t=0时,网络中只有一个状态为I的节点,即谣言源点s*,随后,s*逐渐感染扩散周围的S状态节点,具体包括:
在传播的每一个时间片,状态为I的节点都会向状态为S的邻居节点传播谣言,收到谣言的S状态节点则转变为E状态,如果这些E状态的节点相信谣言的真实性,并转发谣言给S状态的邻居节点,则E状态转变为I状态,如果E状态的节点不相信谣言的真实性,并删除谣言,E状态转变为R状态,此外,如果处于I状态的节点删除谣言,则I状态转变为R状态,而R状态的节点不会再收到谣言。
3.根据权利要求1所述的一种基于SEIR传播模型的单一谣言源点溯源系统,其特征在于,所述节点感染偏心距计算模块具体包括:根据一个谣言传播结果的网络观测快照Φ,只能分辨状态为I的节点,而不能分辨其他状态的节点,对于节点u,v∈V且节点v为感染态I,定义符号l(u,v)表示节点u到被感染节点v的最短路径,则网络节点u的感染偏心距定义为这个节点到其余被感染节点的最大距离,用公式表示如下:
4.根据权利要求3所述的一种基于SEIR传播模型的单一谣言源点溯源系统,其特征在于,所述Jordan感染中心选取模块,用于从所有节点的感染偏心距选取Jordan感染中心,并最终确定谣言源点,具体包括:
得到网络中所有节点感染偏心距的大小,从所有网络节点中选取Jordan感染中心,在网络中,Jordan感染中心被定义为一个感染偏心距最小的网络节点,用公式表示如下:
由于Jordan感染中心为谣言源点s*概率较大的特点,最终确定谣言源点s*。
5.一种基于SEIR传播模型的单一谣言源点溯源方法,其特征在于,包括以下步骤:
SEIR传播模型建立步骤:将网络中所有的节点状态模拟为SEIR传播模型,即网络中所有的节点状态由以下四种状态表示:潜伏态S、暴露态E、感染态I以及恢复态R,用于分析谣言在网络中的传播规律,获取网络感染快照,确定所有网络节点的状态;
节点感染偏心距计算步骤:从网络感染快照中计算网络中所有节点的感染偏心距;
Jordan感染中心选取步骤:从所有节点的感染偏心距选取Jordan感染中心,并最终确定谣言源点。
6.根据权利要求5所述的基于SEIR传播模型的单一谣言源点溯源方法,其特征在于,所述SEIR传播模型的建立步骤具体包括:
将网络中所有的节点和边模拟为一个无向的图G={V,E},其中V代表一个可数的节点集合,E代表一个可数的边集合,在SEIR传播模型中,网络中的节点状态可以用以下四种状态来表示:潜伏态S、暴露态E、感染态I以及恢复态R,并在离散的时间片传播系统下,假设所有节点在每个离散的时间片都可以根据各自之前时间片的状态来改变自己的当前状态;
在所述的SEIR传播模型中,假设谣言开始传播时,即时间片t=0时,网络中只有一个状态为I的节点,即谣言源点s*,随后,s*逐渐感染扩散周围的S状态节点,具体包括:
在传播的每一个时间片,状态为I的节点都会向状态为S的邻居节点传播谣言,收到谣言的S状态节点则转变为E状态,如果这些E状态的节点相信谣言的真实性,并转发谣言给S状态的邻居节点,则E状态转变为I状态,如果E状态的节点不相信谣言的真实性,并删除谣言,E状态转变为R状态,此外,如果处于I状态的节点删除谣言,则I状态转变为R状态,而R状态的节点不会再收到谣言。
7.根据权利要求6所述的基于SEIR传播模型的单一谣言源点溯源方法,其特征在于,其特征在于,所述节点感染偏心距计算步骤具体包括:根据一个谣言传播结果的网络观测快照Φ,只能分辨状态为I的节点,而不能分辨其他状态的节点,对于节点u,v∈V且节点v为感染态I,定义符号l(u,v)表示节点u到被感染节点v的最短路径,则网络节点u的感染偏心距定义为这个节点到其余被感染节点的最大距离,用公式表示如下:
8.根据权利要求7所述的基于SEIR传播模型的单一谣言源点溯源方法,其特征在于,其特征在于,所述Jordan感染中心选取步骤具体包括:
得到网络中所有节点感染偏心距的大小,从所有网络节点中选取Jordan感染中心,在网络中,Jordan感染中心被定义为一个感染偏心距最小的网络节点,用公式表示如下:
由于Jordan感染中心为谣言源点s*概率较大的特点,最终确定谣言源点s*。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910048956.1A CN109918549A (zh) | 2019-01-18 | 2019-01-18 | 一种基于seir传播模型的单一谣言源点溯源系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910048956.1A CN109918549A (zh) | 2019-01-18 | 2019-01-18 | 一种基于seir传播模型的单一谣言源点溯源系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109918549A true CN109918549A (zh) | 2019-06-21 |
Family
ID=66960548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910048956.1A Pending CN109918549A (zh) | 2019-01-18 | 2019-01-18 | 一种基于seir传播模型的单一谣言源点溯源系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918549A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110445654A (zh) * | 2019-08-12 | 2019-11-12 | 中国矿业大学 | 一种基于社区划分的社交网络多源谣言溯源方法及系统 |
CN112001072A (zh) * | 2020-08-17 | 2020-11-27 | 东北财经大学 | 基于爆发阈值及用户体验的谣言抑制方法 |
CN112365996A (zh) * | 2020-11-10 | 2021-02-12 | 中科海微(北京)科技有限公司 | 一种疾病传播防控方法及系统 |
CN112597699A (zh) * | 2020-12-14 | 2021-04-02 | 新疆师范大学 | 一种融入客观赋权法的社交网络谣言源识别方法 |
CN113114657A (zh) * | 2021-04-07 | 2021-07-13 | 西北工业大学 | 一种网络病毒溯源方法、系统、设备、介质、处理终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649685A (zh) * | 2016-12-16 | 2017-05-10 | 南京邮电大学 | 考虑带评论转发行为的seiar谣言传播过程描述方法 |
CN107918610A (zh) * | 2016-10-09 | 2018-04-17 | 郑州大学 | 一种面向时间感知的微博传播模型 |
-
2019
- 2019-01-18 CN CN201910048956.1A patent/CN109918549A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918610A (zh) * | 2016-10-09 | 2018-04-17 | 郑州大学 | 一种面向时间感知的微博传播模型 |
CN106649685A (zh) * | 2016-12-16 | 2017-05-10 | 南京邮电大学 | 考虑带评论转发行为的seiar谣言传播过程描述方法 |
Non-Patent Citations (2)
Title |
---|
YOUSHENG ZHOU,CHUJUN WU: "Identifying Rumor Source of Online Social Networks in the SEIR Model", 《CLOUD COMPUTING AND SECURITY. ICCCS 2018.》 * |
黄春林等: "复杂网络上疾病传播溯源算法综述", 《计算机学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110445654A (zh) * | 2019-08-12 | 2019-11-12 | 中国矿业大学 | 一种基于社区划分的社交网络多源谣言溯源方法及系统 |
CN110445654B (zh) * | 2019-08-12 | 2020-09-04 | 中国矿业大学 | 一种基于社区划分的社交网络多源谣言溯源方法及系统 |
CN112001072A (zh) * | 2020-08-17 | 2020-11-27 | 东北财经大学 | 基于爆发阈值及用户体验的谣言抑制方法 |
CN112001072B (zh) * | 2020-08-17 | 2023-06-16 | 东北财经大学 | 基于爆发阈值及用户体验的谣言抑制方法 |
CN112365996A (zh) * | 2020-11-10 | 2021-02-12 | 中科海微(北京)科技有限公司 | 一种疾病传播防控方法及系统 |
CN112597699A (zh) * | 2020-12-14 | 2021-04-02 | 新疆师范大学 | 一种融入客观赋权法的社交网络谣言源识别方法 |
CN112597699B (zh) * | 2020-12-14 | 2023-03-14 | 新疆师范大学 | 一种融入客观赋权法的社交网络谣言源识别方法 |
CN113114657A (zh) * | 2021-04-07 | 2021-07-13 | 西北工业大学 | 一种网络病毒溯源方法、系统、设备、介质、处理终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918549A (zh) | 一种基于seir传播模型的单一谣言源点溯源系统及方法 | |
CN105740440B (zh) | 一种加快区块链查询的索引方法 | |
CN105991521B (zh) | 网络风险评估方法和装置 | |
Farajtabar et al. | Back to the past: Source identification in diffusion networks from partially observed cascades | |
Chen et al. | Detecting multiple information sources in networks under the SIR model | |
CN106096075B (zh) | 一种基于社交网络的消息传播模型的构建方法 | |
CN106972952B (zh) | 一种基于网络度相关性的信息传播领袖节点提取方法 | |
CN106951526B (zh) | 一种实体集扩展方法及装置 | |
CN104484359B (zh) | 一种基于社交图谱的舆情分析方法及装置 | |
CN104836711A (zh) | 一种指挥控制网络生成模型的构建方法 | |
CN109522416A (zh) | 一种金融风险控制知识图谱的构建方法 | |
CN108959516A (zh) | 会话消息处理方法和装置 | |
Zhang et al. | SETQR propagation model for social networks | |
CN109728955A (zh) | 基于改进k-shell的网络节点排序方法 | |
Xu et al. | LCH: A local clustering H-index centrality measure for identifying and ranking influential nodes in complex networks | |
CN109684454A (zh) | 一种社交网络用户影响力计算方法及装置 | |
Zhang et al. | Dynamics of a rumor propagation model with stochastic perturbation on homogeneous social networks | |
CN103164533B (zh) | 基于信息理论的复杂网络社团检测方法 | |
CN107888494A (zh) | 一种基于社区发现的包分类方法及系统 | |
CN104091123B (zh) | 一种社区网络的层次病毒免疫方法 | |
CN112396151B (zh) | 谣言事件的分析方法、装置、设备及计算机可读存储介质 | |
CN114628041A (zh) | 一种基于接近中心性计算的关键节点识别方法及系统 | |
Shao et al. | Distributed immune time-delay SEIR-S model for new power system information network virus propagation | |
CN102750263B (zh) | 互联网超链接网络图数据的简化方法 | |
CN109711478A (zh) | 一种基于时序密度聚类的大规模数据群组搜索方法 |
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: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |