CN115604125A - 基于互联网as级多属性的区域网络节点影响力排序方法 - Google Patents

基于互联网as级多属性的区域网络节点影响力排序方法 Download PDF

Info

Publication number
CN115604125A
CN115604125A CN202211049567.9A CN202211049567A CN115604125A CN 115604125 A CN115604125 A CN 115604125A CN 202211049567 A CN202211049567 A CN 202211049567A CN 115604125 A CN115604125 A CN 115604125A
Authority
CN
China
Prior art keywords
node
network
nodes
influence
attributes
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.)
Withdrawn
Application number
CN202211049567.9A
Other languages
English (en)
Inventor
宣琦
张璐
张丽娜
彭松涛
阮中远
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202211049567.9A priority Critical patent/CN115604125A/zh
Publication of CN115604125A publication Critical patent/CN115604125A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • H04L41/12—Discovery or management of network topologies
    • 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
    • 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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

基于互联网AS级多属性的区域网络节点影响力排序方法，包括：S1：获取AS(Autonomous System)网络数据，构建网络G；S2：AS节点影响力计算：计算二阶邻居节点影响力；S3：多属性融合算法排序：将S2得到的节点影响力与其本身属性进行加权融合后再排序；S4：性能评估。本发明关注邻居节点在整个网络中的影响，然后基于聚合两层邻居影响的逐层影响弱化策略计算节点重要性排序，将节点属性引入该方法，提出了一种基于多属性的节点重要性评估方法，并通过脆弱性分析实验验证了该方法的优越性，同时对不同区域网络的破坏性进行评估，探索区域破坏性差异与拓扑结构之间的关系。

Description

基于互联网AS级多属性的区域网络节点影响力排序方法
技术领域
本发明涉及复杂网络技术领域，特别涉及一种基于互联网AS级多属性的区域网络节点影响力排序方法。
背景技术
在自然界以及人类社会中存在着大量复杂系统都可以通过不同的复杂网络加以表示。一个典型的网络是由许多节点和连边组成的，节点用来代表系统中不同的个体，而边则用来表示个体之间的关系。互联网在AS(Autonomous System) 级复杂网络中的网络节点重要度分析一直都是一项重要的研究课题，对于研究国家区域的AS级网络的稳健性分析方面具有重要应用。目前，在复杂网络中节点重要性排序的研究中，主要以节点的度、节点之间的最短路径、节点的位置、网络的鲁棒性、网络全局信息等网络拓扑结构方面进行研究。然而，仅仅关注网路结构信息会导致考虑不周全，最终导致分析结果不够严谨准确。所以，本文所研究的网络节点重要性要从两个方面进行深入研究，即网络拓扑结构信息与网络节点内部属性。
专利号201510373034.X公开了一种基于集团度的复杂网络重要节点排序方法及模型演化方法，通过集团度来计算节点的重要性值得到的节点重要性顺序更符合网络的实际情况模型演化所得到的模型的平均路径长度和聚类系数性能都具有明显优势。专利号201710481040.6发明基于紧密度和结构洞计算的节点重要性值，得到的节点重要性排序能更准确和有效的评估节点的重要程度，对于大规模真实复杂网络可获得理想的计算效率和结果。专利号201820203964.4 一种基于嫡变的复杂网络节点重要度的排序方法，将嫡变作为节点重要性的度量，并对排序结果进行性能评估。
上述方法均只从某个或者两个结构方面评价节点重要性或对节点进行排序，然而，事实上，网络节点的重要性不仅和节点局部属性、与其在网络中所处位置以及节点之间的相互依赖程度密切相关，而且与节点自身的特定属性也密切相关。仅凭借拓扑结构属性在不同的网络中研究节点影响力的计算方法，不足以准确的表示节点自身的特性，AS网路中节点的重要性与网络的整体信息相关，需要从不同的角度去分析，利用节点的多个指标来进行综合评定。通常情况下，人们普遍认为带有度指标排序算法更能体现出节点的影响力，但这忽略了两个关键的问题：一方面，虽然一些节点拥有较少的邻居，但他们的邻居却拥有更高的影响力。另一方面，节点内部的属性如AS拥有的前缀块数量、AS拥有的用户数量等属性也对其重要性有一定的影响。综上所述，基于互联网AS级多属性的区域网络节点影响力排序方法，综合考虑了节点的多层结构信息和节点自身的属性，通过网络核心规模、破碎度、连通分量等多种方式评价，能够更加准确高效的评估网络中的关键节点。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于互联网AS级多属性的区域网络节点影响力排序方法，通过网络结构属性与节点自身属性融合，使得网络中关键节点的排序更加符合实际且更加高效精准。
本发明实现上述发明目的所采用的技术方案如下：
本发明的基于互联网AS级多属性的区域网络节点影响力排序方法，包括以下步骤：
S1：构建网络：获取AS(Autonomous System)网络数据，构建网络；
S2：计算AS节点影响力：计算二阶邻居节点影响力；
S3：排序多属性融合算法：将上述得到的节点影响力与节点本身属性进行加权融合后再排序；
S4：评估性能。
进一步的，所属步骤S1具体包括：
S1.1：利用爬虫技术获取CAIDA官网中的基于AS级的全球互联网连通数据，数据包括AS节点及其连边信息，同时获取每个节点的属性，比如每个AS 所属国家、前缀块数量等固有属性；
S1.2：构建点对应属性的字典，调整数据格式并通过节点的国家属性和节点间的连边信息创建区域级网络图G；假设AS网络G＝{V,E}，其中V表示网络的节点集，E表示链路集，且G包含N个AS节点和M条边。
进一步的，所述步骤S2具体包括：
S2.1：计算节点的贡献概率，在网络G中，通过筛选过滤，整理出对应国家网络节点图G计算节点的贡献概率p：
Figure RE-GDA0003936730830000031
其中d(vi)是节点vi的度，d(vi)用作其影响的指标；
S2.2：计算节点的介数中心性：
Figure RE-GDA0003936730830000032
gjk为节点j和k之间的最短路径，gjk(vi)表示节点j和k经过节点vi的最短路径；
S2.3：计算节点的度中心性：
Figure RE-GDA0003936730830000033
N为AS网络G中总节点个数，d(vi)为当前节点的度值；
S2.4：S2.4：关注节点的两层邻居结构，以不同的权重聚合一阶邻居和二阶邻居节点的度中心性可以得到当前节点vi的影响力，从结构方面计算节点的影响力，公式如下：
Figure RE-GDA0003936730830000041
其中k为节点vi的最近邻居节点集，Q为节点vi的次最近邻居节点集，DC 和BC分别为网络G的度中心性和介数中心性。
进一步的，所述步骤S3具体包括：
S3.1：将上述方法应用于以国家属性进行划分的区域级AS拓扑图G；；
AS级的互联网拓扑通常使用复杂网络建模，其中每个节点是一个AS，每个链接代表两个AS之间的业务关系；这些关系反映了当流量在AS之间交换时谁付费，并且对于互联网系统的正常运行是至关重要的；因为关系通常被分为三种类型：(1)C2P，(2)P2P，以及(3)S2S；C2P关系中的客户向提供商支付接入互联网的费用，其他两种类型，P2P和S2S，通常是免结算的，这意味着P2P 和S2S关系中的每一方都不交换金钱，更喜欢双赢的合作关系；
S3.2：使用上述CAIDA网站提供的AS关系数据集，从中可以获取到当前国家AS网络G中每一个AS的provider、customer、sibling的数量，并将每个节点的customer值作为本AS的节点属性，对于节点vi，有节点邻居影响力 NI(vi)和节点本身的customer属性OI(vi)，对于OI(vi)，公式如下：
mul(vi)＝μ1NI(vi)+μ2OI(vi) (5)
其中，μ1为邻居节点影响力的权重，μ2为节点本身属性的权重；从商业角度来说，拥有的customer越多，也就证明了该节点在网络中拥有的通信资源越多，也就是有较强的通信能力；
S3.3：将上述区域级AS网络中所有节点，根据影响力权重进行排序并输出结果。
进一步的，所述步骤S4具体包括：
S4.1：移除节点并计算AS网络的核心规模，网络核心规模也即网络巨片，假设从上述网路中移除r个节点后得到网络Gr＝{Vr,Er}，核心规模可描述为 Gr中最大连通分量大小与初始网络大小的比值，如公式所示：
Figure RE-GDA0003936730830000051
其中，
Figure RE-GDA0003936730830000052
为删除不同个数的点后各个连通分量的大小，|V|表示初始网络大小；网络巨片规模随着节点移除而变小的趋势越明显，表明采用该方法攻击网络的效果越好；
S4.2：计算AS网络连通分量C(r)，即Gr所有连通子图的个数；
S4.3：评估多属性的节点影响力排序方法，根据S3.3得到的排序结果从大到小的顺序依次删除网络中的节点，将网络核心规模的大小破坏到S％(根据经验将其设置为20)以下，记录删除节点的个数以及网络连通分量，保留结果。
本发明还公开了一种基于互联网AS级多属性的区域网络节点影响力排序方法，包括依次连接的网络构建模块，节点影响力计算模块，多属性融合算法排序模块，性能评估模块；
所述网络构建模块，利用爬虫技术获取CAIDA官网中的基于AS级的全球互联网连通数据，数据包括AS节点及它们的连边信息以及每个节点的固有属性，创建网络图G；
所述节点影响力计算模块，计算节点的贡献概率、度中心性、介数中心性，在结构方面关注节点的一阶邻居和二阶邻居节点的贡献度而得到当前节点的影响力；
所述多属性融合算法排序模块，将影响力节点计算模块得到的节点影响力与节点本身属性进行加权融合后再排序；
所述性能评估模块，移除节点并计算AS网络的核心规模与连通分量，记录删除节点的个数以及网络连通分量，评估方法性能。
本发明的有益效果为：提出基于互联网AS级多属性的区域网络节点影响力排序方法，同时，综合考虑节点的多层结构信息和节点自身的属性，提出基于多属性融合的节点重要性排序方法，通过网络核心规模、破碎度、连通分量等多种脆弱性分析实验，准确高效的评估网络中的关键节点，验证了方法的优越性。
附图说明
图1是本发明的结构流程图。
图2是本发明的网络构建模块图。
表1为不同方法动态攻击网络结果。
具体实施方式
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。下面结合说明书附图对本发明的具体实施方式作进一步详细描述，以便本领域的技术人员更好地理解本发明。
参照图1～图2，图1与图2分别是本发明提供的一种基于互联网AS级多属性的区域网络节点影响力排序方法的流程图与构建模块图，应用本发明提供一种基于互联网AS级多属性的区域网络节点影响力排序方法的其特征在于，包括以下步骤：
S1：构建网络：获取AS(Autonomous System)网络数据并构建网络，具体包括：
S1.1：利用爬虫技术获取CAIDA官网中的基于AS级的全球互联网连通数据，数据包括AS节点及其连边信息，同时获取每个节点的属性，比如每个AS 的所属国家、前缀块数量、ASRank、连边关系等固有属性；
S1.2：构建点对应属性的字典，调整数据格式并通过节点的国家属性和节点间的连边信息创建区域级网络图G；假设AS网络G＝{V,E}，其中V表示网络的节点集，E表示链路集，且G包含N个AS节点和M条边。
S2：计算AS节点影响力：计算二阶邻居节点影响力，具体包括：
S2.1：计算节点的贡献概率，在网络G中，计算节点的贡献概率p：
Figure RE-GDA0003936730830000071
其中d(vi)是节点vi的度，d(vi)用作其影响的指标；
S2.2：在当前网络G中，计算节点的介数中心性，公式如下：
Figure RE-GDA0003936730830000072
gjk为节点j和k之间的最短路径，gjk(vi)表示节点j和k经过节点vi的最短路径；
S2.3：计算节点的度中心性：
Figure RE-GDA0003936730830000073
N为AS网络G中总节点个数，d(vi)为当前节点的度值；
S2.4：关注节点的两层邻居结构，以不同的权重聚合一阶邻居和二阶邻居节点的度中心性可以得到当前节点vi的影响力，从结构方面计算节点的影响力，公式如下：
Figure RE-GDA0003936730830000074
其中k为节点vi的最近邻居节点集，Q为节点vi的次最近邻居节点集，DC 和BC分别为网络G的度中心性和介数中心性，在实际应用中，网络中的每个节点都有不同的影响力；度中心性描述了vi的直接影响，程度越大意味着节点越重要，而接近中心性使用节点与网络中其他节点在距离上的接近程度来表征其重要程度，它能够准确的发现网络中那些能够提高信息传输效率的枢纽节点，此处采用二阶邻居节点的介数中心性与度中心性相结合，从节点的度以及最短路径入手，避免单一属性的局限性。
S3：排序多属性融合算法：将上述得到的节点影响力与节点本身属性进行加权融合后再排序，具体包括：
S3.1：将上述方法应用于以国家属性进行划分的区域级AS拓扑图；
AS级的互联网拓扑通常使用复杂网络建模，其中每个节点是一个AS，每个链接代表两个AS之间的业务关系；这些关系反映了当流量在AS之间交换时谁付费，并且对于互联网系统的正常运行是至关重要的；因为关系通常被分为三种类型：(1)C2P，(2)P2P，以及(3)S2S；C2P关系中的客户向提供商支付接入互联网的费用，其他两种类型，P2P和S2S，通常是免结算的，这意味着P2P 和S2S关系中的每一方都不交换金钱，更喜欢双赢的合作关系；
S3.2：使用上述CAIDA网站提供的AS关系数据集，从中可以获取到当前国家AS网络G中每一个AS的provider、customer、sibling的数量，并将每个节点的customer值作为本AS的节点属性，对于节点vi，有节点邻居影响力 NI(vi)和节点本身的customer属性OI(vi)，对于OI(vi)，公式如下：
mul(vi)＝μ1NI(vi)+μ2OI(vi) (5)
其中，μ1为邻居节点影响力的权重，μ2为节点本身属性的权重；从商业角度来说，拥有的customer越多，也就证明了该节点在网络中拥有的通信资源越多，也就是有较强的通信能力；
S3.3：将上述区域级AS网络中所有节点，根据影响力权重进行排序并输出结果。
S4：评估性能，具体包括：
S4.1：移除节点并计算AS网络的核心规模，即网络巨片，假设从上述网路中移除r个节点后得到网络Gr＝{Vr,Er}，核心规模可描述为Gr中最大连通分量大小与初始网络大小的比值，如公式所示：
Figure RE-GDA0003936730830000091
其中，
Figure RE-GDA0003936730830000092
为删除不同个数的点后各个连通分量的大小，|V|表示初始网络大小；网络巨片规模随着节点移除而变小的趋势越明显，表明采用该方法攻击网络的效果越好；
S4.2：计算AS网络连通分量C(r)，即Gr所有连通子图的个数；
S4.3：评估多属性的节点影响力排序方法，根据S3.3得到的排序结果从大到小的顺序依次删除网络中的节点，将网络核心规模的大小破坏到S(根据经验将S设置为20)，记录删除节点的个数以及网络连通分量，保留结果；
这里说明在网络核心规模达到S时，若删除的节点个数越少，连通分量越多，或是在删除相同节点的情况下，破碎的连通分量更多，那么效果更好，表 1为各指标对比实验结果。
表1
Figure RE-GDA0003936730830000093
S5：采用CAIDA的AS网络数据集，应用步骤S4的结果给出网络防护与恢复策略，具体包括：
S5.1：对于当前AS网络数据集，根据步骤S4计算网络节点重要性并得到排序结果，根据不同的成本要求进行节点防护措施，防止更多的网元(网络单元)失效，从而阻止更大规模的网络崩溃；
S5.2：网络节点失效恢复，从恢复网络整体的结构和功能出发，计算失效网元的重要性之后，有针对性地依次恢复，该恢复策略针对网络中的目标失效节点；所以，对于现实中的大规模AS网络，考虑目标节点的恢复策略，目标节点的针对性恢复比网络整体结构恢复效果更重要。
本发明体现了节点重要性排序的可行性与全面性，所属方法输出的排序效果有效提高了排序的准确度，为网络安全研究提供了重要参考依据。
本发明还公开了一种基于互联网AS级多属性的区域网络节点影响力排序方法，包括依次连接的网络构建模块，节点影响力计算模块，多属性融合算法排序模块，性能评估模块；
所述网络构建模块，利用爬虫技术获取CAIDA官网中的基于AS级的全球互联网连通数据，数据包括AS节点及它们的连边信息以及每个节点的固有属性，创建网络图G；
所述节点影响力计算模块，计算节点的贡献概率、度中心性、介数中心性，在结构方面关注节点的一阶邻居和二阶邻居节点的贡献度而得到当前节点的影响力；
所述多属性融合算法排序模块，将影响力节点计算模块得到的节点影响力与节点本身属性进行加权融合后再排序；
所述性能评估模块，移除节点并计算AS网络的核心规模与连通分量，记录删除节点的个数以及网络连通分量，评估方法性能。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (6)

1.基于互联网AS级多属性的区域网络节点影响力排序方法，其特征在于，包括以下步骤：
S1：构建网络：获取AS(Autonomous System)网络数据，构建网络；
S2：计算节点影响力：计算基于二阶邻居的节点影响力；
S3：排序多属性融合算法：将S2得到的节点影响力与其本身属性进行加权融合后再排序；
S4：评估性能。
2.如权利要求1所述的获取AS网络数据，构建网络，其特征在于：所属步骤S1具体包括：
S1.1：利用爬虫技术获取CAIDA官网中的基于AS级的全球互联网连通数据，数据包括AS节点及其连边信息，同时获取每个节点的属性，比如每个AS所属国家、前缀块数量等固有属性；
S1.2：构建点对应属性的字典，调整数据格式并通过节点的国家属性和节点间的连边信息创建区域级网络图G＝{V,E}，其中V表示网络的节点集，E表示链路集，且G包含N个AS节点和M条边。
3.如权利要求1所述的一种基于互联网AS级多属性的区域网络节点影响力排序方法，其特征在于：所述步骤S2具体包括：
S2.1：基于网络图G，计算节点的贡献概率p：
Figure FDA0003823259660000011
其中d(vi)是节点vi的度；
S2.2：计算节点的介数中心性：
Figure FDA0003823259660000021
gjk为节点j和k之间的最短路径，gjk(vi)表示节点j和k经过节点vi的最短路径；
S2.3：计算节点的度中心性：
Figure FDA0003823259660000022
N为AS网络G中总节点个数，d(vi)为当前节点的度值；
S2.4：关注节点的两层邻居结构，以不同的权重聚合一阶邻居和二阶邻居节点的度中心性可以得到当前节点vi的影响力，从结构方面计算节点的影响力，公式如下：
Figure FDA0003823259660000023
其中，p(vi)表示当前节点相邻点的贡献概率，BC(vi)表示当前节点的介数中心性，DC(vj)表示节点的度中心性。
4.如权利要求1所述的一种基于互联网AS级多属性的区域网络节点影响力排序方法，其特征在于：所述步骤S3具体包括：
S3.1：将上述方法应用于以国家属性进行划分的区域级AS拓扑图G；
S3.2：使用上述CAIDA网站提供的AS关系数据集，从中可以获取到当前国家AS网络G中每一个AS的provider、customer、sibling的数量，并将每个节点的customer值作为本AS的节点属性，对于节点vi，有节点邻居影响力NI(vi)和节点本身的customer属性OI(vi)，对于OI(vi)，公式如下：
mul(vi)＝μ1NI(vi)+μ2OI(vi) (5)
μ1是当前节点的相邻节点的影响力权重，μ2是当前节点属性的权重；
S3.3：将上述区域级AS网络中所有节点，根据影响力权重进行排序并输出结果。
5.如权利要求1所述的一种基于互联网AS级多属性的区域网络节点影响力排序方法，其特征在于：所述步骤S4具体包括：
S4.1：计算AS网络的核心规模，即网络巨片，假设从上述网路中移除r个节点后得到网络Gr＝{Vr,Er}，核心规模可描述为Gr中最大连通分量大小与初始网络大小的比值，如公式所示：
Figure FDA0003823259660000031
其中，
Figure FDA0003823259660000032
为删除不同个数的点后各个连通分量的大小，|V|表示初始网络大小；
S4.2：计算AS网络连通分量C(r)，即Gr所有连通子图的个数；
S4.3：评估多属性的节点影响力排序方法，根据S3.3得到的排序结果从大到小的顺序依次删除网络中的节点，将网络核心规模的大小破坏到S％(根据经验将其设置为S＝20)，记录删除节点的个数以及网络连通分量，保留结果。
6.一种基于互联网AS级多属性的区域网络节点影响力排序方法，包括依次连接的网络构建模块，节点影响力计算模块，多属性融合算法排序模块，性能评估模块；
所述网络构建模块，利用爬虫技术获取CAIDA官网中的基于AS级的全球互联网连通数据，数据包括AS节点及它们的连边信息以及每个节点的固有属性，创建网络图G；
所述节点影响力计算模块，计算节点的贡献概率、度中心性、介数中心性，在结构方面关注节点的一阶邻居和二阶邻居节点的贡献度而得到当前节点的影响力；
所述多属性融合算法排序模块，将影响力节点计算模块得到的节点影响力与节点本身属性进行加权融合后再排序；
所述性能评估模块，移除节点并计算AS网络的核心规模与连通分量，记录删除节点的个数以及网络连通分量，评估方法性能。
CN202211049567.9A 2022-08-30 2022-08-30 基于互联网as级多属性的区域网络节点影响力排序方法 Withdrawn CN115604125A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211049567.9A CN115604125A (zh) 2022-08-30 2022-08-30 基于互联网as级多属性的区域网络节点影响力排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211049567.9A CN115604125A (zh) 2022-08-30 2022-08-30 基于互联网as级多属性的区域网络节点影响力排序方法

Publications (1)

Publication Number Publication Date
CN115604125A true CN115604125A (zh) 2023-01-13

Family

ID=84843295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211049567.9A Withdrawn CN115604125A (zh) 2022-08-30 2022-08-30 基于互联网as级多属性的区域网络节点影响力排序方法

Country Status (1)

Country Link
CN (1) CN115604125A (zh)

Similar Documents

Publication Publication Date Title
CN110532436B (zh) 基于社区结构的跨社交网络用户身份识别方法
Meng et al. A novel potential edge weight method for identifying influential nodes in complex networks based on neighborhood and position
CN103279512B (zh) 利用社会网络上最有影响力节点实现高效病毒营销的方法
CN108965287B (zh) 一种基于有限临时删边的病毒传播控制方法
Gao et al. Info-trust: A multi-criteria and adaptive trustworthiness calculation mechanism for information sources
Sugishita et al. Vulnerability studies in the fields of transportation and complex networks: a citation network analysis
CN114265954B (zh) 基于位置与结构信息的图表示学习方法
CN111612641A (zh) 一种社交网络中有影响力用户的识别方法
CN112597309A (zh) 实时识别突发事件微博数据流的检测系统
CN110069726B (zh) 一种适用于DBLP与arXiv的文献网络间锚链接关系预测方法
Sydney et al. Elasticity: Topological characterization of robustness in complex networks
CN106203164B (zh) 基于可信计算和云计算的信息安全大数据资源管理系统
CN116628597A (zh) 一种基于关系路径注意力的异质图节点分类方法
CN103178995B (zh) 一种体系化多尺度通信网效能评估方法
CN116366673A (zh) 一种面向电网信息机房管理的数据分析与共享方法
CN115604125A (zh) 基于互联网as级多属性的区域网络节点影响力排序方法
CN113722554A (zh) 数据分类方法、装置及计算设备
CN107332687A (zh) 一种基于贝叶斯估计和共同邻居的链路预测方法
CN111669288A (zh) 基于有向异构邻居的有向网络链路预测方法及装置
CN115442139B (zh) 一种面向局域网的多层网络拓扑关系构建方法和系统
CN115130044B (zh) 一种基于二阶h指数的影响力节点识别方法和系统
CN110719224A (zh) 一种基于标签传播的拓扑势社区检测方法
Zhang et al. The model of microblog message diffusion based on complex social network
CN107018027A (zh) 一种基于贝叶斯估计和共同邻居节点度的链路预测方法
CN116777659A (zh) 一种基于异质符号属性网络的热点事件争议性分析方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230113