CN114021319A - 一种基于改进桥接系数的指挥控制网络关键边识别方法 - Google Patents

一种基于改进桥接系数的指挥控制网络关键边识别方法 Download PDF

Info

Publication number
CN114021319A
CN114021319A CN202111250207.0A CN202111250207A CN114021319A CN 114021319 A CN114021319 A CN 114021319A CN 202111250207 A CN202111250207 A CN 202111250207A CN 114021319 A CN114021319 A CN 114021319A
Authority
CN
China
Prior art keywords
node
control network
command
nodes
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.)
Pending
Application number
CN202111250207.0A
Other languages
English (en)
Inventor
陈波
蒋潘玲
高秀娥
陈世峰
桑海涛
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.)
Lingnan Normal University
Original Assignee
Lingnan Normal University
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 Lingnan Normal University filed Critical Lingnan Normal University
Priority to CN202111250207.0A priority Critical patent/CN114021319A/zh
Publication of CN114021319A publication Critical patent/CN114021319A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于改进桥接系数的指挥控制网络关键边识别方法，包括根据自我网络介数中心性，获取指挥控制网络节点的信息熵；通过所述指挥控制网络节点的信息熵定义边的信息熵；基于改进桥接系数得到指挥控制网络边的关键度。指挥控制网络关键边识别不仅可以提高己方网络抗毁性，对敌方网络关键边进行攻击还可花费较低成本、获得较高收益。桥接系数可以很好的识别指挥控制网络中社区间的桥边，对维持网络全局连通性起着重要作用，而基于介数中心性定义的信息熵表征边的信息传输能力。结合信息熵对桥接系数进行改进，可以综合考虑网络结构和网络信息传输能力。

Description

一种基于改进桥接系数的指挥控制网络关键边识别方法
技术领域
本发明涉及指挥控制网络技术领域，具体来说是一种基于改进桥接系数的指挥控制网络关键边识别方法。
背景技术
在指挥控制网络关键节点(边)识别研究领域，大多研究集中在关键节点的识别，对关键边的识别研究相对较少，但在信息扩散过程中，往往阻断一个节点的所有通信是不切实际的，截断一些重要的通信链路来阻止传播更加切实可行，所以指挥控制网络的关键边识别研究也同样具有重要意义。
现有指挥控制网络关键边识别算法主要有基于网络结构与基于网络信息传播两类方法，但大多单方面考虑网络结构或者网络信息传播，难以兼顾网络全局连通性和信息传输能力。
发明内容
针对现有技术没有充分考虑边信息传输能力和网络连通性对关键边的影响，本发明结合桥接系数和边信息熵，提出了改进桥接系数的指挥控制网络关键边识别方法。
为实现上述目的，本申请的技术方案为：一种基于改进桥接系数的指挥控制网络关键边识别方法，包括：
根据自我网络介数中心性，获取指挥控制网络节点的信息熵；
通过所述指挥控制网络节点的信息熵定义边的信息熵；
基于改进桥接系数得到指挥控制网络边的关键度。
进一步的，指挥控制网络边承载的信息量与其连接强度相关，通常用介数中心性描述信息传播过程中的边连接强度。但介数中心性需要计算每对节点的最短路径，具有高复杂度，所以引入自我网络的介数中心性，自我网络是选取网络中任选一个目标节点和其一跳邻居节点构成的局部网络，采用自我网络介数中心性定义节点信息熵，很大程度上降低了介数中心性信息熵的时间复杂。
故根据自我网络介数中心性，获取指挥控制网络节点i的信息熵为：
Figure BDA0003322214730000021
其中，M表示指挥控制网络中节点i的邻居节点集合，|M|表示节点i的邻居节点数；CEB(j)表示节点j邻居节点的自我网络介数中心性，f表示概率分布函数。
进一步的，所述节点j邻居节点的自我网络介数中心性CEB(j)和概率分布函数f的定义如下：
Figure BDA0003322214730000022
Figure BDA0003322214730000023
其中，σij表示指挥控制网络中从节点i到节点j的最短路径的数目，σij(v)表示指挥控制网络中从节点i到节点j途径节点v的最短路径的数目；节点i和节点j是节点v的一跳邻居节点，所以节点i到节点j有且只有一条路径经过节点v，即
Figure BDA0003322214730000031
进一步的，通过所述指挥控制网络节点的信息熵定义边的信息熵，具体为：以边两端节点的度值作为权重分配节点信息熵，表达式如下：
Figure BDA0003322214730000032
其中，ki,kj表示指挥控制网络中节点i,j的度值。
更进一步的，基于改进桥接系数得到指挥控制网络边的关键度，具体为：定义改进桥接系数如下：
Figure BDA0003322214730000033
其中，X(i,j)表示指挥控制网络边的关键度，定义如下：
Figure BDA0003322214730000034
其中，
Figure BDA0003322214730000035
为指挥控制网络边的桥接系数；α为调节系数；M,N分别为节点i,j的邻居节点集合，|M|,|N|分别为节点i,j的邻居节点个数；am,n表示节点间的连接关系，若节点m,n相连，am,n＝1；否则am,n＝0；P表示节点i,j的共同邻居个数。
更进一步的，节点i,j的共同邻居个数P定义为：
Figure BDA0003322214730000036
其中，ajm表示节点间的连接关系，若节点j,m相连，ajm＝1；否则ajm＝0；ani表示节点间的连接关系，若节点n,i相连，ani＝1；否则ani＝0。
指挥控制网络关键边识别不仅可以提高己方网络抗毁性，对敌方网络关键边进行攻击还可花费较低成本、获得较高收益。但目前大多研究仅单方面考虑网络结构或者网络信息传播，难以兼顾网络全局连通性和信息传输能力。桥接系数可以很好的识别指挥控制网络中社区间的桥边，对维持网络全局连通性起着重要作用，而基于介数中心性定义的信息熵表征边的信息传输能力。结合信息熵对桥接系数进行改进，可以综合考虑网络结构和网络信息传输能力，基于此，提出基于改进桥接系数的指挥控制网络关键边识别方法。
本发明由于采用以上技术方案，能够取得如下的技术效果：本发明引入自我网络介数中心性，构建指挥控制网络中边的信息熵；结合信息熵改进桥接系数，提出基于改进桥接系数的指挥控制网络关键边方法。提高了网络中关键边的识别精度，尤其是社团内部关键边的识别精度，满足了指挥控制网络关键边识别的需要。
附图说明
本发明共有附图6幅：
图1为指挥控制网络简化模型图；
图2为指挥控制网络模型图；
图3为不同攻击策略下网络平均效率变化图；
图4为蓄意攻击下不同识别算法的网络平均效率下降率变化图；
图5为网络连通系数随删边数量的变化趋势图；
图6为最大连通子图比值的变化趋势图。
具体实施方式
本实施例为了验证上述一种基于改进桥接系数的指挥控制网络关键边识别方法的可行性和有效性，进行了三个实验，分别是指挥控制网络简化模型重要性排序实验、不同攻击策略下的网络性能分析实验和不同关键边识别方法的性能分析。实验数据来自文献[高秀娥,陈小双,王运明,陈波.基于桥接系数的指挥控制网络桥边识别方法[J].计算机工程,2019,45(07):309-314.]建立的指挥控制网络简化模型和指挥控制网络模型，简化的指挥控制网络模型节点数量N＝10,边数量L＝20；指挥控制网络模型的节点数量为N＝121，边数量为L＝256，失效节点控制在200以内，桥接系数的调节参数α＝0.4。
(1)指挥控制网络简化模型重要性排序实验
为验证本发明提出方法的可行性，首先分析指挥控制网络简化模型的边重要性排序结果，如表1所示。在表1中，边e3,10的边重要性取值最大，其次是边e4,6，均为指挥控制网络社区间的桥边。从表1可以表明本发明提出的关键边识别方法可以有效识别出指挥控制网络中的桥边。
表1
Figure BDA0003322214730000051
(2)不同攻击策略下的网络性能分析实验
为验证本发明方法的有效性，首先对本发明方法在随机攻击和蓄意攻击策略下分别进行网络平均效率下降率的分析，如图3所示。然后对比度乘积、Jaccard系数、边介数、桥接系数和本发明方法五种关键边识别方法在蓄意攻击下的网络平均效率变化趋势，如图4所示。由图3可以看出，蓄意攻击下网络平均效率下降率明显高于随机攻击，这说明蓄意攻击策略对网络性能的影响更大；图4表明本发明方法的网络平均效率下降率高于度乘积、边介数和Jaccard系数三种方法，在删除重要边的前期网络平均效率下降率略低于桥接系数方法；在删除重要边后期却高于桥接系数方法。出现这种现象的原因是本发明提出的方法是将桥接系数与信息熵两者结合，桥接系数在指挥控制网络中识别社区间的连接边方面有较高的准确性；而信息熵是基于节点的自我网络介数中心性定义的，是一个局部信息指标，并不能精准识别桥接边。所以在重要边识别前期对指挥控制网络社区间的连接边进行识别时，识别精度略次于桥接系数。当网络中桥接边识别完成后，对于社区内部的重要边识别时，本发明方法又优于桥接系数。可以看出桥接系数对社区内部的关键边识别精度要略逊一些，而本发明将信息熵与桥接系数相结合的方法可以有效提高指挥控制网络社区内部关键边的识别精度。
(3)不同关键边识别方法的性能分析
为了进一步验证本发明方法较其他四种方法的有效性，分别对五种方法的网络连通性和最大连通子图比值进行分析，如图5和图6所示。可以看出随着删边数量的增加，网络连通系数和网络中最大连通子图的边数占总边数的比值均成下降趋势，并且本发明提出的方法下降最快，最大连通边数的占比最先下降到初始网络总边数的10％，表明本发明所提出的关键边识别方法的有效性。而且图6与图4所示的趋势相似，在删边前期，本发明方法最大连通子图边数占比的下降效果与桥接系数方法的效果基本一致，但在删边后期，本发明方法的效果要优于桥接系数方法。
综上所述，本发明提出的基于改进桥接系数的指挥控制网络关键边识别方法能够有效识别指挥控制网络中的关键边，尤其是对指挥控制网络中社团内部关键边的识别。这表明本发明方法在指挥控制网络关键边识别方面具有巨大潜力，为指挥控制网络关键边识别方法研究提供一定的参考。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种基于改进桥接系数的指挥控制网络关键边识别方法，其特征在于，包括：
根据自我网络介数中心性，获取指挥控制网络节点的信息熵；
通过所述指挥控制网络节点的信息熵定义边的信息熵；
基于改进桥接系数得到指挥控制网络边的关键度。
2.根据权利要求1所述一种基于改进桥接系数的指挥控制网络关键边识别方法，其特征在于，根据自我网络介数中心性，获取指挥控制网络节点i的信息熵为：
Figure FDA0003322214720000011
其中，M表示指挥控制网络中节点i的邻居节点集合，|M|表示节点i的邻居节点数；CEB(j)表示节点j邻居节点的自我网络介数中心性，f表示概率分布函数。
3.根据权利要求2所述一种基于改进桥接系数的指挥控制网络关键边识别方法，其特征在于，所述节点j邻居节点的自我网络介数中心性CEB(j)和概率分布函数f的定义如下：
Figure FDA0003322214720000012
Figure FDA0003322214720000013
其中，σij表示指挥控制网络中从节点i到节点j的最短路径的数目，σij(v)表示指挥控制网络中从节点i到节点j途径节点v的最短路径的数目；节点i和节点j是节点v的一跳邻居节点，所以节点i到节点j有且只有一条路径经过节点v，即
Figure FDA0003322214720000021
4.根据权利要求1所述一种基于改进桥接系数的指挥控制网络关键边识别方法，其特征在于，通过所述指挥控制网络节点的信息熵定义边的信息熵，具体为：以边两端节点的度值作为权重分配节点信息熵，表达式如下：
Figure FDA0003322214720000022
其中，ki,kj表示指挥控制网络中节点i,j的度值。
5.根据权利要求1所述一种基于改进桥接系数的指挥控制网络关键边识别方法，其特征在于，基于改进桥接系数得到指挥控制网络边的关键度，具体为：定义改进桥接系数如下：
Figure FDA0003322214720000023
其中，X(i,j)表示指挥控制网络边的关键度，定义如下：
Figure FDA0003322214720000024
其中，
Figure FDA0003322214720000025
为指挥控制网络边的桥接系数；α为调节系数；M,N分别为节点i,j的邻居节点集合，|M|,|N|分别为节点i,j的邻居节点个数；am,n表示节点间的连接关系，若节点m,n相连，am,n＝1；否则am,n＝0；P表示节点i,j的共同邻居个数。
6.根据权利要求5所述一种基于改进桥接系数的指挥控制网络关键边识别方法，其特征在于，节点i,j的共同邻居个数P定义为：
Figure FDA0003322214720000031
其中，ajm表示节点间的连接关系，若节点j,m相连，ajm＝1；否则ajm＝0；ani表示节点间的连接关系，若节点n,i相连，ani＝1；否则ani＝0。
CN202111250207.0A 2021-10-26 2021-10-26 一种基于改进桥接系数的指挥控制网络关键边识别方法 Pending CN114021319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111250207.0A CN114021319A (zh) 2021-10-26 2021-10-26 一种基于改进桥接系数的指挥控制网络关键边识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111250207.0A CN114021319A (zh) 2021-10-26 2021-10-26 一种基于改进桥接系数的指挥控制网络关键边识别方法

Publications (1)

Publication Number Publication Date
CN114021319A true CN114021319A (zh) 2022-02-08

Family

ID=80057891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111250207.0A Pending CN114021319A (zh) 2021-10-26 2021-10-26 一种基于改进桥接系数的指挥控制网络关键边识别方法

Country Status (1)

Country Link
CN (1) CN114021319A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115189949A (zh) * 2022-07-11 2022-10-14 中国电子科技集团公司第十五研究所 一种基于全局信息的网络安全控制关键节点识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115189949A (zh) * 2022-07-11 2022-10-14 中国电子科技集团公司第十五研究所 一种基于全局信息的网络安全控制关键节点识别方法

Similar Documents

Publication Publication Date Title
US7466663B2 (en) Method and apparatus for identifying components of a network having high importance for network integrity
CN112380008B (zh) 一种面向移动边缘计算应用的多用户细粒度任务卸载调度方法
US7742906B2 (en) Balancing collections of vertices in a network
CN113422695B (zh) 一种提高物联网拓扑结构鲁棒性能的优化方法
CN115935442A (zh) 基于多智能体深度强化学习的区块链性能优化方法
CN109657268B (zh) 一种基于特征值的不确定网络中免疫策略设计方法
CN114021319A (zh) 一种基于改进桥接系数的指挥控制网络关键边识别方法
CN106022936B (zh) 适用论文合作网络的基于社团结构的影响最大化算法
Iotti et al. Infection dynamics on spatial small-world network models
CN105573726B (zh) 一种规则处理方法及设备
JP2011091751A (ja) マルチエージェントシステムを用いた候補トポロジ生成方法とトポロジ生成方法およびトポロジ生成システムならびにプログラム
CN111478813B (zh) 一种基于单层信息流传递的网络关键点分析方法
Fotouhi et al. Dominating Set Model Aggregation for communication-efficient decentralized deep learning
CN105589896B (zh) 数据挖掘方法及装置
Gorban et al. Robust principal graphs for data approximation
WO2019138584A1 (ja) 分類木生成方法、分類木生成装置および分類木生成プログラム
Wang et al. Multi-Granularity Decomposition for Componentized Multimedia Applications based on Graph Clustering
CN115242659A (zh) 一种基于高阶集体影响力的超网络节点分析方法
Ruan et al. Method for measuring node importance in complex networks based on local characteristics
JP2023076839A (ja) 機械学習装置およびプルーニング方法
CN107623586B (zh) 网络链路预测方法及装置
CN112487094B (zh) 能源区块数据的同步方法、装置、计算机设备和存储介质
CN117811992B (zh) 一种网络不良信息传播抑制方法、装置、设备及存储介质
Fischer et al. Epidemic threshold and lifetime distribution for information diffusion on simultaneously growing networks
Paiva et al. Unsupervised strategies to network topology reconfiguration optimization with limited link addition

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