CN115828106A - 用于识别网络中关键节点的方法和设备 - Google Patents

Abstract

本发明公开了一种用于识别网络中关键节点的方法和设备。该用于识别网络中关键节点的方法，包括：获取网络中的多个节点；利用已训练的网络结构规则特征模型对所述多个节点进行识别，其中，所述网络结构规则特征模型采用评分函数

对所述网络结构规则特征进行训练，其中，i为所述n个节点中的第i个节点，Score _i （y _i ，λ _i ）表示第i个节点重要性评分结果，向量y_i={NI，NCI，CC，DC，BC，ES}，向量

，

为权重参数，NI为节点重要性，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模；输出所述多个节点的重要性排序结果。

Description

用于识别网络中关键节点的方法和设备

技术领域

本发明涉及复杂网络技术领域，尤其是涉及用于识别网络中关键节点的方法和设备。

背景技术

复杂网络在近些年来已经成为科学界各学科交叉的一个热点领域，其中对复杂网络上的动力学研究是最受关注的方向之一，级联（cascading）、传播（spreading）、同步（synchronizing）等课题具有相当重要的价值。

然而，级联、传播、同步等许多机制总是会受到一小部分关键节点的强烈影响，因此急需对复杂网络中的关键节点进行识别。现有技术中，评估复杂网络中关键节点的方法很多，例如，介数中心性（Betweenness Centrality, BC）、接近中心性（ClosenessCentrality, CC）和度中心性（Degree Centrality, DC）等。其中，DC基于度中心等局部度量的关键节点识别，虽然简单高效但无法有效识别重要的桥接节点，导致关键节点识别的准确性较低；BC和CC等全局度量往往受到未知拓扑结构的限制，由于其计算结果需要提前遍历整个网络，且计算复杂度高，因此无法应用于大规模或不连通的网络，针对大规模复杂网络具有一定的应用局限性。

因此，如何更加全面的对复杂网络中的关键节点进行综合的、准确的识别是本发明要解决的问题。

发明内容

本发明的目的在于提供一种用于识别网络中关键节点的方法和设备，通过融合网络结构规则特征与网络节点其他重要性特征，从而更加全面的对网络中的关键节点进行综合的、准确的识别。

根据本发明的一方面，至少一个实施例提供了一种训练网络结构规则特征模型的方法，网络G包括n个节点，包括：获取n个节点的网络结构规则特征，所述网络结构规则特征包括网络约束指数NCI；采用评分函数

对所述网络结构规则特征进行训练，其中，i为所述n个节点中的第i个节点，Score _i （y _i ，λ _i ）表示第i个节点重要性评分结果，向量y_i={NI，NCI，CC，DC，BC，ES}，向量

，

为权重参数， NI为节点重要性，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模；根据训练得到的评分结果，预测并输出n个节点的重要性排序结果。

根据本发明的另一方面，至少一个实施例还提供了一种用于识别网络中关键节点的方法，网络G包括n个节点，包括：获取网络G中的多个节点；利用已训练的网络结构规则特征模型对所述多个节点进行识别，其中，所述网络结构规则特征模型采用评分函数

对所述网络结构规则特征进行训练，其中，i为所述n个节点中的第i个节点，Score _i （y _i ，λ _i ）表示第i个节点重要性评分结果，向量y_i={NI，NCI，CC，DC，BC，ES}，向量

，

为权重参数，NI为节点重要性，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模；输出所述多个节点的重要性排序结果。

根据本发明的另一方面，至少一个实施例还提供了一种用于识别网络中关键节点的设备，包括：处理器，适于实现各指令；以及存储器，适于存储多条指令，所述指令适于由处理器加载并执行：本发明上述训练网络结构规则特征模型的方法、和/或上述用于识别网络中关键节点的方法。

根据本发明的另一方面，至少一个实施例还提供了一种用于识别网络中关键节点的系统，包括：本发明上述用于识别网络中关键节点的设备。

根据本发明的另一方面，至少一个实施例还提供了一种计算机可读的非易失性存储介质，存储计算机程序指令，当所述计算机执行所述程序指令时，执行本发明上述训练网络结构规则特征模型的方法、和/或上述用于识别网络中关键节点的方法。

通过本发明上述实施例，利用网络结构规则特征（节点重要性NI、网络约束指数NCI、接近中心性CC、度中心性DC、介数中心性BC和网络规模ES）增加复杂网络中关键节点识别的正确率，并通过在重要性度量指标中融入网络结构规则特征以最大限度地选择出可以降低网络性能的关键节点，从而能够更加全面的对网络中的关键节点进行综合的、准确的识别。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是根据本发明实施例的应用环境示意图；

图2是根据本发明实施例的用于识别网络中关键节点的设备示意图；

图3是根据本发明实施例的用于识别网络中关键节点的方法流程图；

图4是根据本发明实施例的训练网络结构规则特征模型的方法流程图；

图5是根据本发明实施例的基于融合结构规则的关键节点识别训练示意图；

图6是根据本发明实施例的神经网络模型示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

目前，虽然利用介数中心性（Betweenness Centrality, BC）、接近中心性（Closeness Centrality, CC）和度中心性（Degree Centrality, DC）等评估复杂网络中关键节点，但上述关键节点识别方法都没有融入网络结构规则特征，因而无法利用网络结构规则特征进行关键节点识别，导致目前的关键节点识别方法无法满足实际应用需求。

在此基础上，本发明提出了一种综合性的网络关键节点识别方法，即基于多属性决策的关键节点识别方法，该方法用复杂网络中节点的度中心性DC、介数中心性BC、接近中心性CC等多个指标对复杂网络中各节点的关键程度进行综合计算，实验证明本发明优于单个指标方法，能够更加全面的、准确的对复杂网络中的关键节点进行综合识别。鉴于上述构思，本发明的至少一个实施例，提供了一种用于识别网络中关键节点的系统，该系统包括用于识别网络中关键节点的设备。

该用于识别网络中关键节点的系统可以包括如图1所示环境，该环境可以包括硬件环境和网络环境。上述硬件环境包括用于识别网络中关键节点的设备100和服务器200，该用于识别网络中关键节点的设备100可以通过相应的指令操作该服务器200，从而可以读取、改变、添加数据等。该用于识别网络中关键节点的设备100可以为一个或多个，也可以包括多个处理节点，该多个处理节点对外可以作为一个整体。

可选的，该用于识别网络中关键节点的设备100也可将获取到的要训练或识别的数据发送至服务器200，以使服务器200执行本发明的训练网络结构规则特征模型的方法、和/或用于识别网络中关键节点的方法。可选的，该用于识别网络中关键节点的设备100可以通过网络与服务器200连接。上述网络包括有线网络和无线网络。该无线网络包括但不限于：广域网、城域网、局域网或移动数据网络。典型地，该移动数据网络包括但不局限于：全球移动通信（GSM）网络、码分多址（CDMA）网络、宽带码分多址（WCDMA）网络、长期演进（LTE）通信网络、WIFI网络、ZigBee网络、基于蓝牙技术的网络等。不同类型的通信网络可能由不同的运营商运营。通信网络的类型不构成对本发明实施例的限制。

该用于识别网络中关键节点的设备100，如图2所示，包括：处理器202；以及存储器204，配置为存储计算机程序指令，计算机程序指令适于由处理器加载并执行本发明所研发的训练网络结构规则特征模型的方法、和/或用于识别网络中关键节点的方法（后续将进行详细介绍）。可选的，本发明的至少一个实施例还提供了一种计算机可读的非易失性存储介质，存储计算机程序指令，当计算机执行程序指令时，执行本发明所研发的训练网络结构规则特征模型的方法、和/或用于识别网络中关键节点的方法。

该处理器202可以为各种适用的处理器，例如实现为中央处理器、微处理器、嵌入处理器等形式，可以采用X86、ARM等架构。该存储器204可以为各种适用的存储装置，例如非易失性存储装置，包括但不限于磁存储装置、半导体存储装置、光存储装置等，并且可以布置为单个存储装置、存储装置阵列或分布式存储装置，本发明的实施例对这些不作限制。

本领域普通技术人员可以理解，上述用于识别网络中关键节点的设备的结构仅为示意，其并不对设备的结构造成限定。例如，用于识别网络中关键节点的设备100还可包括比图2中所示更多或者更少的组件（如传输装置）。上述的传输装置用于经由一个网络接收或者发送数据。在一个实例中，传输装置为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。

在上述运行环境下，本发明至少一个实施例提出了一种用于识别网络中关键节点的方法，上述网络为复杂网络G，该网络G包括n个节点，该用于识别网络中关键节点的方法可以由处理器202加载并执行，至少用于基于网络结构规则特征有效实现对复杂网络中的关键节点识别。如图3所示的用于识别网络中关键节点的方法的流程图，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，该方法可以包括如下步骤：

步骤S301，获取网络G中的多个节点；

步骤S303，利用已训练的网络结构规则特征模型对多个节点进行识别，其中，网络结构规则特征模型采用评分函数

对网络结构规则特征进行训练，其中，i为n个节点中的第i个节点，Score _i （y _i ，λ _i ）表示第i个节点重要性评分结果，向量y_i={NI，NCI，CC，DC，BC，ES}，向量

，

为权重参数， NI为节点重要性，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模；

步骤S305，输出多个节点的重要性排序结果。

需要说明的是，该用于识别网络中关键节点的方法与训练网络结构规则特征模型的方法实现逻辑较为相似，相关内容或实现方式可参照训练网络结构规则特征模型的方法。通过本发明上述实施例，利用已训练的网络结构规则特征模型对复杂网络中的关键节点进行识别，不仅能够最大限度地选择出可以降低网络性能的关键节点，还较好的、更加全面的对复杂网络中的关键节点进行了综合的、准确的识别。

与此同时，本发明至少一个实施例还提出了一种训练网络结构规则特征模型的方法，该训练网络结构规则特征模型的方法可以由处理器202加载并执行，至少用于基于网络结构规则特征对网络结构规则特征模型进行训练，进而有效实现对复杂网络中的关键节点识别，上述复杂网络G包括n个节点。如图4所示的训练网络结构规则特征模型的方法的流程图，该方法可以包括如下步骤：

步骤S402，获取n个节点的网络结构规则特征，网络结构规则特征包括网络约束指数NCI；

步骤S404，采用评分函数

对网络结构规则特征进行训练，其中，i为n个节点中的第i个节点，Score _i （y _i ，λ _i ）表示第i个节点重要性评分结果，向量y_i={NI，NCI，CC，DC，BC，ES}，向量

，

为权重参数， NI为节点重要性，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模；

步骤S406，根据训练得到的评分结果，预测并输出n个节点的重要性排序结果。

通过本发明上述方式，将CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模特征与网络约束指数NCI、节点重要性融合，即基于多属性决策识别关键节点，实验证明本发明优于单个指标方法，能够更加全面的、准确的对复杂网络中的关键节点进行综合识别。

在步骤S402中，获取n个节点的网络结构规则特征。该网络结构规则特征（NetworkStructure Rule Feature，NSRF）可以理解为两个未连接节点之间的间隙，即当两个节点由第三个节点连接时间隙被填补，为桥接节点创造了重要的优势，因此桥接节点可以访问不同的信息流并从其邻居那里获得更多好处。因此，本发明利用网络约束指数（NetworkConstraint Index，NCI）来测量网络中的网络结构规则特征NSRF，其中：网络约束指数NCI越高，网络结构规则特征NSRF越小，对应节点就越不重要；相反，网络约束指数NCI越小，网络结构规则特征NSRF就越高，对应节点就越重要。

可选的，获取n个节点的网络结构规则特征可以为获取n个节点的网络约束指数NCI，其中，节点i的网络约束指数

，无向网络中节点i的网络时间和能量在其邻居节点j上的比例

，

表示无向网络中节点i和j之间的连接强度。通常，在无向网络中，

可以简化可以为1或0，第i个节点和第i个节点连接，则a _ij =1，否则a _ij =0，

， d(i)是表示节点i的度。

也就是说，为了更有效地评估复杂网络中的关键节点，本发明提出了一种基于NSRF的关键节点识别方法，该方法只考虑节点的度及其最近的邻域，其基本思想是，节点i在其连接的邻居上投入的时间或精力应根据其在网络中的位置（网络结构规则特征）而有所不同。

可选的，获取n个节点的网络结构规则特征还可以为获取n个节点的节点重要性NI（Node Importance, NI），其中，节点i重要性

，有向网络中节点i的网络时间和能量在其邻居节点j上投入的比例

，节点i权重

，有向网络中两个连通节点i和节点j之间的边权重w_ij=d(i)+d(j)， N(i)表示节点i的邻居节点的集合，_d(i)表示有向网络中节点i的度。在此，本发明对相关术语定义如下：

1、边权重（Edge Weight, EW）w _ij ，本发明将有向网络中两个连通节点i和节点j之间的边权重定义为w_ij=d(i)+d(j)，其中，_d(i)表示节点i的度。

2、节点权重（Node Weight, NW）w(i)，本发明将节点i的节点权重定义为

。

3、相对重要性（Relative Importance, RI）p(i,j)，本发明将有向网络中直接连接到节点i的邻居节点j对节点i具有相对重要性定义为

。式中，p(i,j)是有向网络中节点i的网络时间和能量在其邻居节点j上投入的比例。如果节点i的邻居节点j具有较大的度数或连接到具有较大度数的节点k，节点i更愿意在节点j上投入更多的时间和精力，这意味着人们通常希望在更重要的人或拥有更重要关系的人身上投入更多的时间和精力。

可以看出，节点重要性NI的定义及公式，与网络约束指数NCI的定义及公式较为类似，两个定义之间的区别为将网络约束指数NCI中的p _ij 替换为相对重要性p(i,j)。

在步骤S404中，采用评分函数

对网络结构规则特征进行训练。其中，6维向量y_i={NI，NCI，CC，DC，BC，ES}表示复杂网络G中第i个节点的重要性度量指标的值，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模。其中，6维向量

表示对应节点（第i个节点）的各个指标值对应的权重参数，

为权重参数。

例如，对于一个具有n个节点的复杂网络，将其用G=(E,N)表示，其中，E表示复杂网络中边的集合，|E|表示复杂网络中边的数量，N表示复杂网络中节点集合，|N|表示复杂网络中节点的数量，n=|N|。如图5所示，本发明将复杂网络中每一个节点的节点重要性NI、网络约束指数NCI、接近中心性 CC、度中心性DC、介数中心性BC以及网络规模ES等6个指标组成的复杂网络特征作为构造的学习样本网络的输入（即衡量指标为上述所提的融合了网络结构规则特征的6个指标），通过神经网络对上述复杂网络特征指标值进行训练和学习，进而输出复杂网络关键节点的排序结果（即对复杂网络G中的节点按重要程度进行排序），进而实现对复杂网络G中的关键节点的识别。上述神经网络包括但不局限于卷积神经网络(CNN) 、递归神经网络(RNN)、深信度网络(DBN) 、深度自动编码器(AutoEncoder) 和生成对抗网络(GAN) 等。上述接近中心性 CC、度中心性DC、介数中心性BC以及网络规模ES可以采用现有技术获取，现有相关获取方法较为成熟，在此不再赘述。

可选的，如图6所示，采用评分函数

对网络结构规则特征进行训练可以包括：将n个节点的度量指标

、n个节点度量指标对应的权重参数

输入神经网络，其中，矩阵

表示复杂网络G中所有节点的重要性度量指标的值，矩阵

表示网络G中所有节点的各个指标值对应的权重参数的集合，此外本发明采用

来表示神经网络训练后的所有节点的各个指标值对应的权重参数的集合；利用神经网络输出n个节点的得分

，并根据节点得分（评分函数）对节点进行重要性排序。

在步骤S406中，根据训练得到的评分结果，预测并输出n个节点的重要性排序结果。可选的，采用交叉熵损失函数预测n个节点的排序结果，其中，交叉熵损失函数

，f表示网络G中节点重要性排序的判断准则，P_f表示网络G中第i个节点重要性排序概率与重要性排序方式之间的关系，

表示网络G中第i个节点重要性排序概率；

，其中，k表示选用节点序列数，

()为递增的正函数，

表示第i个节点遍历n个节点的重要性评分集合，Score _i|N| = Score _i （y _|N| ,λ _i ）表示第i个节点相对于第|N|个节点的重要性评分，即n=|N|，t为n个节点中的第t个节点；

。

也就是说，本发明将复杂网络G中的所有节点的不同的重要性排序方式表示为重要性排序概率的方式来构造损失函数。对于复杂网络G中的|N|个节点，在某一种重要性排序方式下获得的得分构造为

的形式，进而所构造的重要性排序概率与重要性排序方式之间的关系为

，并根据得分函数得到的重要性排序概率为

，结合本发明中所制定的融合网络结构规则特征的6个重要性度量指标得到复杂网络G中各个节点的重要性排列概率，进而采用交叉熵构造如下损失函数

，最终可使得预测的n个节点排序结果更加准确。

可选的，本发明还可以利用梯度下降法（Gradient Descent）对模型中的参数（如λ _i ）进行更新：

，其中

表示学习率，f _t 表示网络G中第t个节点的重要性排序的判断准则。为简化计算，令k=1，可以得到

。

综上，通过本发明上述方式，利用网络结构规则特征增加复杂网络中关键节点识别的正确率，并通过在常用节点重要性度量指标中融入网络结构规则特征，以最大限度地选择出可以降低网络性能的关键节点，更加全面实现了的对复杂网络中的关键节点进行综合识别。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各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各实施例技术方案的范围。

Claims (9)

1.用于识别网络中关键节点的方法，网络G包括n个节点，其特征在于，包括：

获取网络G中n个节点的网络结构规则特征，所述网络结构规则特征包括网络约束指数NCI；

采用评分函数

对所述网络结构规则特征进行训练，其中，i为所述n个节点中的第i个节点，Score _i （y _i ，λ _i ）表示第i个节点重要性评分结果，向量y_i={NI，NCI，CC，DC，BC，ES}，向量

，

为权重参数， NI为节点重要性，CC为接近中心性、DC为度中心性、BC为介数中心性、ES为网络规模；

利用已训练的网络结构规则特征模型对所述n个节点进行识别；

预测并输出n个节点的重要性排序结果。

2.根据权利要求1所述的方法，其特征在于，所述预测并输出n个节点的重要性排序结果包括：

采用交叉熵损失函数预测所述n个节点的排序结果，其中，所述交叉熵损失函数

，f表示所述网络G中节点重要性排序的判断准则，P _f 表示所述网络G中第i个节点重要性排序概率与重要性排序方式之间的关系，

表示所述网络G中第i个节点重要性排序概率；

所述

，其中，k表示选用节点序列数，

为递增的正函数，

表示第i个节点遍历n个节点的重要性评分集合，Score _i|N| = Score _i （y _|N| ,λ _i ）表示第i个节点相对于第|N|个节点的重要性评分，即

，t为所述n个节点中的第t个节点；所述

。

3.根据权利要求2所述的方法，其特征在于，采用交叉熵损失函数预测所述n个节点的排序结果还包括：

利用梯度下降法对λ _i 进行更新，其中，所述梯度下降法使得

，

表示学习率，f _t 表示所述网络G中第t个节点的重要性排序的判断准则。

4.根据权利要求1所述的方法，其特征在于，采用评分函数

对所述网络结构规则特征进行训练包括：

将n个节点的度量指标

、n个节点度量指标对应的权重参数

输入神经网络；

利用所述神经网络输出所述n个节点的重要性得分

，其中，所述Score _|N| = Score _|N| （y _|N| ,λ _|N| ）。

5.根据权利要求1所述的方法，其特征在于，获取n个节点的网络结构规则特征包括：

获取n个节点的节点重要性NI，其中，第i个节点重要性

，N(i)表示节点i的邻居节点的集合，有向网络中节点i的网络时间和能量在其邻居节点j上投入的比例p(i,j)=w_ij/w(i)，节点i权重

，有向网络中两个连通节点i和节点j之间的边权重

， d(i)表示有向网络中节点i的度。

6.根据权利要求1所述的方法，其特征在于，获取n个节点的网络结构规则特征包括：

获取n个节点的网络约束指数NCI，其中，第i个节点的网络约束指数

，无向网络中节点i的网络时间和能量在其邻居节点j上的比例

，

表示无向网络中节点i和j之间的连接强度，第i个节点和第i个节点连接，则a _ij =1，否则a _ij =0。

7.用于识别网络中关键节点的设备，其特征在于，该设备包括：

处理器，适于实现各指令；以及存储器，适于存储多条指令，所述指令适于由处理器加载并执行：如权利要求1-6任一所述的用于识别网络中关键节点的方法。

8.用于识别网络中关键节点的系统，其特征在于，该系统包括：如权利要求7所述的用于识别网络中关键节点的设备。

9.一种计算机可读的非易失性存储介质，存储计算机程序指令，其特征在于，当计算机执行程序指令时，执行：如权利要求1-6任一所述的用于识别网络中关键节点的方法。

Images