CN113411821A - 一种复杂网络的体系重构能力测评方法及系统 - Google Patents
一种复杂网络的体系重构能力测评方法及系统 Download PDFInfo
- Publication number
- CN113411821A CN113411821A CN202110678035.0A CN202110678035A CN113411821A CN 113411821 A CN113411821 A CN 113411821A CN 202110678035 A CN202110678035 A CN 202110678035A CN 113411821 A CN113411821 A CN 113411821A
- Authority
- CN
- China
- Prior art keywords
- network
- complex
- evaluation
- motif
- importance
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000002347 injection Methods 0.000 claims abstract description 24
- 239000007924 injection Substances 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims description 50
- 238000010606 normalization Methods 0.000 claims description 29
- 238000013139 quantization Methods 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 27
- 238000004132 cross linking Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种复杂网络的体系重构能力测评方法及系统,首先构建待测评网络对应的复杂网络体系模型;其次根据复杂网络体系模型计算重构能力测评总指标;然后按照扰动注入参数向复杂网络体系模型中注入扰动,监控并记录测评信息;最后根据测评信息分析待测评网络的体系重构能力。本发明分析比对复杂网络体系模型受到扰动压力注入后,基于测评信息中各指标的演化趋势特征,实现对体系重构能力的精准量化计算,从而更加精确清晰地刻画复杂体系的重构能力,根据重构能力量化测评指标进一步提升体系生存性和恢复性,建立有力的体系对抗优势。
Description
技术领域
本发明涉及复杂网络重构能力测评技术领域,特别是涉及一种复杂网络的体系重构能力测评方法及系统。
背景技术
近年来,网络科学发展日趋成熟,涌现出许多新型复杂网络如5G网络、配电网络、社会网络、交通网络、生物网络和作战网络,其共有特征在于复杂性、层次性、异构性、涌现性、鲁棒性及自适应性。体系是指由感知、指控、行动等系统组成的能动态适应外部变化环境的复杂巨系统,可兼容并更好地描述新型网络的这些特征。体系具有组成力量多样性、行动不确定性等特点,且由于偶然性、非线性和自组织性等因素存在,体系具有很强的复杂性。从本质上看,体系也可以看成是各类网络的综合集成,体系和网络二者具有天然的同构性和特征相似性。
体系重构,即从平时体系网络节点静态设计角度,围绕体系效能需要,基于体系各网络节点之间的依赖关系,面向给定任务,以体系效能最大化为优化目标,建立体系的初始配置最优化模型。实现在满足体系网络节点之间支援和依赖关系的前提下,优化配置体系的基本组成单元,使体系具备面向给定任务的最大效能。从网络节点动态使用角度,围绕体系任务需要,考虑网络节点可能发生有限的损毁率和故障率,从而导致的体系能力下降。通过对体系的组成单元实施重构配置和故障修复,在给定相应时间内,使体系效能恢复最大化,体现体系能力的重构自恢复功能。
为提高体系韧性、弹性、可靠性,维持高水平体系效能,保证体系与环境在行为交互尺度上的复杂度,获取网络对抗中的优势,需要在不同尺度下,按一定策略对网络实施动态重构,需要使体系拥有较强的动态自适应重组重构能力。
针对衡量体系重构能力的量化测评指标,现有研究主要围绕系统扰动发生时通过一定策略的重构从一定程度上恢复体系效能或提出某种特定重构策略。现有的重构应用多止步于体系网络建模、体系可靠性分析,乃至面向某种特定领域(如5G网络、配电网络)的特异化重构方法和优化,并未关注体系的重构能力及其量化测评。
体系相对于简单系统,其规模较大、功能复杂、拓扑不断变化,导致体系演化规律和故障规律相对复杂,演化形式也极为多样化。为了使体系具备在复杂工作环境下仍能正常运行的能力,复杂体系的重构能力需要有所提升。但由于体系的复杂巨系统特性,使得如何量化体系的重构能力并进行有效测评成为现阶段的一个难题。
发明内容
本发明的目的是提供一种复杂网络的体系重构能力测评方法及系统,以实现对待测评网络的体系重构能力进行测评。
为实现上述目的,本发明提供了一种复杂网络的体系重构能力测评方法,所述方法包括:
步骤A:构建待测评网络对应的复杂网络体系模型;
步骤B:根据所述复杂网络体系模型确定测评信息;所述测评信息包括复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵和重构能力测评总指标;
步骤C:判断迭代次数是否大于或等于设定次数,如果迭代次数大于或等于设定次数,则执行“步骤F”;如果迭代次数小于设定次数,则执行“步骤D”;
步骤D:给定扰动注入参数;
步骤E:按照所述扰动注入参数向所述复杂网络体系模型中注入扰动,并将注入扰动后的模型作为复杂网络体系模型,返回“步骤B”;
步骤F:根据多组测评信息分析待测评网络的体系重构能力。
可选地,所述构建待测评网络对应的复杂网络体系模型,具体包括:
获取待测评网络;所述待测评网络为5G网络、配电网络、社会网络、交通网络、生物网络和作战网络中至少一种;
对所述待测评网络进行分析,获得待测评网络的网络节点分布;
根据所述网络节点分布进行网络构建,获得复杂网络体系模型。
可选地,所述根据所述复杂网络体系模型确定测评信息,具体包括:
根据所述复杂网络体系模型确定体系性能类型;
根据所述体系性能类型将性能特征参数进行量化;
根据所述体系性能类型和量化后的所述性能特征参数计算重构能力测评指标;所述重构能力测评指标包括:复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵;
根据所述重构能力测评指标确定重构能力测评总指标。
可选地,所述根据所述体系性能类型和量化后的所述性能特征参数计算重构能力测评指标,具体包括:
根据计算复杂体系模体浓度;其中,S(n)表示复杂体系模体浓度,Y(x)表示由x个网络节点组成的子网络出现次数,W(x,Mt)表示由x个网络节点组成的第t种网络模体Mt出现次数,f(Mt)表示网络模体Mt的浓度,m表示构成网络模体的总种类数,αst表示网络模体Mt在第s个测评维度下的性能贡献度,αst∈[0,1],Ss(m)表示m种网络模体在第s个测评维度下的性能贡献度,k表示测评维度的总个数;
根据Zt=(Nreali-<Nrandi>)/std(δrandi)计算各网络模体在真实网络中的重要度;其中,Zt表示网络模体Mt在真实网络中的重要度,Nreali表示网络模体Mt在真实网络中出现的次数,Nrandi表示网络模体Mt在随机网络中出现的次数,<Nrandi>表示Nrandi的平均值,std(δrandi)表示Nrandi的标准差;
可选地,所述根据所述重构能力测评指标确定重构能力测评总指标,具体公式为:
本发明还提供一种复杂网络的体系重构能力测评系统,所述系统包括:
复杂网络体系模型构建模块,用于构建待测评网络对应的复杂网络体系模型;
测评信息确定模块,用于根据所述复杂网络体系模型确定测评信息;所述测评信息包括复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵和重构能力测评总指标;
判断模块,用于判断迭代次数是否大于或等于设定次数,如果迭代次数大于或等于设定次数,则执行“分析模块”;如果迭代次数小于设定次数,则执行“参数给定模块”;
参数给定模块,用于给定扰动注入参数;
扰动注入模块,用于按照所述扰动注入参数向所述复杂网络体系模型中注入扰动,并将注入扰动后的模型作为复杂网络体系模型,返回“测评信息确定模块”;
分析模块,用于根据多组所述测评信息分析待测评网络的体系重构能力。
可选地,所述复杂网络体系模型构建模块,具体包括:
获取单元,用于获取待测评网络;所述待测评网络为5G网络、配电网络、社会网络、交通网络、生物网络和作战网络中至少一种;
网络节点分布确定单元,用于对所述待测评网络进行分析,获得待测评网络的网络节点分布;
复杂网络体系模型构建单元,用于根据所述网络节点分布进行网络构建,获得复杂网络体系模型。
可选地,所述测评信息确定模块,具体包括:
体系性能类型确定单元,用于根据所述复杂网络体系模型确定体系性能类型;
量化单元,用于根据所述体系性能类型将性能特征参数进行量化;
重构能力测评指标计算单元,用于根据所述体系性能类型和量化后的所述性能特征参数计算重构能力测评指标;所述重构能力测评指标包括:复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵;
重构能力测评总指标确定单元,用于根据所述重构能力测评指标确定重构能力测评总指标。
可选地,所述重构能力测评指标计算单元,具体包括:
复杂体系模体浓度计算子单元,用于根据计算复杂体系模体浓度;其中,S(n)表示复杂体系模体浓度,Y(x)表示由x个网络节点组成的子网络出现次数,W(x,Mt)表示由x个网络节点组成的第t种网络模体Mt出现次数,f(Mt)表示网络模体Mt的浓度,m表示构成网络模体的总种类数,αst表示网络模体Mt在第s个测评维度下的性能贡献度,αst∈[0,1],Ss(m)表示m种网络模体在第s个测评维度下的性能贡献度,k表示测评维度的总个数;
重要度计算子单元,用于根据Zt=(Nreali-<Nrandi>)/std(δrandi)计算各网络模体在真实网络中的重要度;其中,Zt表示网络模体Mt在真实网络中的重要度,Nreali表示网络模体Mt在真实网络中出现的次数,Nrandi表示网络模体Mt在随机网络中出现的次数,<Nrandi>表示Nrandi的平均值,std(δrandi)表示Nrandi的标准差;
可选地,所述根据所述重构能力测评指标确定重构能力测评总指标,具体公式为:
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的目的在于提供一种复杂网络的体系重构能力测评方法及系统,分析比对复杂网络体系模型受到扰动压力注入后,基于测评信息中各指标的演化趋势特征,实现对体系重构能力的精准量化计算,从而更加精确清晰地刻画复杂体系的重构能力,便于网络体系设计者了解体系效能和重构意义上的性能,并根据重构能力量化测评指标进一步提升体系生存性和恢复性,建立有力的体系对抗优势。本方法计算简便、通用性和精确性好,工程应用价值较好。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明复杂网络的体系重构能力测评方法流程图;
图2为本发明复杂网络的体系重构能力测评系统结构图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种复杂网络的体系重构能力测评方法及系统,以实现对待测评网络的体系重构能力进行测评。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本发明公开一种复杂网络的体系重构能力测评方法,所述方法包括:
步骤A:构建待测评网络对应的复杂网络体系模型。
步骤B:根据所述复杂网络体系模型确定测评信息;所述测评信息包括复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵和重构能力测评总指标。
步骤C:判断迭代次数是否大于或等于设定次数,如果迭代次数大于或等于设定次数,则执行“步骤F”;如果迭代次数小于设定次数,则执行“步骤D”。
步骤D:给定扰动注入参数。
步骤E:按照所述扰动注入参数向所述复杂网络体系模型中注入扰动,并将注入扰动后的模型作为复杂网络体系模型,返回“步骤B”。
步骤F:根据多组测评信息分析待测评网络的体系重构能力。
下面对各个步骤进行详细论述:
步骤A:构建待测评网络对应的复杂网络体系模型,具体包括:
步骤A1:获取待测评网络。所述待测评网络为5G网络、配电网络、社会网络、交通网络、生物网络和作战网络中至少一种。
步骤A2:对所述待测评网络进行分析,获得待测评网络的网络节点分布。
步骤A3:根据所述网络节点分布进行网络构建,获得复杂网络体系模型。
所述复杂网络体系模型为一个点集V和一个边集E组成复杂网络体系模型G,即:G=(V,E);抽象后的复杂网络体系模型可以清晰体现各个网络节点之间的交互链接关系,且易于对复杂体系进行重构能力测评分析;根据复杂体系各网络节点间的交联关系的不同,此复杂网络体系模型G可为有向网络或无向网络,复杂网络体系模型的贮存形式可为矩阵形式或链表形式。
本实施例中涉及的拓扑结构(即网络节点分布)及分析后获得的功能特征实际为待测评网络有别于其他类型体系的功能以及结构等特点,抽取待测评网络各网络节点间交联关系构建复杂网络体系模型,以为后续注入扰动测评体系的重构性能做准备。
步骤A3:根据所述网络节点分布进行网络构建,获得复杂网络体系模型,具体包括:
步骤A31:遍历所述网络节点分布的所有网络节点,并对网络节点分布进行特征分析,并将各网络节点加入网络节点列表构建点集V;所述网络节点为组元或网络子团。
步骤A32:遍历所述网络节点分布的所有连通路径,并对各连通路径进行特征分析,将各连通路径加入边列表构建边集E。
步骤A33:根据所述点集V和所述边集E进行网络构建,获得复杂网络体系模型。
步骤B:根据所述复杂网络体系模型确定测评信息,具体包括:
步骤B1:根据所述复杂网络体系模型确定体系性能类型;体系性能类型包括:通信性能、作战性能和保障性能。
具体的,根据所述复杂网络体系模型中的网络节点特征参数和边特征参数,依据测评特异化要求,标定体系性能类型。网络节点特征参数是遍历待测评网络的所有网络节点,并对网络节点分布进行特征分析得到的,边特征参数是遍历待测评网络的所有连通路径,并对各连通路径进行特征分析得到的。由于体系性能为多维化特性,且各维度特定判别方法和判别标准均各有不同,因此需要在根据测评特异化要求标定待分析体系性能类别后对体系构建重构能力测评指标;如在多无人机物流配送群集体系中,可在群集无人机体系的各网络节点无人机间通讯能力、各网络节点无人机间协同编组能力等多个性能维度进行重构能力测评。
步骤B2:根据所述体系性能类型将性能特征参数进行量化;所述性能特征参数包括:通讯信号送达率、目标单元毁伤率和平均可用度。
具体的,首先根据体系性能特性确定体系性能特征类型,依照体系性能类型,获取可精准表征体系当前相态的性能特征参数,并对性能特征参数进行量化,以便为体系的重构能力测评指标构建提供基础。
步骤B3:根据所述体系性能类型和量化后的所述性能特征参数计算重构能力测评指标;所述重构能力测评指标包括:复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵。
具体的,根据步骤B1中所确定的性能特征类型,结合步骤B2中量化后的性能特征参数为基础,运用诸如复杂体系模体浓度、各网络模体的重要度归一化值、网络结构熵等指标组成的测评指标体系构建复杂体系的重构能力测评指标。
步骤B31:根据计算复杂体系模体浓度;其中,S(n)表示复杂体系模体浓度,Y(x)表示由x个网络节点组成的子网络出现次数,W(x,Mt)表示由x个网络节点组成的第t种网络模体Mt出现次数,f(Mt)表示网络模体Mt的浓度,m表示构成网络模体的总种类数,αst表示网络模体Mt在第s个测评维度下的性能贡献度,αst∈[0,1],Ss(m)表示m种网络模体在第s个测评维度下的性能贡献度,k表示测评维度的总个数。
每一个网络模体包含不同数量和不同种类的包以德环(Boyd环),且这m种网络模体从拓扑结构、反应能力、任务需求等测评维度下对体系整体的性能贡献度各不相同,通过从m个不同测评维度下各模体的性能贡献度计算各网络模体浓度,将k个不同测评维度下体系网络模体浓度加权平均数的算术均值作为复杂体系模体浓度。
“包以德环(Boyd环)是指:包以德环,也称OODA循环,基本观点是冲突对抗中,可以看做是敌对双方互相较量谁能更快更好地完成“观察—调整—决策—行动”的循环程序;OODA循环是由Observation观察、Orientation判断、Decision决策、Action执行四个字母的首字母组合得名。
步骤B32:根据Zt=(Nreali-<Nrandi>)/std(δrandi)计算各网络模体在真实网络中的重要度;其中,Zt表示网络模体Mt在真实网络中的重要度,Nreali表示网络模体Mt在真实网络中出现的次数,Nrandi表示网络模体Mt在随机网络中出现的次数,<Nrandi>表示Nrandi的平均值,std(δrandi)表示Nrandi的标准差。
本发明所述各网络模体的重要度为各网络模体在真实网络中的重要程度,Zt越大表明网络模体Mt在真实网络中越重要,当网络规模不同时,规模大的网络重要度高,但是并不能正确评价模体真实在网络中的重要程度,因此对Z得分进行归一化处理,具体步骤如下:
重要度归一化值强调网络模体的相对统计意义而不是绝对意义,它可以用来比较不同规模的网络,还可以用来了解一个给定网络的模体分布。
在基于点和边差异性的网络结构熵基础上,既考虑节点和边在全局网络中的宏观特性,又考虑点和边的局部特征,此处运用基于网络模体的点差异性和边差异性的网络结构熵,测度网络结构的复杂性,从复杂性视角下评定体系重构能力强弱;其中基于网络模体的点差异性代表网络中与某节点的模体顶点度不同的节点数,基于网络模体的边差异性表示网络中模体结构之间相互关系的差异性,包括以下步骤:
根据计算各网络节点的点差异性;其中,Si为网络节点i的点差异性,n为网络模体的总类别数,i为网络节点数量,N为网络节点的总个数,Mj为第j类网络模体,fj为第j类网络模体在真实网络中出现的频率;为网络中与网络节点i的网络模体Mj顶点度不同的节点数,为包含网络节点i的第j类网络模体Mj的个数,即顶点度,为网络中第j类网络模体顶点度为的节点的概率。
网络中任意链接的节点的度值应该服从的概率分布为kp(k),即一个拥有度值为k的节点被选中的概率应该为度值为1的k倍(网络中孤立节点不会被选中),由此可以反映网络中节点信息传递方式的多样性以及节点之间信息传递的时效性和质量。
根据计算各网络节点在网络中的差异性程度;其中,Ii为网络节点i在网络中的差异性程度,I′i为网络节点i的结构重要性,α、β分别为网络节点i的点差异性和边差异性的权重,α+β=1,N为网络中节点的总个数。
本发明根据体系性能类型、量化后的性能特征参数以及计算各指标的具体公式,将重构能力测评指标计算通式中的底层抽象参数变量置换为待测评复杂体系本身的本征参数,从而实现重构能力测评指标的实体化、具体化、实例化。
步骤B4:根据重构能力测评指标确定重构能力测评总指标。
以样例指标及其他增补指标共N个指标作为基础构建重构能力测评总指标R;参照初始t0时刻下指标初值,当复杂体系受到到扰动压力注入后,会引起重构能力测评总指标R的变化,而重构能力测评指标的数值可表征复杂体系重构能力的强弱,因此可通过监测重构能力测评总指标R的时域浮动判断体系重构状态并量化测评复杂体系结构重构能力。本发明以复杂体系模体浓度、各网络模体的重要度和网络结构熵这三个体系重构测评样例指标为例,将重构能力测评总指标R可由t1时刻的复杂体系模体浓度、各网络模体的重要度和网络结构熵三个基本指标的值与其各自在初始时刻t0时数值的比值之和表示,具体计算重构能力测评总指标的具体公式为:
步骤C:判断迭代次数是否大于或等于设定次数,如果迭代次数大于或等于设定次数,则执行“步骤F”;如果迭代次数小于设定次数,则执行“步骤D”。本发明中的设定次数是根据实际需求进行设置的。
步骤D:给定扰动注入参数;所述扰动注入参数为扰动压力注入或故障注入。具体的,按照真实应用场景下,复杂体系应当承载的扰动压力最值,给定扰动注入参数,如:对无人机群集复杂体系感知侦查性能进行重构能力测评时,依据实际任务情况标定扰动压力注入时最大感知载荷Lmax、扰动注入网络节点在体系总网络节点数占比r、扰动注入初始时间t0以及扰动注入总时长Δt。
步骤E:按照所述扰动注入参数向所述复杂网络体系模型中注入扰动,并将注入扰动后的模型作为复杂网络体系模型,返回“步骤B”;本实施例加入扰动后,所述复杂网络体系模型发生改变,进而网络节点以及由网络节点组成的网络模体的总种类数也会发生改变,基于网络模体确定的所述重构能力测评指标以及重构能力测评总指标也会发生改变。具体的,本发明利用软件或硬件监测扰动压力注入前、扰动压力注入时以及扰动压力注入后的测评信息,判定复杂体系是否拥有网络重构能力以及重构能力强弱,将记录的扰动压力注入全过程中的故障信息和性能特征参数供后续分析使用。
步骤F:根据多组所述测评信息分析待测评网络的体系重构能力;本发明所述测评信息还包括注入扰动之前和注入扰动之后复杂网络体系模型,根据存储的复杂网络体系模型分析重构能力测评指标演化趋势;具体的,“分析重构能力测评指标演化趋势”,其具体做法如下:根据所述测评信息依照时序汇总出在时间序列t下复杂网络体系模型的边集Et,边集Et与点集V组成一组在时间序列t下复杂网络体系模型集合Gt。
“分析待测评网络的体系重构能力”,其具体做法如下:对在时间序列t下复杂网络体系模型集合中每个网络模型进行分析可以得出一组时间序列t下的复杂体系模体浓度、各网络模体的重要度归一化值、网络结构熵及重构能力测评总指标,扰动压力注入下体系的重构能力可由上述指标的演化趋势表征。
实施例2
如图2所示,本发明还公开一种复杂网络的体系重构能力测评系统,所述系统包括:
复杂网络体系模型构建模块201,用于构建待测评网络对应的复杂网络体系模型。
测评信息确定模块202,用于根据所述复杂网络体系模型确定测评信息;所述测评信息包括复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵和重构能力测评总指标。
判断模块203,用于判断迭代次数是否大于或等于设定次数,如果迭代次数大于或等于设定次数,则执行“分析模块”;如果迭代次数小于设定次数,则执行“参数给定模块”。
参数给定模块204,用于给定扰动注入参数。
扰动注入模块205,用于按照所述扰动注入参数向所述复杂网络体系模型中注入扰动,并将注入扰动后的模型作为复杂网络体系模型,返回“测评信息确定模块”。
分析模块206,用于根据多组所述测评信息分析待测评网络的体系重构能力。
作为一种可选的实施方式,本发明所述复杂网络体系模型构建模块201,具体包括:
获取单元,用于获取待测评网络;所述待测评网络为5G网络、配电网络、社会网络、交通网络、生物网络和作战网络中至少一种。
网络节点分布确定单元,用于对所述待测评网络进行分析,获得待测评网络的网络节点分布。
复杂网络体系模型构建单元,用于根据所述网络节点分布进行网络构建,获得复杂网络体系模型。
作为一种可选的实施方式,本发明所述测评信息确定模块202,具体包括:
体系性能类型确定单元,用于根据所述复杂网络体系模型确定体系性能类型。
量化单元,用于根据所述体系性能类型将性能特征参数进行量化。
重构能力测评指标计算单元,用于根据所述体系性能类型和量化后的所述性能特征参数计算重构能力测评指标;所述重构能力测评指标包括:复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵。
重构能力测评指标计算单元,具体包括:
复杂体系模体浓度计算子单元,用于根据计算复杂体系模体浓度;其中,S(n)表示复杂体系模体浓度,Y(x)表示由x个网络节点组成的子网络出现次数,W(x,Mt)表示由x个网络节点组成的第t种网络模体Mt出现次数,f(Mt)表示网络模体Mt的浓度,m表示构成网络模体的总种类数,αst表示网络模体Mt在第s个测评维度下的性能贡献度,αst∈[0,1],Ss(m)表示m种网络模体在第s个测评维度下的性能贡献度,k表示测评维度的总个数;
重要度计算子单元,用于根据Zt=(Nreali-<Nrandi>)/std(δrandi)计算各网络模体在真实网络中的重要度;其中,Zt表示网络模体Mt在真实网络中的重要度,Nreali表示网络模体Mt在真实网络中出现的次数,Nrandi表示网络模体Mt在随机网络中出现的次数,<Nrandi>表示Nrandi的平均值,std(δrandi)表示Nrandi的标准差;
重构能力测评总指标确定单元,用于根据所述重构能力测评指标确定重构能力测评总指标,具体公式为:
本发明的目的在于提供一种复杂网络的体系重构能力测评方法及系统,考虑到复杂体系复杂性、异构性、多重耦合、级联失效、自组织自适应性等多种复杂动态特性,采用本发明提出的重构能力测评方法分析比对复杂体系受到扰动压力注入后,基于复杂网络重构的能力指标的演化趋势特征,实现对体系重构能力的精准量化计算,从而更加精确清晰地刻画复杂体系的重构能力,便于网络体系设计者了解体系效能和重构意义上的性能,并根据重构能力量化测评指标进一步提升体系生存性和恢复性,建立有力的体系对抗优势。本方法计算简便、通用性和精确性好,工程应用价值较好。
实施例3
通过剖析待测无人机物流配送群集体系拓扑结构(即待测评网络),抽取其各组元(即网络节点)间交联关系构建体系的复杂网络体系模型,以为后续注入压力并测评体系的重构性能做准备;解析抽取无人机物流配送群集体系的各组元时空分布状态,构建无人机物流配送群集体系网络模型的点集V(点集V中包含300个元素,每个元素对应一架物流无人机),解析抽取各个网络节点之间的交互关系,构建无人机物流配送群集体系网络模型的边集E(边集E反映物流无人机之间的通信、协作关系,包含6352条连边),构建体系网络模型G,包括以下步骤:
分析抽取待测评无人机物流配送群集体系的组元分布,构建无人机物流配送群集体系网络模型的点集V(点集V中包含300个元素,每个元素对应一架物流无人机),对无人机物流配送群集体系各组成单元(节点或子网络子团)进行遍历统计,在此基础上将各组元存入列表构建点集V。
抽取待测评无人机物流配送群集体系各组元间的交互联结关系,构建无人机物流配送群集体系网络模型的边集E(边集E反映物流无人机之间的通信、协作关系);对复杂体系网络进行连通路径遍历统计,并同时进行网络连边基本统计特征分析,在此分析以及步骤A1基础上将各连边存入列表构建边集E。
根据点集V和边集E,构建无人机物流配送群集的复杂网络体系模型G;通过点集V以及边集E通过例如Python NetworkX的编程方式构建体系网络模型G,并同时利用BFS遍历搜索算法进行网络节点基本统计特征分析,得到网络度、聚类系数、介数中心性等典型特征参数。
步骤B:根据所述复杂网络体系模型确定测评信息,包括以下步骤:
步骤B1:根据步骤A得到的无人机物流配送群集体系特性确定所需分析的体系性能类型为通信连通体系。在此无人机物流配送群集体系中,可构建无人机间跳频数据链通讯网络的模体浓度、通讯连通网络模体的重要度归一化SP值、基于模体的通讯连通网络结构熵这三个指标进行重构能力测评。
步骤B2:根据步骤B1确定的“通信连通体系”这一性能特征类型,获取可精准表征体系当前相态的性能特征参数,以便为体系的重构状态判定提供依据;以多无人机物流配送群集复杂体系的无人机之间的通讯性能重构能力为例,假设通讯性能正常时体系物流配送无人机组元间的总平均误码率为pi=0.025,当受到高频无线电扰动压力注入后,误码率增加;当误码率增长为正常的ν=32倍后,即pj=νpi=32×0.025=0.8,判定该体系组元间通讯基本中断,为待重构状态;而当体系开始重构,体系物流配送无人机组元间误码率开始下降至pk<νpi=0.8时,判定体系重构过程已进行。
步骤B3:在步骤B2量化的可精准表征体系当前相态的性能特征参数“平均误码率”的状态判定基础上,构建体系的重构能力测评指标。根据步骤B1中所确定的体系性能特征类型,结合步骤B2中量化的待测评体系特异化特征参数为基础,使用通讯连通网络模体的浓度S、通讯连通网络模体的重要度归一化SP值、基于模体的通讯连通网络结构熵H这3个指标组成的测评指标体系作为网络体系的重构能力测评计算方法依据,构建复杂体系的重构能力量化评定指标,包括以下步骤:
在步骤B2量化的可精准表征体系当前相态的性能特征参数“平均误码率”的状态判定基础上,确定网络模型使用通讯连通网络模体的浓度S、通讯连通网络模体的重要度归一化SP值、基于模体的通讯连通网络结构熵H这3个重构能力测评指标,并具象化体系重构能力指标计算公式、进行数值计算。
在无人机物流配送群集体系网络模型G=(V,E)中,当网络模体内含网络节点数i=3的模体在节点数N=300组成的无人机物流配送群集体系网络出现总次数为W(i,Mt)=20,代表由3个网络节点组成的第t种网络模体Mt出现次数为W(i,Mt)=20,则网络模体Mt浓度为设i=3个网络节点可以构成m种模体,每一个模体包含不同数量和不同种类的Boyd环,且这m种模体从拓扑结构、反应能力、任务需求等维度下对体系整体的性能贡献度各不相同,通过从k个不同测评维度和考量视角下标定代表m种不同网络模体的性能贡献度αst∈[0,1],以性能贡献度作为不同模体浓度的权重对模体浓度加权进行构建,即:复杂体系模体浓度计算得即基于复杂体系模体浓度的重构能力测评指标通式为k个不同测评维度下体系网络模体浓度加权平均数的算术均值。
设网络模体M4在真实无人机物流配送群集体系网络中出现的次数记为Nreali=16,它在随机网络中出现的次数记为Nrandi,Nrandi的平均值记为<Nrandi>=9.83,标准差为std(δrandi)=0.72,那么模体在该真实网络中的重要度为:Zt=(Nreali-<Nrandi>)/std(δrandi)=8.57。Zt越大表明模体在网络中越重要。当网络规模不同时,规模大的网络Zt越大,但是并不能正确评价模体在网络中的重要程度,因此对Zt进行归一化处理,得到重要度归一化SPt(significance profile)值:SPt值强调模体的相对统计意义而不是绝对意义,它可以用来比较不同规模的网络,还可以用来了解一个给定网络的模体分布。
在基于点和边差异性的网络结构熵基础上,既考虑节点和边在全局网络中的宏观特性,又考虑点和边的局部特征的体系复杂性综合测度指标,此处运用各网络节点的点差异性和边差异性的网络结构熵,测度网络结构的复杂性,从复杂性视角下评定体系重构能力强弱;其中基于模体的点差异性代表网络中与某节点的模体顶点度不同的节点数,基于模体的边差异性表示网络中模体结构之间相互关系的差异性,包括以下步骤:
计算第i个网络节点的点差异性Si,具体公式为:式中:Si为网络节点i的点差异性,n为网络模体的总类别数,i为网络节点数量,N为网络节点的总个数,Mj为第j类网络模体,fj为第j类网络模体在真实网络中出现的频率;为网络中与网络节点i的网络模体Mj顶点度不同的节点数,为包含网络节点i的第j类网络模体Mj的个数,即顶点度,为网络中第j类网络模体顶点度为的节点的概率。
计算第i个网络节点的边差异性Di,具体公式为:式中,Di为网络节点i的边差异性,网络中任意链接的网络节点的度值应该服从的概率分布为kp(k),即一个拥有度值为k的节点被选中的概率应该为度值为1的k倍(网络中孤立节点不会被选中),由此可以反映网络中节点信息传递方式的多样性以及节点之间信息传递的时效性和质量;计算得Di=344.7。
计算第i个网络节点在网络中的差异性程度Ii,具体公式为:式中:Ii为第i个网络节点在网络中的差异性程度;I′i=αSi+βDi,表示网络节点i的结构重要性,其中α、β分别为点差异性和边差异性的权重,α+β=1,取α=0.4、β=0.6;计算得Ii=0.359。
以三个体系重构测评样例指标为例,将共3个指标作为基础构建重构能力测评总指标R;参照初始t0时刻下指标初值,当复杂体系受到到扰动压力注入后,会引起重构能力测评指标数值R的变化,而重构能力测评指标的数值可表征复杂体系重构能力的强弱,因此可通过监测重构能力测评总指标R的时域浮动判断体系重构状态并量化测评复杂体系结构重构能力。在本专利中,重构能力测评总指标R可由t1时刻的复杂网络模体的浓度、网络模体SP值、基于模体的网络结构熵三个基本指标的值与其各自在初始时刻t0时数值的比值之和表示,也即:而当需要添加其他评测指标时,只需在R的计算公式后,类比添加新的分式项加和即可。取t1=225s时,计算得
步骤D:对物流配送无人机群集复杂体系感知侦查性能进行重构能力测评时,依据实际任务情况标定扰动压力注入时最大感知载荷Lmax=240、扰动注入组元在体系总组元数占比r=0.2、扰动注入初始时间t0=15s,切片采样时间t1=225s、t2=235s以及扰动注入总时长Δt=130s。
步骤E:依照上述所量化的性能特征参数,计算重构能力测评总指标得判定无人机物流配送群集体系在扰动结束后的一段时间内在进行重构,且重构成功恢复了体系的部分性能,无人机物流配送群集体系拥有网络重构能力且重构能力较强。记录体系在扰动压力注入全过程中的故障信息和性能特征参数供后续分析使用。
步骤F:根据步骤E监控记录测评信息,汇总重构能力测评指标演化趋势,分析体系的重构能力;对在时间序列t下复杂体系网络模型集合Gt中每个子网络模型Gt依据步骤B3进行分析可以得出一组时间序列[t0,t1,t2,t3,…]下的体系重构能力测评指标,扰动压力注入下体系的重构能力可由该组体系重构能力测评指标的演化趋势表征。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种复杂网络的体系重构能力测评方法,其特征在于,所述方法包括:
步骤A:构建待测评网络对应的复杂网络体系模型;
步骤B:根据所述复杂网络体系模型确定测评信息;所述测评信息包括复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵和重构能力测评总指标;
步骤C:判断迭代次数是否大于或等于设定次数,如果迭代次数大于或等于设定次数,则执行“步骤F”;如果迭代次数小于设定次数,则执行“步骤D”;
步骤D:给定扰动注入参数;
步骤E:按照所述扰动注入参数向所述复杂网络体系模型中注入扰动,并将注入扰动后的模型作为复杂网络体系模型,返回“步骤B”;
步骤F:根据多组测评信息分析待测评网络的体系重构能力。
2.根据权利要求1所述的复杂网络的体系重构能力测评方法,其特征在于,所述构建待测评网络对应的复杂网络体系模型,具体包括:
获取待测评网络;所述待测评网络为5G网络、配电网络、社会网络、交通网络、生物网络和作战网络中至少一种;
对所述待测评网络进行分析,获得待测评网络的网络节点分布;
根据所述网络节点分布进行网络构建,获得复杂网络体系模型。
3.根据权利要求1所述的复杂网络的体系重构能力测评方法,其特征在于,所述根据所述复杂网络体系模型确定测评信息,具体包括:
根据所述复杂网络体系模型确定体系性能类型;
根据所述体系性能类型将性能特征参数进行量化;
根据所述体系性能类型和量化后的所述性能特征参数计算重构能力测评指标;所述重构能力测评指标包括:复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵;
根据所述重构能力测评指标确定重构能力测评总指标。
4.根据权利要求3所述的复杂网络的体系重构能力测评方法,其特征在于,所述根据所述体系性能类型和量化后的所述性能特征参数计算重构能力测评指标,具体包括:
根据计算复杂体系模体浓度;其中,S(n)表示复杂体系模体浓度,Y(x)表示由x个网络节点组成的子网络出现次数,W(x,Mt)表示由x个网络节点组成的第t种网络模体Mt出现次数,f(Mt)表示网络模体Mt的浓度,m表示构成网络模体的总种类数,αst表示网络模体Mt在第s个测评维度下的性能贡献度,αst∈[0,1],Ss(m)表示m种网络模体在第s个测评维度下的性能贡献度,k表示测评维度的总个数;
根据Zt=(Nreali-<Nrandi>)/std(δrandi)计算各网络模体在真实网络中的重要度;其中,Zt表示网络模体Mt在真实网络中的重要度,Nreali表示网络模体Mt在真实网络中出现的次数,Nrandi表示网络模体Mt在随机网络中出现的次数,<Nrandi>表示Nrandi的平均值,std(δrandi)表示Nrandi的标准差;
6.一种复杂网络的体系重构能力测评系统,其特征在于,所述系统包括:
复杂网络体系模型构建模块,用于构建待测评网络对应的复杂网络体系模型;
测评信息确定模块,用于根据所述复杂网络体系模型确定测评信息;所述测评信息包括复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵和重构能力测评总指标;
判断模块,用于判断迭代次数是否大于或等于设定次数,如果迭代次数大于或等于设定次数,则执行“分析模块”;如果迭代次数小于设定次数,则执行“参数给定模块”;
参数给定模块,用于给定扰动注入参数;
扰动注入模块,用于按照所述扰动注入参数向所述复杂网络体系模型中注入扰动,并将注入扰动后的模型作为复杂网络体系模型,返回“测评信息确定模块”;
分析模块,用于根据多组所述测评信息分析待测评网络的体系重构能力。
7.根据权利要求6所述的复杂网络的体系重构能力测评系统,其特征在于,所述复杂网络体系模型构建模块,具体包括:
获取单元,用于获取待测评网络;所述待测评网络为5G网络、配电网络、社会网络、交通网络、生物网络和作战网络中至少一种;
网络节点分布确定单元,用于对所述待测评网络进行分析,获得待测评网络的网络节点分布;
复杂网络体系模型构建单元,用于根据所述网络节点分布进行网络构建,获得复杂网络体系模型。
8.根据权利要求6所述的复杂网络的体系重构能力测评系统,其特征在于,所述测评信息确定模块,具体包括:
体系性能类型确定单元,用于根据所述复杂网络体系模型确定体系性能类型;
量化单元,用于根据所述体系性能类型将性能特征参数进行量化;
重构能力测评指标计算单元,用于根据所述体系性能类型和量化后的所述性能特征参数计算重构能力测评指标;所述重构能力测评指标包括:复杂体系模体浓度、各网络模体的重要度归一化值和网络结构熵;
重构能力测评总指标确定单元,用于根据所述重构能力测评指标确定重构能力测评总指标。
9.根据权利要求8所述的复杂网络的体系重构能力测评系统,其特征在于,所述重构能力测评指标计算单元,具体包括:
复杂体系模体浓度计算子单元,用于根据计算复杂体系模体浓度;其中,S(n)表示复杂体系模体浓度,Y(x)表示由x个网络节点组成的子网络出现次数,W(x,Mt)表示由x个网络节点组成的第t种网络模体Mt出现次数,f(Mt)表示网络模体Mt的浓度,m表示构成网络模体的总种类数,αst表示网络模体Mt在第s个测评维度下的性能贡献度,αst∈[0,1],Ss(m)表示m种网络模体在第s个测评维度下的性能贡献度,k表示测评维度的总个数;
重要度计算子单元,用于根据Zt=(Nreali-<Nrandi>)/std(δrandi)计算各网络模体在真实网络中的重要度;其中,Zt表示网络模体Mt在真实网络中的重要度,Nreali表示网络模体Mt在真实网络中出现的次数,Nrandi表示网络模体Mt在随机网络中出现的次数,<Nrandi>表示Nrandi的平均值,std(δrandi)表示Nrandi的标准差;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678035.0A CN113411821B (zh) | 2021-06-18 | 2021-06-18 | 一种复杂网络的体系重构能力测评方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678035.0A CN113411821B (zh) | 2021-06-18 | 2021-06-18 | 一种复杂网络的体系重构能力测评方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113411821A true CN113411821A (zh) | 2021-09-17 |
CN113411821B CN113411821B (zh) | 2021-12-03 |
Family
ID=77681503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110678035.0A Active CN113411821B (zh) | 2021-06-18 | 2021-06-18 | 一种复杂网络的体系重构能力测评方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113411821B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086178A (zh) * | 2022-05-27 | 2022-09-20 | 量子科技长三角产业创新中心 | 算力网动态重构方法和伺服装置 |
CN115659162A (zh) * | 2022-09-15 | 2023-01-31 | 云南财经大学 | 雷达辐射源信号脉内特征提取方法、系统及设备 |
CN116305498A (zh) * | 2023-05-17 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 隧道数字孪生建模指标判断网络模型构建方法、分析方法 |
CN118071217A (zh) * | 2024-04-25 | 2024-05-24 | 牡丹区公路事业发展中心 | 一种公路工程宏观质量多层次评价系统及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090034433A1 (en) * | 2005-12-05 | 2009-02-05 | France Telecom | Method for Rebuilding an Ad Hoc Network and the Nodes Thereof |
CN101819661A (zh) * | 2010-05-06 | 2010-09-01 | 中国人民解放军理工大学 | 复杂系统的决策支持能力评估分析方法 |
WO2014101443A1 (zh) * | 2012-12-27 | 2014-07-03 | 北京邮电大学 | 认知无线网络拓扑重构方法及系统 |
US20150023207A1 (en) * | 2013-07-19 | 2015-01-22 | The Pla Information Engineering University | Method and device for establishing structure of a communication network system |
CN106203627A (zh) * | 2016-07-08 | 2016-12-07 | 中国电子科技集团公司电子科学研究院 | 一种对网络靶场进行评价的方法 |
CN106411587A (zh) * | 2016-09-26 | 2017-02-15 | 中国空间技术研究院 | 一种适用于卫星通信网络效能评估的仿真架构 |
CN108763729A (zh) * | 2018-05-24 | 2018-11-06 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
CN108934029A (zh) * | 2018-07-06 | 2018-12-04 | 南京邮电大学 | 面向感知大数据重建的加速分布式优化算法 |
CN109711746A (zh) * | 2019-01-02 | 2019-05-03 | 中国联合网络通信集团有限公司 | 一种基于复杂网络的信用评估方法和系统 |
US20190334784A1 (en) * | 2017-01-17 | 2019-10-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and apparatus for analysing performance of a telecommunications network |
CN110445123A (zh) * | 2018-05-02 | 2019-11-12 | 国家电网公司 | 一种扩大配电网供电能力的网络重构控制方法 |
CN111475899A (zh) * | 2020-03-16 | 2020-07-31 | 北京航空航天大学 | 基于超网络理论的数据链网络可靠性指标体系构建方法 |
WO2020163781A1 (en) * | 2019-02-07 | 2020-08-13 | 2 Circle, Inc. | Reconstruction and assessment of proficiency in an integrated debrief by a server in a network |
CN112149353A (zh) * | 2020-09-24 | 2020-12-29 | 南京大学 | 基于卷积神经网络识别dnapl污染物在地下含水层分布的方法 |
CN112445823A (zh) * | 2019-09-04 | 2021-03-05 | 华为技术有限公司 | 神经网络结构的搜索方法、图像处理方法和装置 |
-
2021
- 2021-06-18 CN CN202110678035.0A patent/CN113411821B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090034433A1 (en) * | 2005-12-05 | 2009-02-05 | France Telecom | Method for Rebuilding an Ad Hoc Network and the Nodes Thereof |
CN101819661A (zh) * | 2010-05-06 | 2010-09-01 | 中国人民解放军理工大学 | 复杂系统的决策支持能力评估分析方法 |
WO2014101443A1 (zh) * | 2012-12-27 | 2014-07-03 | 北京邮电大学 | 认知无线网络拓扑重构方法及系统 |
US20150023207A1 (en) * | 2013-07-19 | 2015-01-22 | The Pla Information Engineering University | Method and device for establishing structure of a communication network system |
CN106203627A (zh) * | 2016-07-08 | 2016-12-07 | 中国电子科技集团公司电子科学研究院 | 一种对网络靶场进行评价的方法 |
CN106411587A (zh) * | 2016-09-26 | 2017-02-15 | 中国空间技术研究院 | 一种适用于卫星通信网络效能评估的仿真架构 |
US20190334784A1 (en) * | 2017-01-17 | 2019-10-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and apparatus for analysing performance of a telecommunications network |
CN110445123A (zh) * | 2018-05-02 | 2019-11-12 | 国家电网公司 | 一种扩大配电网供电能力的网络重构控制方法 |
CN108763729A (zh) * | 2018-05-24 | 2018-11-06 | 西安交通大学 | 基于网络结构熵的流程工业机电系统耦合状态评估方法 |
CN108934029A (zh) * | 2018-07-06 | 2018-12-04 | 南京邮电大学 | 面向感知大数据重建的加速分布式优化算法 |
CN109711746A (zh) * | 2019-01-02 | 2019-05-03 | 中国联合网络通信集团有限公司 | 一种基于复杂网络的信用评估方法和系统 |
WO2020163781A1 (en) * | 2019-02-07 | 2020-08-13 | 2 Circle, Inc. | Reconstruction and assessment of proficiency in an integrated debrief by a server in a network |
CN112445823A (zh) * | 2019-09-04 | 2021-03-05 | 华为技术有限公司 | 神经网络结构的搜索方法、图像处理方法和装置 |
CN111475899A (zh) * | 2020-03-16 | 2020-07-31 | 北京航空航天大学 | 基于超网络理论的数据链网络可靠性指标体系构建方法 |
CN112149353A (zh) * | 2020-09-24 | 2020-12-29 | 南京大学 | 基于卷积神经网络识别dnapl污染物在地下含水层分布的方法 |
Non-Patent Citations (2)
Title |
---|
SHU GUO;DONG ZHOU;JILONG ZHONG;SHUNKUN YANG;RUI KANG;YI DING;DAQ: "Operational Lifetime–Stress Model for Complex Networks", 《IEEE TRANSACTIONS ON RELIABILITY ( EARLY ACCESS )》 * |
周慧: "复杂网络表示学习的关键技术研究", 《信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086178A (zh) * | 2022-05-27 | 2022-09-20 | 量子科技长三角产业创新中心 | 算力网动态重构方法和伺服装置 |
CN115086178B (zh) * | 2022-05-27 | 2024-03-15 | 量子科技长三角产业创新中心 | 算力网动态重构方法和伺服装置 |
CN115659162A (zh) * | 2022-09-15 | 2023-01-31 | 云南财经大学 | 雷达辐射源信号脉内特征提取方法、系统及设备 |
CN115659162B (zh) * | 2022-09-15 | 2023-10-03 | 云南财经大学 | 雷达辐射源信号脉内特征提取方法、系统及设备 |
CN116305498A (zh) * | 2023-05-17 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 隧道数字孪生建模指标判断网络模型构建方法、分析方法 |
CN116305498B (zh) * | 2023-05-17 | 2023-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 隧道数字孪生建模指标判断网络模型构建方法、分析方法 |
CN118071217A (zh) * | 2024-04-25 | 2024-05-24 | 牡丹区公路事业发展中心 | 一种公路工程宏观质量多层次评价系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113411821B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113411821B (zh) | 一种复杂网络的体系重构能力测评方法及系统 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN108959072B (zh) | 一种基于复杂网络的集群系统弹性测评方法 | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
CN110087207A (zh) | 无线传感器网络缺失数据重建方法 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN101963940A (zh) | 面向软件演化的可信性动态评估方法 | |
CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
CN116933192A (zh) | 混凝土坝运行关键部位分区监控方法及模型 | |
CN115580446A (zh) | 一种基于去中心化联邦学习的非侵入式负荷检测方法 | |
CN111260082A (zh) | 一种基于神经网络的空间对象运动轨迹曲线预测方法 | |
CN112414715A (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN103914482A (zh) | 基于cmdb的集中监控事件影响性确定方法 | |
CN112819208A (zh) | 一种基于特征子集耦合模型的空间相似性地质灾害预测方法 | |
CN112052140A (zh) | 一种基于模糊Petri网的信息系统安全态势评估方法 | |
CN115809795A (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 | |
CN112561203B (zh) | 一种基于聚类和gru实现水位预警的方法及系统 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN113873466A (zh) | 一种无人机网络弹性度量方法及其系统 | |
CN114580101B (zh) | 一种旋转机械剩余使用寿命预测方法及系统 | |
CN115994639B (zh) | 一种基于冗余分析的水网格局与地形地貌关联性评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |