CN109952742A - 图结构处理方法、系统、网络设备及存储介质 - Google Patents

图结构处理方法、系统、网络设备及存储介质 Download PDF

Info

Publication number
CN109952742A
CN109952742A CN201880002415.9A CN201880002415A CN109952742A CN 109952742 A CN109952742 A CN 109952742A CN 201880002415 A CN201880002415 A CN 201880002415A CN 109952742 A CN109952742 A CN 109952742A
Authority
CN
China
Prior art keywords
subgraph
subgraph structure
characteristic parameter
network equipment
network
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
Application number
CN201880002415.9A
Other languages
English (en)
Other versions
CN109952742B (zh
Inventor
袁振南
朱鹏新
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.)
District Chain Tong Network Co Ltd
Original Assignee
District Chain Tong Network Co Ltd
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 District Chain Tong Network Co Ltd filed Critical District Chain Tong Network Co Ltd
Publication of CN109952742A publication Critical patent/CN109952742A/zh
Application granted granted Critical
Publication of CN109952742B publication Critical patent/CN109952742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种图结构处理方法、图结构处理系统、网络设备以及计算机可读存储介质。图结构处理方法用于被网络中的多个网络设备分别执行，包括以下步骤：获取子图结构，其中，子图结构属于图结构的一部分；获取子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；根据优化特征参数对子图结构进行调整。因此，本申请可降低网络设备的处理复杂度。

Description

图结构处理方法、系统、网络设备及存储介质
技术领域
本申请涉及图结构技术领域，特别是涉及一种图结构处理方法、图结构处理系统、网络设备以及计算机可读存储介质。
背景技术
在解决具有图结构数据的各种问题，例如异常检测、聚类、标签传播前通常需要对图结构数据进行处理，例如对整图结构进行划分为更小的子图结构等。由于现有的图结构处理，例如划分方法通常需要在一个网络设备中存储整个图结构，对图结构的划分特别是大规模的图结构的划分实现造成了很大的困难。
发明内容
本申请提供一种图结构的处理方法，所述处理方法用于被网络中的多个网络设备分别执行，该处理方法包括：网络设备获取子图结构，其中，所述子图结构属于所述图结构的一部分；获取所述子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；根据所述优化特征参数对所述子图结构进行调整。
本申请还提供一种图结构的处理系统，处理系统包括多个网络设备，多个所述网络设备形成一网络，其中：每个网络设备用于执行以下步骤：获取子图结构，其中，所述子图结构属于所述图结构的一部分；获取所述子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；根据所述优化特征参数对所述子图结构进行调整。
本申请还提供一种网络设备，网络设备包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行以实现以下的所述处理方法：获取子图结构，其中，所述子图结构属于所述图结构的一部分；获取所述子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；根据所述优化特征参数对所述子图结构进行调整。
本申请还提供一种网络设备，网络设备包括：第一获取模块：用于获取子图结构，其中，所述子图结构属于所述图结构的一部分；第二获取模块，用于获取所述子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；处理模块，用于根据所述优化特征参数对所述子图结构进行调整。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述划分方法的步骤。
本申请的每个网络设备分别获取图结构中的局部子图结构，继而对子图结构进行处理，由此可将整个图结构的处理工作分配到多个网络设备当中，每个网络设备仅需对整个图结构当中的局部子图结构进行处理即可，处理复杂度较低。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例提供的一种图结构的划分系统的结构示意图；
图2是本申请实施例提供的一种图结构划分方法的流程示意图；
图3是图2所示的划分方法中步骤101的流程示意图；
图4是图结构的局部结构示意图；
图5是本申请实施例提供的一种网络设备的硬件结构示意图；
图6是本本申请实施例提供的另一网络设备的软件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在实际应用中，数据分析可帮助人们作出判断，以便采取适当行动。而数据可通过图结构表征，图结构包括顶点(或称为节点)和边，其是由顶点的有穷非空集合和顶点之间边的集合组成，通常表示为：G(V,E)，其中，G表示一个图，V是图G中顶点的集合，E是图G中边的集合。基于此，可转换为对图结构进行分析，以检测各种问题，例如，异常检测、聚类和标签传播等。在对图结构进行分析前，通常需要对图结构进行处理，例如划分为更小的图结构。本申请以下实施例将提供一种图结构的处理系统和处理方法来实现对图结构的处理。
首先请参阅图1，图1是本申请实施例提供的一种图结构的处理系统的结构示意图。如图1所示，本实施例的处理系统10包括多个网络设备12。多个网络设备12组成一个网络系统，也就是说本实施例的处理系统10可看作为一个网络系统。其中，网络设备12可为该网络系统中的一个处理节点，网络设备12包括服务器，计算机等具备计算能力和存储能力的电子设备。需要说明的是，服务器可包括物理服务器以及运行在物理服务器中的虚拟机。
在网络系统中，网络设备12与网络设备12之间彼此可以自由连接。网络设备12与网络设备12之间的影响，会通过网络而形成非线性因果关系。
在这个网络系统中，每个网络设备12均可维护自身的图结构。
本实施例可通过各网络设备12对图结构进行处理，即将图结构的处理任务分配到各个网络设备12中。相对于现有技术的通过一个服务器对整个图结构进行处理的方案，本实施例通过网络系统中的各网络设备12对图结构处理的方案大大降低了处理的复杂度。
各网络设备12的处理方法均可相同，具体可参阅以下实施例。
请一并参阅图2，图2是本申请实施例提供的一种图结构处理方法的流程示意图。该处理方法用于被多个网络设备12分别执行，以共同完成对图结构的子图划分。如图2所示，本实施例的处理方法包括：
步骤101：网络设备获取子图结构。其中，子图结构属于图结构的一部分。
在确定处理系统10，即确定各网络设备12时，各网络设备12中均存储有原始状态下的子图结构。该原始状态下的子图结构可以依照预设规则形成的，例如可根据用户输入的数据来形成，或者根据其他通信设备发送的数据来形成，又或者网络设备12自身对历史处理记录等数据进行分析而形成。
步骤101中的各网络设备12分别获取的子图结构并非是上述的原始状态下的子图结构，其可理解为对原始状态下的子图结构进行重新处理后的子图结构。以下将详述各网络设备如何获取重新处理后的子图结构，为了简化描述，以下的子图结构，若没有特别限定，均为重新处理后的子图结构。其中，特别限定可理解为包括在子图结构前加上第一、第二或某某的等类似限定词。
在得到原始状态下的子图结构后，可以进一步对其进行处理以获得更为合适的子图结构，例如找寻到特征更为相似的子图结构，将其重新整合在一起。
在一实施例中，各网络设备12可根据导率来获取子图结构。其中，导率可表征图结构中的元素间，例如节点与节点之间、边与边之间等的相关性。
具体而言，各网络设备12可根据该参考子图结构中各节点的相邻节点组成的子图结构的导率，对该参考子图进行调整，以获得网络设备12的子图结构。其中，参考子图结构可理解为当前进行处理的子图结构。在一实际应用中，网络设备12存储了两个原始状态下的子图结构A和B，则在对子图结构A进行处理时，可将子图结构A作为参考子图结构，计算其各节点的相邻节点组成的子图结构的导率，对该参考子图进行调整。
具体过程请一并参阅图3，包括以下子步骤：
步骤201：对参考子图结构中的每一节点，计算该节点的相邻节点组成的子图结构的导率。具体可根据以下公式计算导率：
其中，Φ为导率，S为相邻节点组成的子图结构，E(S，V-S)为相邻节点组成的子图结构S和相邻节点组成的子图结构S的补集之间的相连接边数，A为相邻节点组成的子图结构S的度矩阵，AV-S为相邻节点组成的子图结构S的补集的度矩阵。
基于以上计算公式，本步骤可依次计算不同相邻节点组成的子图结构的导率。在每次导率的计算后均执行一次以下步骤。
步骤202：判断导率是否满足预设的导率阈值。
导率阈值可由预设的子图结构处理树决定。具体而言，在对图结构进行处理前，可首先根据要求预设一个子图结构处理树，再根据子图结构处理树形成对应的导率阈值。
步骤202在判断的结果为是时可表示相邻节点的子图结构与当前节点的子图结构相关性比较高，此时跳转到步骤203；在判断的结构为否时可表示相邻节点的子图结构与当前节点的子图结构相关性比较低，此时跳转到步骤204。
步骤203：将相邻节点组成的子图结构对参考子图结构进行扩展。
扩展的一种方式可为将相邻节点的子图结构合并到当前节点的子图结构当中，形成一个新的子图结构。由此，若邻居节点的子图结构与当前节点的子图结构相关性较高，则将两个子图结构尝试合并，更新为新的子图结构。
步骤204：停止对自身的参考子图结构进行扩展。
可以理解的是，此时的扩展为零，即扩展后的子图结构为扩展前的子图结构。
基于以上思想，可依次利用不同相邻节点的子图结构对当前节点的子图结构进行扩展，直到满足预设的扩展条件后将最终扩展的子图结构作为网络设备12重新处理后的子图结构。如图4所示，以节点A为当前节点进行阐述。相对于节点A，根据前文所述的导率的扩展条件依次利用其相邻节点B-F组成的子图结构对节点A的组成子图结构进行扩展。
进一步的，为了节约计算成本，在扩展到一定程度后可以省略再计算、扩展。具体可进一步设置预设的扩展次数阈值和/或更新次数阈值。应该说明的是更新代表的是扩展不为零的情况，即存在将相邻节点组成的子图结构合并到当前节点组成的子图结构中的情况。
具体而言，若预设的是更新次数阈值时，可在执行了步骤203或204后进一步判断是否小于预设的更新次数阈值。
若判断的结果为是时可返回执行步骤204，也就是说，当更新次数阈值较小时可认定为当前的子图结构的筛选已经基本符合要求。其中，更新次数阈值可定义为预设计算次数中的更新次数的比率。例如，更新次数阈值若设为20％，而在导率计算的步骤201中，若200次的计算次数中，可进行扩展的次数仅为5次，则可认定为子图结构的筛选已经基本符合要求。
若判断的结构为否时，在可返回到步骤201。
若预设的是扩展次数阈值时，判断是否大于预设的扩展次数阈值。
若判断的结果为是时可返回到步骤204，也就是说，当扩展次数阈值较大时可认定为子图结构的筛选已经基本符合要求。其中，扩展次数阈值可定义为步骤201中的计算导率的次数，这是因为每次导率的计算都会进行扩展一次。若判断的结构为否时，可返回到步骤201。
以上，各网络设备通过导率获取到了扩展后的子图结构。应理解，在其他实施例中，各网络设备还可以通过图结构的其他相关性的参数来获取子图结构。
各网络设备在步骤101中获取到的子图结构仅为对处理系统10中的图结构的一个粗略的划分处理，步骤101中获取的子图结构还不适合用于对图结构进行分析，因此需要通过步骤102和103进一步对步骤101获取到的子图结构进行进一步的细处理，即每个网络设备对其步骤101获取到的子图结构在图结构中的大小进行调整，以实现最终各网络设备的子图结构间的划分关系是对图结构较为准确、合理的划分。
步骤102：获取子图结构的优化特征参数，其中，该优化特征参数用于确定子图结构在图结构中的大小。
首先各网络设备12可将获取的子图结构的特征，例如子图结构中的边、节点等特征信息通过矩阵、连表等方式进行转换并存储。以便于得到其中的特征。
由前文所述，步骤101得到的是一个初略处理后的子图结构，其各特征是基于初略处理后的子图结构提炼出来的，可能并不是客观的最优特征，因此需要进行优化运算，得到优化特征参数。本文中，该子图结构的特征参数例如包括子图结构中的边、节点等，用于确定出该子图结构在图结构中的大小。例如，该子图结构的特征参数包括节点A、B、C及其边集合，即可定义出该图结构中由该节点A、B、C及其边集合组成的范围即为子图结构的范围。
基于此，各网络设备可结合邻居网络设备的子图结构的特征参数以及自身存储的子图结构的特征参数获取自身存储的子图结构的优化特征参数。步骤103将根据该优化特征参数进行子图结构的调整。
具体各网络设备12可利用其相邻网络设备的子图结构的特征参数对自身子图结构的特征参数进行迭代，以获取自身子图结构的优化特征参数。也就是说通过利用相邻网络设备的子图结构的特征参数对自身的子图结构的特征参数进行不断的迭代更新，使得其在迭代过程中慢慢接近于最后的优化特征参数。
对于每一步迭代，首先根据自身前一次迭代得到的子图结构的特征参数获取子图结构的目标函数梯度，然后利用相邻网络设备的前一次迭代得到的特征参数和子图结构的目标函数梯度，得到自身子图结构当前次迭代的子图结构的特征参数。其对应的迭代公式如下：
其中，K为前一次迭代次数，i为网络设备的序号，j为网络设备i以外的其他网络设备的序号，应理解，j在上述公式中是可随着计算的网络设备的不同而变化的，xi为网络设备i的子图结构的特征参数，xj为其他网络设备j的子图结构的特征参数，同理，xj也是可变化的，wij为其他网络设备j相对于网络设备i的权重，当i和j为非相邻网络设备时，wij＝0，因此，上述公式中∑jwijxj(k)的有效值仅为相邻网络设备的值，α为迭代梯度步幅，为目标函数梯度。
进一步的，各相邻网络设备的权重wij的值可相同。即利用相邻网络设备的平均最优特征参数来对子图结构的目标函数梯度进行迭代。
当K趋于∞时，计算得到的各网络设备的优化特征参数都收敛于整体最优特征参数的领域，其中为权重w的最大二阶特征值。因此当迭代次数足够时，各网络设备都得到一个接近与整体最优特征参数的优化特征参数。
以上，本实施例中，步骤102是利用梯度下降法对特征参数进行优化形成优化特征参数。
在其他实施例中，步骤102还可利用牛顿法、共轭梯度法、Levenberg-MarquardtAlgorithm(莱文贝格-马夸特方法)等优化算法对特征参数进行优化形成优化特征参数。
步骤103：根据优化特征参数对子图结构进行调整。
结合步骤102，步骤103具体是各网络设备根据优化后形成的最终最优处理参数对子图结构进行处理。具体而言，各网络设备可通过上述步骤合理确定出各自的子图结构的大小，即通过各网络设备执行上述步骤，可实现对图结构进行精确划分。
上述处理方法均可通过网络设备实现，具体来说，通过一段计算机程序来表示方法的步骤，构建软件结构以实现该计算机程序，并利用硬件设备来执行该计算机程序从而实现上述方法。
对于计算机程序，以软件形式实现并作为独立的产品销售或使用时，可存储在一个电子设备可读取存储介质中，即，本发明还提供一种计算机可读存储介质，其中存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。计算机可读存储介质可以为U盘、光盘、服务器等。
对于硬件结构，请参阅图1，其可通过一个处理系统10实现。而处理系统10中的每个网络设备12所执行的步骤均相同，如前文所述的图结构处理步骤。
对于网络设备12的硬件结构，请进一步参阅图5，图5是本申请实施例提供的一种网络设备12的硬件结构示意图。如图5所示，本实施例的网络设备12包括处理器121和存储器122，存储器122存储有计算机程序，计算机程序被处理器121执行以实现以下的上述处理方法的步骤。
具体来说，网络设备中的处理器121能够获取子图结构，其中，子图结构属于所述图结构的一部分，并获取子图结构的优化特征参数，最后根据优化特征参数对子图结构进行调整。
进一步的，网络设备12还包括收发器123，用于与相邻网络设备通讯，接收相邻网络设备的特征参数等数据。
类似于上述的过程，本实施例的收发器123和网络设备12配合能够前文所述的处理方法的所有步骤。
对于软件结构，上述处理方法不同的步骤对应不同的程序数据，相应的需要构建不同的软件结构。具体请参阅图6，图6是本本申请实施例提供的另一网络设备的软件结构示意图。
本实施例的网络设备60包括：
第一获取模块601：用于获取子图结构，其中，子图结构属于图结构的一部分。
第二获取模块602，用于获取子图结构的优化特征参数其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；
处理模块603，用于根据优化特征参数对子图结构进行调整。
上述各个模块能够前文所述的处理方法的各个步骤，具体不再赘述。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (19)

1.一种图结构的处理方法，其特征在于，所述处理方法用于被网络中的多个网络设备分别执行，所述处理方法包括：
所述网络设备获取子图结构，其中，所述子图结构属于所述图结构的一部分；
获取所述子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；
根据所述优化特征参数对所述子图结构进行调整。
2.根据权利要求1所述的处理方法，其特征在于，所述网络设备获取子图结构包括：
所述网络设备根据导率来获取所述子图结构。
3.根据权利要求2所述的处理方法，其特征在于，所述网络设备根据导率来获取所述子图结构包括：
所述网络设备根据参考子图结构中各节点的相邻节点组成的子图结构的导率，对所述参考子图结构进行调整，以获得所述网络设备的所述子图结构。
4.根据权利要求3所述的处理方法，其特征在于，所述网络设备根据参考子图结构中各节点的相邻节点组成的子图结构的导率，对所述参考子图结构进行调整，以获得所述网络设备的所述子图结构，包括：
对所述参考子图结构中的每一节点，计算所述节点的相邻节点组成的子图结构的导率；
判断所述导率是否满足预设的导率阈值，并在判断的结果为是时，将所述相邻节点组成的子图结构对所述参考子图结构进行扩展。
5.根据权利要求3或4所述的处理方法，其特征在于，所述导率至少由以下步骤形成：
根据以下公式获得所述导率：
其中，Φ为所述导率，S为所述相邻节点组成的子图结构，E(S，V-S为所述相邻节点组成的子图结构S和所述相邻节点组成的子图结构S的补集之间的相连接边数，A为所述相邻节点组成的子图结构S的度矩阵，AV-S为所述相邻节点组成的子图结构S的补集的度矩阵。
6.根据权利要求1所述的处理方法，其特征在于，所述获取所述子图结构的优化特征参数包括：
所述网络设备利用其相邻网络设备的所述子图结构的特征参数对自身所述子图结构的特征参数进行迭代，以获取自身所述子图结构的优化特征参数。
7.根据权利要求6所述的处理方法，其特征在于，所述利用其相邻网络设备的所述子图结构的特征参数对自身所述子图结构的特征参数进行迭代包括：
根据自身前一次迭代得到的所述子图结构的特征参数获取所述子图结构的目标函数梯度；
利用相邻网络设备的前一次迭代得到的特征参数和所述子图结构的目标函数梯度，得到自身所述子图结构当前次迭代的子图结构的特征参数；
重复执行上述步骤以进行多次迭代，以得到自身所述子图结构的优化特征参数。
8.根据权利要求7所述的处理方法，其特征在于，所述利用相邻网络设备的前一次迭代得到的特征参数和所述子图结构的目标函数梯度，得到自身所述子图结构当前次迭代的子图结构的特征参数包括：
根据以下公式进行迭代：
其中，K为前一次迭代次数，i为所述网络设备的序号，j为所述网络设备i以外的其他网络设备的序号，xi为网络设备i的所述子图结构的特征参数，xj为其他网络设备的子图结构的特征参数，wij为其他网络设备j相对于所述网络设备i的权重，且当i和j为非相邻网络设备时，wij＝0，α为迭代梯度步幅，为所述目标函数梯度。
9.根据权利要求8所述的处理方法，其特征在于，各相邻网络设备的权重wij的值相同。
10.一种图结构的处理系统，其特征在于，所述处理系统包括多个网络设备，多个所述网络设备形成一网络，其中：
每个网络设备用于执行以下步骤：
获取子图结构，其中，所述子图结构属于所述图结构的一部分；
获取所述子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；
根据所述优化特征参数对所述子图结构进行调整。
11.根据权利要求10所述的处理系统，其特征在于，各网络设备根据参考子图结构中各节点的相邻节点组成的子图结构的导率，对所述参考子图结构进行调整，以获得所述网络设备的所述子图结构。
12.根据权利要求11所述的处理系统，其特征在于，
对所述参考子图结构中的每一节点，各网络设备计算所述节点的相邻节点组成的子图结构的导率，进一步判断所述导率是否满足预设的导率阈值，并在判断的结果为是时，将所述相邻节点组成的子图结构对所述参考子图结构进行扩展。
13.根据权利要求11或12所述的处理系统，其特征在于，根据以下公式获得所述导率：
其中，Φ为所述导率，S为所述相邻节点组成的子图结构，E(S，V-S为所述相邻节点组成的子图结构S和所述相邻节点组成的子图结构S的补集之间的相连接边数，A为所述相邻节点组成的子图结构S的度矩阵，AV-S为所述相邻节点组成的子图结构S的补集的度矩阵。
14.根据权利要求10所述的处理系统，其特征在于，各网络设备利用其相邻网络设备的所述子图结构的特征参数对自身所述子图结构的特征参数进行迭代，以获取自身所述子图结构的优化特征参数。
15.根据权利要求14所述的处理系统，其特征在于，所述网络设备进一步根据自身前一次迭代得到的所述子图结构的特征参数获取所述子图结构的目标函数梯度；进而利用相邻网络设备的前一次迭代得到的特征参数和所述子图结构的目标函数梯度，得到自身所述子图结构当前次迭代的子图结构的特征参数；以此重复执行以进行多次迭代，以得到自身所述子图结构的优化特征参数。
16.根据权利要求15所述的处理系统，其特征在于，根据以下公式进行迭代：
其中，K为前一次迭代次数，i为所述网络设备的序号，j为所述网络设备i以外的其他网络设备的序号，xi为所述网络设备i的所述子图结构的特征参数，xj为其他网络设备的子图结构的特征参数，wij为其他网络设备j相对于网络设备i的权重，且当i和j为非相邻网络设备时，wij＝0，α为迭代梯度步幅，为所述目标函数梯度。
17.一种网络设备，其特征在于，所述网络设备包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行以实现以下的所述处理方法：
获取子图结构，其中，所述子图结构属于所述图结构的一部分；
获取所述子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；
根据所述优化特征参数对所述子图结构进行调整。
18.一种网络设备，其特征在于，所述网络设备包括：
第一获取模块：用于获取子图结构，其中，所述子图结构属于所述图结构的一部分；
第二获取模块，用于获取所述子图结构的优化特征参数，其中，所述优化特征参数用于确定所述子图结构在所述图结构中的大小；
处理模块，用于根据所述优化特征参数对所述子图结构进行调整。
19.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-9中任一项所述处理方法的步骤。
CN201880002415.9A 2018-12-04 2018-12-04 图结构处理方法、系统、网络设备及存储介质 Active CN109952742B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/119227 WO2020113437A1 (zh) 2018-12-04 2018-12-04 图结构处理方法、系统、网络设备及存储介质

Publications (2)

Publication Number Publication Date
CN109952742A true CN109952742A (zh) 2019-06-28
CN109952742B CN109952742B (zh) 2022-02-22

Family

ID=67006582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880002415.9A Active CN109952742B (zh) 2018-12-04 2018-12-04 图结构处理方法、系统、网络设备及存储介质

Country Status (2)

Country Link
CN (1) CN109952742B (zh)
WO (1) WO2020113437A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191715A (zh) * 2019-12-27 2020-05-22 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112990332A (zh) * 2021-03-26 2021-06-18 杭州海康威视数字技术股份有限公司 一种子图规模预测和分布式训练方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310453A (zh) * 2013-06-17 2013-09-18 北京理工大学 一种基于子图像角点特征的快速图像配准方法
US20180032587A1 (en) * 2016-07-29 2018-02-01 International Business Machines Corporation Methods and Apparatus for Incremental Frequent Subgraph Mining on Dynamic Graphs
CN108182265A (zh) * 2018-01-09 2018-06-19 清华大学 针对关系网络的多层迭代筛选方法及装置
CN108257036A (zh) * 2018-01-12 2018-07-06 西安电子科技大学 基于种子节点扩展重叠社区的发现方法、网络社区系统
CN108292374A (zh) * 2015-11-09 2018-07-17 谷歌有限责任公司 训练表示为计算图的神经网络
CN108537452A (zh) * 2018-04-13 2018-09-14 中山大学 一种面向大规模复杂网络的密集可重叠社区划分方法
CN108600013A (zh) * 2018-04-26 2018-09-28 北京邮电大学 动态网络的重叠社区发现方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1326362C (zh) * 2004-05-13 2007-07-11 上海交通大学 大型复杂网络的网络分割方法
CN106054875B (zh) * 2016-05-25 2019-01-04 北京航空航天大学 一种分布式多机器人动态网络连通性控制方法
WO2018077039A1 (zh) * 2016-10-27 2018-05-03 腾讯科技（深圳）有限公司 社区发现方法、装置、服务器及计算机存储介质
CN107480213B (zh) * 2017-07-27 2021-12-24 上海交通大学 基于时序文本网络的社区检测与用户关系预测方法
CN107798146A (zh) * 2017-12-01 2018-03-13 江苏理工学院 一种基于子图近似同构的学习资源本体匹配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310453A (zh) * 2013-06-17 2013-09-18 北京理工大学 一种基于子图像角点特征的快速图像配准方法
CN108292374A (zh) * 2015-11-09 2018-07-17 谷歌有限责任公司 训练表示为计算图的神经网络
US20180032587A1 (en) * 2016-07-29 2018-02-01 International Business Machines Corporation Methods and Apparatus for Incremental Frequent Subgraph Mining on Dynamic Graphs
CN108182265A (zh) * 2018-01-09 2018-06-19 清华大学 针对关系网络的多层迭代筛选方法及装置
CN108257036A (zh) * 2018-01-12 2018-07-06 西安电子科技大学 基于种子节点扩展重叠社区的发现方法、网络社区系统
CN108537452A (zh) * 2018-04-13 2018-09-14 中山大学 一种面向大规模复杂网络的密集可重叠社区划分方法
CN108600013A (zh) * 2018-04-26 2018-09-28 北京邮电大学 动态网络的重叠社区发现方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191715A (zh) * 2019-12-27 2020-05-22 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112990332A (zh) * 2021-03-26 2021-06-18 杭州海康威视数字技术股份有限公司 一种子图规模预测和分布式训练方法、装置及电子设备
CN112990332B (zh) * 2021-03-26 2023-06-02 杭州海康威视数字技术股份有限公司 一种子图规模预测和分布式训练方法、装置及电子设备

Also Published As

Publication number Publication date
CN109952742B (zh) 2022-02-22
WO2020113437A1 (zh) 2020-06-11

Similar Documents

Publication Publication Date Title
Cherifi et al. On community structure in complex networks: challenges and opportunities
US20140337365A1 (en) Method for identifying network similarity by matching neighborhood topology
Cerinšek et al. Generalized two-mode cores
WO2008016495A2 (en) Determination of graph connectivity metrics using bit-vectors
JP6813693B2 (ja) システムアーキテクチャを表す重み付きプロパティグラフデータモデル
Xu et al. A general framework of hybrid graph sampling for complex network analysis
Yunming et al. Measure of invulnerability for command and control network based on mission link
US11748527B2 (en) Automated generation and evaluation of architectural designs
Zhou et al. Network traffic prediction method based on improved echo state network
CN104579815A (zh) 网络防护策略的概率模型检测方法
CN109952742A (zh) 图结构处理方法、系统、网络设备及存储介质
Davendra et al. Complex network analysis of discrete self-organising migrating algorithm
Benala et al. A particle swarm optimized functional link artificial neural network (PSO-FLANN) in software cost estimation
CN106682514B (zh) 基于子图挖掘的系统调用序列特征模式集生成方法
KR102039244B1 (ko) 반딧불 알고리즘을 이용한 데이터 클러스터링 방법 및 시스템
Yan et al. A clustering algorithm for multi-modal heterogeneous big data with abnormal data
Ide et al. Diffusion centrality in interconnected networks
Ma et al. An improved label propagation algorithm based on node importance and random walk for community detection
Gunasekara et al. Multi-objective optimization to improve robustness in networks
CN105468726B (zh) 基于本地计算和分布式计算的数据计算方法及系统
CN109347680B (zh) 一种网络拓扑重构方法、装置及终端设备
Dash DECPNN: A hybrid stock predictor model using Differential Evolution and Chebyshev Polynomial neural network
CN113590912B (zh) 融合节点相对位置和绝对度分布的跨社交网络对齐方法
Vogiatzis Influence study on hyper-graphs
Nakajima et al. Social graph restoration via random walk sampling

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