CN113162925B - 基于sirs模型与博弈论的自适应抑制病毒传播方法 - Google Patents

基于sirs模型与博弈论的自适应抑制病毒传播方法 Download PDF

Info

Publication number
CN113162925B
CN113162925B CN202110417073.0A CN202110417073A CN113162925B CN 113162925 B CN113162925 B CN 113162925B CN 202110417073 A CN202110417073 A CN 202110417073A CN 113162925 B CN113162925 B CN 113162925B
Authority
CN
China
Prior art keywords
individual
individuals
probability
ith
complex 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.)
Active
Application number
CN202110417073.0A
Other languages
English (en)
Other versions
CN113162925A (zh
Inventor
陈飞
孟凡卫
项林英
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.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
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 Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202110417073.0A priority Critical patent/CN113162925B/zh
Publication of CN113162925A publication Critical patent/CN113162925A/zh
Application granted granted Critical
Publication of CN113162925B publication Critical patent/CN113162925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H04L63/145—Countermeasures against malicious traffic the attack involving the propagation of malware through the network, e.g. viruses, trojans or worms

Landscapes

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

Abstract

本发明提供一种基于SIRS模型与博弈论的自适应抑制病毒传播方法，涉及控制和信息技术领域。该方法首先构造复杂网络的拓扑结构图，进而建立SIRS病毒传播模型，然后根据邻居个体的感染程度，自动调节相邻个体之间的权值，再建立每个个体的代价函数，通过构造哈密顿函数求解出相邻个体之间的最优权值，即能保证个体抗病毒能力和信息交流能力的权值大小。由于整个复杂网络个体之间的信息交流能力是由权值大小所决定的，所以将权值定义为控制作用；计算在控制作用下单个个体的耦合参数，再更新个体间的控制作用，当更新后的控制作用满足终止条件时得到最优控制作用，实现对病毒传播的抑制。

Description

基于SIRS模型与博弈论的自适应抑制病毒传播方法
技术领域
本发明涉及控制和信息技术领域，尤其涉及一种基于SIRS模型与博弈论的自适应抑制病毒传播方法。
背景技术
现实世界存在大量由多个个体耦合而成的复杂网络，例如生物复杂网络是由每个生物个体组成、计算机复杂网络是由每台计算机个体组成等等。复杂网络中每个个体具有自主性，同时也可以与复杂网络中的其他个体进行信息交流。复杂网络强大的信息交流能力，加快了信息交流的速度，同时也可导致病毒在整个网络范围内的大规模传播。近年来，复杂网络中病毒大范围传播问题已经成为控制和信息技术领域研究的一个热点。例如计算机网络中，利用博弈和权值自适应的的方法使个体保持自身性能稳定的同时，还可以获得较好的抗病毒性能。
多数抑制病毒传播的方法是建立于SI、SIS等简单模型。SI或者SIS模型分析了复杂网络中个体存在的两种状态，即易感状态和感染状态。比如：SIS模型中S代表易感个体，I代表感染个体，易感个体与感染个体接触有一定概率被感染，而感染个体也有一定概率恢复成为易感个体。但是在实际的复杂网络中情况往往要更为复杂。除了采用易感和感染两种状态之外，还应该考虑个体免疫病毒的能力，这时采用SIRS模型更为实际。相对于以往的SI和SIS等简单模型，SIRS模型考虑了复杂网络中个体具有免疫能力的情况，同时也考虑了免疫失败的情况，即个体有一定概率由感染状态恢复为易感状态。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于SIRS模型与博弈论的自适应抑制病毒传播方法，用于抑制复杂网络中病毒的传播。
为解决上述技术问题，本发明所采取的技术方案是：基于SIRS模型与博弈论的自适应抑制病毒传播方法，包括以下步骤：
步骤1：构造复杂网络的拓扑结构图，每个节点代表一个个体，获得图的点集、边集和每个节点的邻居信息；
所述构造的复杂网络的拓扑结构图为有向加权图，如下公式所示：
Figure BDA0003026350820000011
其中，
Figure BDA0003026350820000012
代表复杂网络中n个个体的集合，
Figure BDA0003026350820000013
表示有向边，个体i的内邻居
Figure BDA0003026350820000014
Figure BDA0003026350820000015
为个体i的入度，个体i的外邻居
Figure BDA0003026350820000016
Figure BDA0003026350820000021
Figure BDA0003026350820000022
为个体i的出度，i＝1,2,…,n，
Figure BDA0003026350820000023
为个体间权值w的集合；
步骤2：基于步骤1构造的复杂网络的拓扑结构图建立SIRS病毒传播模型；
根据步骤1构造的复杂网络的拓扑结构图，建立以下微分方程作为SIRS病毒传播模型，用来捕获病毒传播的过程：
Figure BDA0003026350820000024
Figure BDA0003026350820000025
Figure BDA0003026350820000026
其中，s(t)表示在t时刻复杂网络的拓扑结构图中易感个体的密度，r(t)表示在t时刻复杂网络的拓扑结构图中免疫个体的密度，i(t)表示在t时刻复杂网络的拓扑结构图中感染个体的密度，<z>为复杂网络中所有个体的平均度，β表示感染率，μ表示从感染个体恢复为易感个体的概率，δ表示获得免疫的概率、α表示易感个体和感染个体在获得免疫过程中免疫失败的概率，η表示免疫失效的概率，即免疫个体从免疫状态变成易感个体的状态的概率；
由步骤1得：s(t)+i(t)+r(t)＝n，通过归一化处理，s(t)+i(t)+r(t)＝1，即将原来网络中个体的总数量视为1，此时s(t)、i(t)和r(t)分别代表易感个体，感染个体和免疫个体占整个网络的比例；
令i(t)＝x(t),则
Figure BDA0003026350820000027
针对第i个个体，将公式(1)、(2)、(3)表示的微分方程转换为如下公式：
Figure BDA0003026350820000028
其中，si(t)表示第i个个体成为易感个体的概率，xi(t)表示第i个个体被感染的概率，ri(t)表示第i个个体获得免疫的概率，βj表示第j个个体的传染率，μi表示第i个个体由感染状态变成易感状态的概率，δi表示第i个个体由感染状态变成免疫状态的概率,ηi表示第i个个体免疫失效的概率，
Figure BDA0003026350820000029
表示单位时间内易感个体数量的变化率，
Figure BDA00030263508200000210
表示单位时间内感染个体数量的变化率，
Figure BDA00030263508200000211
表示单位时间内免疫个体数量的变化率；
步骤3：根据复杂网络的拓扑结构图构造每个个体的代价函数以及哈密顿函数模型；
将第i个个体的代价函数转变为以下微分博弈问题，博弈演化的时间为[0,T]：
Figure BDA00030263508200000212
Figure BDA0003026350820000031
Figure BDA0003026350820000032
Figure BDA0003026350820000033
第i个个体的哈密顿函数为：
Figure BDA0003026350820000034
其中，Ji表示第i个个体的代价函数，fi(xi(t))表示在t时刻第i个个体被感染所引起的性能下降程度，
Figure BDA0003026350820000035
表示由于改变个体i和个体j之间的权值所引起的第i个个体性能下降的程度，wij、
Figure BDA0003026350820000036
分别表示第i个个体和第j个个体之间的权值和初始权值；Hi表示第i个个体的哈密顿函数，pij表示第i个个体和第j个个体之间的耦合参数，βk表示第k个个体的传染率，μj表示第j个个体由感染状态变成易感状态的概率，δj表示第j个个体由感染状态变成免疫状态的概率,，T代表整个感染过程所经历的时间，
Figure BDA0003026350820000037
表示在初始时刻第i个个体的外邻居，
Figure BDA0003026350820000038
表示在初始时刻第j个个体的外邻居；
步骤4：设定复杂网络的拓扑结构图中每个个体的初始状态、感染率、恢复率、获得免疫的概率、免疫失败的概率和免疫失效的概率；
步骤5：设置复杂网络的拓扑结构图中相邻个体之间的权值作为复杂网络中个体之间的控制作用；
在t＝0时刻，设定
Figure BDA0003026350820000039
Figure BDA00030263508200000310
为第i个个体和第j个个体之间的初始权值，即初始时刻第i个个体和第j个个体之间的控制作用；在没有病毒的情况下，初始时刻的控制作用让整个复杂网络中个体的信息交流能力达到最强；当t>0时，设定t时刻第i个个体与第j个个体之间的控制作用为两个个体间的权值wij(t)，且wij(t)∈(0,1)；
步骤6：通过单个个体的哈密顿函数、初始感染状态，计算在控制作用下单个个体的耦合参数；
由公式(6)的单个个体的哈密顿函数及初始感染状态，计算第i个个体的耦合参数pi(t)，如下公式所示：
Figure BDA00030263508200000311
Figure BDA0003026350820000041
Figure BDA0003026350820000042
其中，
Figure BDA0003026350820000043
分别为
Figure BDA0003026350820000044
的第i个和第j个分量，pii(t)和pij(t)表示pi(t)的第i个分量和第j个分量，wjq表示第j个个体与第q个个体之间的权值，βq表示第q个个体的感染率，xq(t)表示第q个个体在t时刻的被感染的概率，piq表示第i个个体与第q个个体之间的耦合参数，rq(t)表示第q个个体在t时刻的获得免疫的概率；
将(7)、(8)式重写为(9)式：
Figure BDA0003026350820000045
其中：
Figure BDA0003026350820000046
Figure BDA0003026350820000047
其中，Θi,mv是指Θi中的第m行第v列的元素，
Figure BDA0003026350820000048
表示个体m的外邻居，
Figure BDA0003026350820000049
表示个体m的内邻居，wmj表示个体m和个体j之间的权值，μm表示第m个个体由感染状态变成易感状态的概率,δm表示个体m获得免疫的概率；xv(t)表示在t时刻第v个个体被感染的概率，rv(t)表示在t时刻第v个个体获得免疫的概率，wvm表示个体v和个体m之间的权值，βm表示第m个个体的传染率；
步骤7：通过单个个体的哈密顿函数、初始感染状态以及耦合参数，更新个体间的控制作用；
通过公式(6)的第i个个体的哈密顿函数、初始感染状态xi(0)＝xi0及耦合参数pi(t)，求出第i个个体与第j个个体之间更新后的权值
Figure BDA00030263508200000410
即更新后的控制作用；
步骤8：判断更新后的控制作用与更新前的控制作用的无穷范数是否达到终止条件，即：判断
Figure BDA00030263508200000411
是否成立，其中，ε为终止条件；如果是，则更新后的控制作用即为最优控制作用此时，单个个体均呈现出最优状态，即个体的信息交流能力和抗病毒能力都能达到预期的目标，否则重新执行步骤5，重新计算第i个个体与第j个个体之间的控制作用。
采用上述技术方案所产生的有益效果在于：本发明提供的基于SIRS模型与博弈论的自适应抑制病毒传播方法，利用博弈的方法有效的抵抗病毒的复杂网络中的传播，同时保证网络中个体的信息交流能力。同时，为了符合实际情况，选取SIRS病毒传播模型，通过权值自适应的方式自动调节相邻个体之间的权值，计算简单、准确性好且效率比较高。同时，在计算过程中，只需要获得个体的邻居节点的信息，避免获得复杂网络全部信息所存在的困难。
附图说明
图1为本发明实施例提供的基于SIRS模型与博弈论的自适应抑制病毒传播方法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，基于SIRS模型与博弈论的自适应抑制病毒传播方法，如图1所示，包括以下步骤：
步骤1：构造复杂网络的拓扑结构图，每个节点代表一个个体，获得图的点集、边集和每个节点的邻居信息；
所述构造的复杂网络的拓扑结构图为有向加权图，如下公式所示：
Figure BDA0003026350820000051
其中，
Figure BDA0003026350820000052
代表复杂网络中n个个体的集合，
Figure BDA0003026350820000053
表示有向边，个体i的内邻居
Figure BDA0003026350820000054
Figure BDA0003026350820000055
为个体i的入度，个体i的外邻居
Figure BDA0003026350820000056
Figure BDA0003026350820000057
Figure BDA0003026350820000058
为个体i的出度，i＝1,2,…,n，
Figure BDA0003026350820000059
为个体间权值w的集合；
步骤2：基于步骤1构造的复杂网络的拓扑结构图建立SIRS病毒传播模型；
根据步骤1构造的复杂网络的拓扑结构图，建立以下微分方程作为SIRS病毒传播模型，用来捕获病毒传播的过程：
Figure BDA00030263508200000510
Figure BDA00030263508200000511
Figure BDA00030263508200000512
其中，s(t)表示在t时刻复杂网络的拓扑结构图中易感个体的密度，r(t)表示在t时刻复杂网络的拓扑结构图中免疫个体的密度，i(t)表示在t时刻复杂网络的拓扑结构图中感染个体的密度，<z>为复杂网络中所有个体的平均度，β表示感染率，μ表示从感染个体恢复为易感个体的概率，δ表示获得免疫的概率、α表示易感个体和感染个体在获得免疫过程中免疫失败的概率，η表示免疫失效的概率，即免疫个体从免疫状态变成易感个体的状态的概率；上述第一个方程表示易感个体在单位之间内数量的变化，第二个方程表示感染个体在单位之间内数量的变化，第三个方程表示免疫个体在单位之间内数量的变化；
由步骤1得：s(t)+i(t)+r(t)＝n，通过归一化处理，s(t)+i(t)+r(t)＝1，即将原来网络中个体的总数量视为1，此时s(t)、i(t)和r(t)分别代表易感个体，感染个体和免疫个体占整个网络的比例；
令i(t)＝x(t),则
Figure BDA0003026350820000061
针对第i个个体，将公式(1)、(2)、(3)表示的微分方程转换为如下公式：
Figure BDA0003026350820000062
其中，si(t)表示第i个个体成为易感个体的概率，xi(t)表示第i个个体被感染的概率，ri(t)表示第i个个体获得免疫的概率，βj表示第j个个体的传染率，μi表示第i个个体由感染状态变成易感状态的概率，δi表示第i个个体由感染状态变成免疫状态的概率,ηi表示第i个个体免疫失效的概率，
Figure BDA0003026350820000063
表示单位时间内易感个体数量的变化率，
Figure BDA0003026350820000064
表示单位时间内感染个体数量的变化率，
Figure BDA0003026350820000065
表示单位时间内免疫个体数量的变化率；
步骤3：根据复杂网络的拓扑结构图构造每个个体的代价函数以及哈密顿函数模型；
因为每个个体决定自己与邻居之间的权值大小，所以将第i个个体的代价函数转变为以下微分博弈问题，博弈演化的时间为[0,T]：
Figure BDA0003026350820000066
Figure BDA0003026350820000067
Figure BDA0003026350820000068
Figure BDA0003026350820000069
第i个个体的哈密顿函数为：
Figure BDA00030263508200000610
其中，Ji表示第i个个体的代价函数，fi(xi(t))表示在t时刻第i个个体被感染所引起的性能下降程度，
Figure BDA00030263508200000611
表示由于改变个体i和个体j之间的权值所引起的第i个个体性能下降的程度，wij、
Figure BDA0003026350820000071
分别表示第i个个体和第j个个体之间的权值和初始权值；Hi表示第i个个体的哈密顿函数，pij表示第i个个体和第j个个体之间的耦合参数，βk表示第k个个体的传染率，μj表示第j个个体由感染状态变成易感状态的概率，δj表示第j个个体由感染状态变成免疫状态的概率,，T代表整个感染过程所经历的时间，
Figure BDA0003026350820000072
表示在初始时刻第i个个体的外邻居，
Figure BDA0003026350820000073
表示在初始时刻第j个个体的外邻居；
步骤4：设定复杂网络的拓扑结构图中每个个体的初始状态、感染率、恢复率、获得免疫的概率、免疫失败的概率和免疫失效的概率；
设置第i个个体被感染的概率xi(t)在初始时刻的值xi(0)＝xi0，第i个个体成为易感个体的概率si(t)在初始时刻的值si(0)＝si0，第i个个体获得免疫的概率ri(t)在初始时刻的值ri(0)＝ri0，且xi0∈(0,1),si0∈(0,1),ri0∈(0,1)；感染率β、恢复率μ、获得免疫的概率δ、免疫失败的概率α和免疫失效的概率η为(0,1)之间的随机数；因此，本实施例中，设定xi(0)＝xi0＝0.5感染率β＝0.05、恢复率μ＝0.15、获得免疫的概率δ＝0.15、免疫失败的概率α＝0.02和免疫失效的概率η＝0.05。
步骤5：设置复杂网络的拓扑结构图中相邻个体之间的权值作为复杂网络中个体之间的控制作用；
在t＝0时刻，设定
Figure BDA0003026350820000074
Figure BDA0003026350820000075
为第i个个体和第j个个体之间的初始权值，即初始时刻第i个个体和第j个个体之间的控制作用；在没有病毒的情况下，初始时刻的控制作用让整个复杂网络中个体的信息交流能力达到最强；当t>0时，设定t时刻第i个个体与第j个个体之间的控制作用为两个个体间的权值wij(t)，且wij(t)∈(0,1)；
本实施例中，设定
Figure BDA0003026350820000076
即初始时刻复杂网络中没有病毒感染，相邻个体之间的权值大小不变且为1。步骤6：通过单个个体的哈密顿函数、初始感染状态，计算在控制作用下单个个体的耦合参数；
由公式(6)的单个个体的哈密顿函数及初始感染状态xi(0)＝xi0，计算第i个个体的耦合参数pi(t)，如下公式所示：
Figure BDA0003026350820000077
Figure BDA0003026350820000078
Figure BDA0003026350820000081
其中，
Figure BDA0003026350820000082
分别为
Figure BDA0003026350820000083
的第i个和第j个分量，pii(t)和pij(t)表示pi(t)的第i个分量和第j个分量，wjq表示第j个个体与第q个个体之间的权值，βq表示第q个个体的感染率，xq(t)表示第q个个体在t时刻的被感染的概率，piq表示第i个个体与第q个个体之间的耦合参数，rq(t)表示第q个个体在t时刻的获得免疫的概率；
将(7)、(8)式重写为(9)式：
Figure BDA0003026350820000084
其中：
Figure BDA0003026350820000085
Figure BDA0003026350820000086
其中，Θi,mv是指Θi中的第m行第v列的元素，
Figure BDA0003026350820000087
表示个体m的外邻居，
Figure BDA0003026350820000088
表示个体m的内邻居，wmj表示个体m和个体j之间的权值，μm表示第m个个体由感染状态变成易感状态的概率,δm表示个体m获得免疫的概率；xv(t)表示在t时刻第v个个体被感染的概率，rv(t)表示在t时刻第v个个体获得免疫的概率，wvm表示个体v和个体m之间的权值，βm表示第m个个体的传染率；
通过式(9)就可以求解出第i个个体的耦合参数pi(t)。
步骤7：通过单个个体的哈密顿函数、初始感染状态以及耦合参数，更新个体间的控制作用；
通过公式(6)的第i个个体的哈密顿函数、初始感染状态xi(0)＝xi0及耦合参数pi(t)，求出第i个个体与第j个个体之间更新后的权值
Figure BDA0003026350820000089
即更新后的控制作用；
步骤8：判断更新后的控制作用与更新前的控制作用的无穷范数是否达到终止条件，即：判断
Figure BDA00030263508200000810
是否成立，其中，ε为终止条件；如果是，则更新后的控制作用即为最优控制作用，因为通过微分博弈的方法所得到的解是纳什平衡解，在满足设定的终止条件时，此时，单个个体均呈现出最优状态，即个体的信息交流能力和抗病毒能力都能达到预期的目标，否则重新执行步骤5，重新设定第i个个体与第j个个体之间的控制作用。
本实施例设定终止条件ε＝0.02，已知
Figure BDA00030263508200000811
求得
Figure BDA00030263508200000812
若
Figure BDA00030263508200000813
则
Figure BDA00030263508200000814
为最优控制作用，否则令
Figure BDA0003026350820000091
代替
Figure BDA0003026350820000092
重新回到步骤5计算。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.一种基于SIRS模型与博弈论的自适应抑制病毒传播方法，其特征在于：包括以下步骤：
步骤1：构造复杂网络的拓扑结构图，每个节点代表一个个体，获得图的点集、边集和每个节点的邻居信息；
步骤2：基于步骤1构造的复杂网络的拓扑结构图建立SIRS病毒传播模型；
步骤3：根据复杂网络的拓扑结构图构造每个个体的代价函数以及哈密顿函数模型；
步骤4：设定复杂网络的拓扑结构图中每个个体的初始状态、感染率、恢复率、获得免疫的概率、免疫失败的概率和免疫失效的概率；
步骤5：设置复杂网络的拓扑结构图中相邻个体之间的权值作为复杂网络中个体之间的控制作用；
步骤6：通过单个个体的哈密顿函数、初始感染状态，计算在控制作用下单个个体的耦合参数；
步骤7：通过单个个体的哈密顿函数、初始感染状态以及耦合参数，更新个体间的控制作用；
步骤8：判断更新后的控制作用与更新前的控制作用的无穷范数是否达到终止条件；如果是，则更新后的控制作用即为最优控制作用此时，单个个体均呈现出最优状态，即个体的信息交流能力和抗病毒能力都能达到预期的目标，否则重新执行步骤5，重新计算个体之间的控制作用；
所述构造的复杂网络的拓扑结构图为有向加权图，如下公式所示：
Figure FDA0003508050330000011
其中，
Figure FDA0003508050330000012
代表复杂网络中n个个体的集合，
Figure FDA0003508050330000013
表示有向边，个体i的内邻居
Figure FDA0003508050330000014
Figure FDA0003508050330000015
为个体i的入度，个体i的外邻居
Figure FDA0003508050330000016
Figure FDA0003508050330000017
为个体i的出度，i＝1,2,…,n，
Figure FDA00035080503300000111
为个体间权值w的集合；
所述步骤2的具体方法为：根据步骤1构造的复杂网络的拓扑结构图，建立以下微分方程作为SIRS病毒传播模型，用来捕获病毒传播的过程：
Figure FDA0003508050330000018
Figure FDA0003508050330000019
Figure FDA00035080503300000110
其中，s(t)表示在t时刻复杂网络的拓扑结构图中易感个体的密度，r(t)表示在t时刻复杂网络的拓扑结构图中免疫个体的密度，i(t)表示在t时刻复杂网络的拓扑结构图中感染个体的密度，<z>为复杂网络中所有个体的平均度，β表示感染率，μ表示从感染个体恢复为易感个体的概率，δ表示获得免疫的概率、α表示易感个体和感染个体在获得免疫过程中免疫失败的概率，η表示免疫失效的概率，即免疫个体从免疫状态变成易感个体的状态的概率；
由步骤1得：s(t)+i(t)+r(t)＝n，通过归一化处理，s(t)+i(t)+r(t)＝1，即将原来网络中个体的总数量视为1，此时s(t)、i(t)和r(t)分别代表易感个体，感染个体和免疫个体占整个网络的比例；
令i(t)＝x(t),则
Figure FDA0003508050330000021
针对第i个个体，将公式(1)、(2)、(3)表示的微分方程转换为如下公式：
Figure FDA0003508050330000022
其中，si(t)表示第i个个体成为易感个体的概率，xi(t)表示第i个个体被感染的概率，ri(t)表示第i个个体获得免疫的概率，βj表示第j个个体的传染率，μi表示第i个个体由感染状态变成易感状态的概率，δi表示第i个个体由感染状态变成免疫状态的概率,ηi表示第i个个体免疫失效的概率，
Figure FDA0003508050330000023
表示单位时间内易感个体数量的变化率，
Figure FDA0003508050330000024
表示单位时间内感染个体数量的变化率，
Figure FDA0003508050330000025
表示单位时间内免疫个体数量的变化率；
所述步骤3的具体方法为：将第i个个体的代价函数转变为以下微分博弈问题，博弈演化的时间为[0,T]：
Figure FDA0003508050330000026
Figure FDA0003508050330000027
Figure FDA0003508050330000028
Figure FDA0003508050330000029
第i个个体的哈密顿函数为：
Figure FDA00035080503300000210
其中，Ji表示第i个个体的代价函数，fi(xi(t))表示在t时刻第i个个体被感染所引起的性能下降程度，
Figure FDA0003508050330000031
表示由于改变个体i和个体j之间的权值所引起的第i个个体性能下降的程度，wij、
Figure FDA0003508050330000032
分别表示第i个个体和第j个个体之间的权值和初始权值；Hi表示第i个个体的哈密顿函数，pij表示第i个个体和第j个个体之间的耦合参数，βk表示第k个个体的传染率，μj表示第j个个体由感染状态变成易感状态的概率，δj表示第j个个体由感染状态变成免疫状态的概率，T代表整个感染过程所经历的时间，
Figure FDA0003508050330000033
表示在初始时刻第i个个体的外邻居，
Figure FDA0003508050330000034
表示在初始时刻第j个个体的外邻居；
所述步骤5的具体方法为：
在t＝0时刻，设定
Figure FDA0003508050330000035
Figure FDA0003508050330000036
为第i个个体和第j个个体之间的初始权值，即初始时刻第i个个体和第j个个体之间的控制作用；在没有病毒的情况下，初始时刻的控制作用让整个复杂网络中个体的信息交流能力达到最强；当t>0时，设定t时刻第i个个体与第j个个体之间的控制作用为两个个体间的权值wij(t)，且wij(t)∈(0,1)；
所述步骤6的具体方法为：
由公式(6)的单个个体的哈密顿函数及初始感染状态，计算第i个个体的耦合参数pi(t)，如下公式所示：
Figure FDA0003508050330000037
Figure FDA0003508050330000038
其中，
Figure FDA0003508050330000039
分别为
Figure FDA00035080503300000310
的第i个和第j个分量，pii(t)和pij(t)表示pi(t)的第i个分量和第j个分量，wjq表示第j个个体与第q个个体之间的权值，βq表示第q个个体的感染率，xq(t)表示第q个个体在t时刻的被感染的概率，piq表示第i个个体与第q个个体之间的耦合参数，rq(t)表示第q个个体在t时刻的获得免疫的概率；
将(7)、(8)式重写为(9)式：
Figure FDA00035080503300000311
其中：
Figure FDA0003508050330000041
Figure FDA0003508050330000042
其中，Θi,mv是指Θi中的第m行第v列的元素，
Figure FDA0003508050330000043
表示个体m的外邻居，
Figure FDA0003508050330000044
表示个体m的内邻居，wmj表示个体m和个体j之间的权值，μm表示第m个个体由感染状态变成易感状态的概率,δm表示个体m获得免疫的概率；xv(t)表示在t时刻第v个个体被感染的概率，rv(t)表示在t时刻第v个个体获得免疫的概率，wvm表示个体v和个体m之间的权值，βm表示第m个个体的传染率。
2.根据权利要求1所述的基于SIRS模型与博弈论的自适应抑制病毒传播方法，其特征在于：所述步骤7的具体方法为：
通过公式(6)的第i个个体的哈密顿函数、初始感染状态xi(0)＝xi0及耦合参数pi(t)，求出第i个个体与第j个个体之间更新后的权值
Figure FDA0003508050330000045
即更新后的控制作用。
CN202110417073.0A 2021-04-19 2021-04-19 基于sirs模型与博弈论的自适应抑制病毒传播方法 Active CN113162925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110417073.0A CN113162925B (zh) 2021-04-19 2021-04-19 基于sirs模型与博弈论的自适应抑制病毒传播方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110417073.0A CN113162925B (zh) 2021-04-19 2021-04-19 基于sirs模型与博弈论的自适应抑制病毒传播方法

Publications (2)

Publication Number Publication Date
CN113162925A CN113162925A (zh) 2021-07-23
CN113162925B true CN113162925B (zh) 2022-04-01

Family

ID=76868427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110417073.0A Active CN113162925B (zh) 2021-04-19 2021-04-19 基于sirs模型与博弈论的自适应抑制病毒传播方法

Country Status (1)

Country Link
CN (1) CN113162925B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106304243A (zh) * 2015-05-26 2017-01-04 桂林市华智信息科技有限公司 一种基于势博弈的无线传感器网络拓扑控制方法
CN108322328B (zh) * 2017-12-07 2021-04-20 国网新疆电力有限公司信息通信公司 基于传染病动力学的网络病毒扩散模型构建的方法
CN108230169B (zh) * 2017-12-20 2021-12-17 重庆邮电大学 基于社交影响力的信息传播模型及态势感知系统及方法
CN108092832A (zh) * 2018-02-12 2018-05-29 山东师范大学 一种社交网络病毒信息抑制方法及系统
CN108881282B (zh) * 2018-07-12 2020-08-25 北京航空航天大学 一种基于传染病模型的汽车网络恶意信息传播方法
CN109300056B (zh) * 2018-08-16 2020-11-24 西安邮电大学 一种基于sirs的情感网络传播动力模型及利用该模型的情感传播模拟方法
CN112331357A (zh) * 2020-09-18 2021-02-05 广州优飞信息科技有限公司 传染病传播模型的参数拟合方法和相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂网络上流行病传播动力学行为及其免疫控制策略研究;陈乾国;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20131215(第12期);全文 *

Also Published As

Publication number Publication date
CN113162925A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN109039942B (zh) 一种基于深度强化学习的网络负载均衡系统及均衡方法
WO2024037136A1 (zh) 一种基于图结构特征的路由优化方法与系统
CN110659745A (zh) 一种具有动态学习速率边界的分布式自适应矩估计方法
CN113298267B (zh) 一种基于节点嵌入差异检测的垂直联邦模型防御方法
CN113378474B (zh) 一种基于贡献量的联邦学习客户机选择方法、系统及介质
CN112287990A (zh) 一种基于在线学习的边云协同支持向量机的模型优化方法
CN111781822A (zh) 一种多智能体系统的隐私保护分组一致性控制方法
CN108197594A (zh) 确定瞳孔位置的方法和装置
CN111814189A (zh) 一种基于差分隐私的分布式学习隐私保护方法
CN115314399B (zh) 一种基于逆强化学习的数据中心流量调度方法
CN114707575A (zh) 一种基于ap聚类的sdn多控制器部署方法
CN111224905A (zh) 一种大规模物联网中基于卷积残差网络的多用户检测方法
CN117994635B (zh) 一种噪声鲁棒性增强的联邦元学习图像识别方法及系统
CN113162925B (zh) 基于sirs模型与博弈论的自适应抑制病毒传播方法
CN107169594A (zh) 一种车辆路径问题的优化方法及装置
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN117392483B (zh) 基于增强学习的相册分类模型训练加速方法、系统及介质
CN113159294A (zh) 基于同伴学习的样本选择算法
CN110971471A (zh) 基于状态感知的电力通信主干网故障恢复方法和装置
CN113078958B (zh) 一种基于迁移学习的网络节点距离矢量同步方法
CN115801897A (zh) 一种边缘代理的报文动态处理方法
CN109492744A (zh) 一种离散二进制粒子群算法与模糊控制耦合的混合运行优化控制方法
CN113487870A (zh) 一种基于cw攻击对智能单交叉口的对抗扰动生成方法
CN113919495A (zh) 一种基于强化学习的多智能体容错一致性方法及系统
Zhou et al. Decentralized adaptive optimal control for massive multi-agent systems using mean field game with self-organizing neural networks

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