CN116582448A - 一种基于弹性通道网络指标网络优化的方法 - Google Patents
一种基于弹性通道网络指标网络优化的方法 Download PDFInfo
- Publication number
- CN116582448A CN116582448A CN202310854802.8A CN202310854802A CN116582448A CN 116582448 A CN116582448 A CN 116582448A CN 202310854802 A CN202310854802 A CN 202310854802A CN 116582448 A CN116582448 A CN 116582448A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- small
- nodes
- world
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 108010015046 cell aggregation factors Proteins 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- 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)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于弹性通道网络指标网络优化的方法,属于弹性通信网络技术领域,主要解决小世界网络数据在规则网络和随机网络等网络中的传播或传输效率问题,该方法包括,构建小世界网络,使得该小世界网络具有平均最短路径和网络聚集性;并针对小世界网络,采用弹性通信网络的若干指标评价该小世界网络数据网络中传输。本发明通过上述设置针对小世界网络平均最短路径和网络聚集性两个方面特性。构建的小世界网络采用弹性通信网络的四个指标(度与度分布、选型连接(相配)性、网络健壮性和居间中心性分析)来解决小世界网络数据在规则网络和随机网络等网络中的传播或传输问题的。提高网络在经济效能上的效率。
Description
技术领域
本发明涉及弹性通信网络技术领域,尤其涉及一种基于弹性通道网络指标网络优化的方法。
背景技术
小世界特性是复杂网络最有传奇性的性质。简单地说,小世界特性指的是,尽管许多网络具有相当大的规模(节点之多、跨度之远),如果把节点间的距离定义为连接它们最少沿途的边数(相隔的边数),则其任何两个节点之间却存在相对很短的“快捷距离”。小世界网络诞生于著名的六度分割实验(Six Degrees ofSeparation )。令人惊奇的是,已经发现许多网络具有小世界特性,比如经典的随机网络,已证明其任何两个节点的典型距离为网络节点数之对数数量级,具有小世界的特点。对小世界网络的定义,除小的平均最短路径以外,还意味着下面的高聚集性。同时具有两个方面特性的网络才可以被称为是小世界的。小世界特性容易使人联想起数据在网络中的传播或传输问题,这些问题恰恰是弹性通信网络要解决的关键问题。
发明内容
为了解决小世界网络数据在规则网络和随机网络等网络中的传播或传输问题,尤其是效率上的缺陷,本发明提出一种基于弹性通道网络指标网络优化的方法。
本发明采用的技术方案是,一种基于弹性通道网络指标网络优化的方法,包括,构建小世界网络,使得该小世界网络具有平均最短路径和网络聚集性;并针对小世界网络,采用弹性通信网络的若干指标评价该小世界网络数据网络中传输。
优选的,通过网络算法计算该小世界网络的组网内网络平均最短路径及网络聚集性,并对应指定为小世界网络评价指标1和小世界网络评价指标2,并基于小世界网络评价指标1和小世界网络评价指标2来评价该小世界网络。
优选的,小世界网络评价指标1:当网络为一个无向的网络,其平均最短路径可以定义为公式1:
(1)
式中,i、j为网络中节点的编号;N为网络中的节点数;为i、j两节点间距离。
优选的,小世界网络评价指标1:当网络为非全连通的时候,公式1的定义就会出问题(无限大);避开的办法是只定义在网络的最大连通部分之上;也可采用另一种不同的定义,即采用谐和平均方法,可以化解网络分离的计算问题,如下公式2:
(2)
网络的平均最短路径反映了网络中节点对之间的平均距离,同时也反映了网络的尺寸,因此也常把它称作网络直径。
优选的,小世界网络评价指标2:如果一个网络节点有数个直接的邻居节点,那么这些邻居节点之间有可是邻居,实际表达了网络连接的聚集程度。定量地可以用聚集系数(Cluster Coeficient)来表达。假定考虑一个网络的节点i具有k个邻居,其集群系数可以定义为:
(3)
其中E是节点i的k个紧邻间实际存在的连接。这个定义被广泛使用,尤其在社会学领域常被称为网络密度。显然集群系数表示了节点之间紧邻的程度。整个网络的聚集系数C,则定义为对全部节点的平均。对于随机网络,则有C=p,p为节点间的连接概率。许多实际网络的聚集系数远大于相同节点规模的随机网络,也就是说许多实际网络趋于具有集聚的特性,就像人的社会关系网络一样。
优选的,弹性通信网络的若干指标评价包括度与度分布、选型连接相配性、网络健壮性和居间中心性分析,分别对应指定为弹性通信网络评价指标1-4,通过这四个指标来解决小世界网络数据在规则网络和随机网络等网络中的传播或传输问题。
优选的,弹性通信网络评价指标1:网络中节点具有的连接数被称为该节点的度。度分布描述复杂网络节点连接数目的分布特性。当前人们用分布函数P(k)表示任意选择一个网络节点,其连接数为k的概率,实际上就是具有k个连接的节点占全部网络节点的比例。对于随机网络,因为连接的随机性,所有节点的连接数(度)应该接近网络的平均连接度<k>。而随机网络的度分布为二项分布,或大规模极限下的泊松分布,其峰值为P(<k>)。
人们通过经验研究发现,实际网络的度分布远非泊松分布。显然,这是因为实际网络的连接并不是随机的。令人惊奇的是许多实际的网络,如WWW、Internet 、代谢网络、电话呼叫网络、社交网络等,其度分布都具有一个服从幂律的尾巴-。这样的网络有一个统一的名称,即Scale -Free(SF)网络或者无标度网络。
可以用累积的方式表达度数据:,其物理意义很明显。这样可以充分反映测得的数据,而且减小幂尾的噪声。当P(k)服从幂律时,累积的P也是幂律的,但是指数要减1。
对于不同的网络,其度分布需要特别描述。比如在二分图(bi-partible )网络中,针对两种不同类型的节点有两种度分布;而在有向网络中,节点的度分布变成了入度(in)、出度(out)的二元函数P(j,k)。
本申请创新性的在度与度分布指标中采用k最近邻算法构建的k最近邻分类器对不规则网络、随机网络和无标度网络节点k为中心计算有关的k个连接的节点(度)占全部网络节点的比例。
k最近邻分类器的基本思想是给定一个未确定类别的样本x,在样本空间搜索,找出与未确定类别样本距离最近的k个样本,待分类的样本属于哪一类由k个近邻中的样本大多数所属的类别确定。从中可以看出,k最近邻分类主要的问题是确定合适的样本集、距离函数、组合函数和k值。对于多种类型的属性,距离函数可参照聚类分析中样本相似性的度量公式,而组合函数可以用简单无加权投票(voting )或加权投票的方法。在简单无加权投票中,每个近邻x1对x分类的影响都被认为是相同的。通过对k个近邻x所属的类别计数,把x归为计数最多的类。
其中:n表示计数函数,如果/>,则/>;否则。当所属分类计数相同时,为x随机选取一个类别。加权投票对每个计数加权。
其中:权值一般定义为/>表示样本x与近邻/>的距离。
k最近邻分类器基于局部的数据进行预测,对噪声比较敏感。k值的选择与数据有关。过大的k值可以减小噪声的影响,但使未确定类别样本点的近邻样本数量很大,可能导致分类错误。而过小的k值可能导致投票失效或者受噪声影响。一个较好的k值可通过各种启发式技术来获取。
找出某样本的最近邻样本可能计算所有样本对之间的距离。为有效地发现最近邻,可以利用聚类算法对训样集进行类,如果两个的中心相距比较远,则对应簇中的样本一般不可能成为近邻。只要计算相邻簇的样本之间的距离即可寻找某样本的近邻。
优选的,弹性通信网络评价指标2:
网络节点的度相关可以看作网络协调配合特性的一个特殊而重要情形,这时节点连接趋势如何?高连接度节点更趋向于连接其他高连接度节点,还是低连接度节点?实际网络中发现两种情况均存在。
网络选型连接性的定义为,若连接度大的节点趋向于和其他连接度大的节点连接,则认为网络呈现协调配合。若连接度大的节点趋向于和其他连接度小的节点连接,则认为网络呈现非协调混合。研究中用相关系数来描述网络的按型连接性,定义为
(4)
其中f和k为第i条边的节点的度,c=1/m,m是网络的边的个数。实际的网络中已经发现有一些呈现非协调,而有一些被发现呈协调的/>特性。
本申请创新性的在获得连接趋势协调特性后;对高连接度节点进行信任度通过计算2个指标评估信任度;可采用如下步骤:步骤一、高连接度节点与网络节点k之间经过几个中继节点,相隔越多节点信任度越低;
步骤二、高连接度节点与网络节点k之间通过日志数据分析对一定时间范围内报文数据往来次数越多信任度越高。
优选的,弹性通信网络评价指标3:许多实际复杂系统表现出惊人的容错能力。从网络的观点看,复杂的通信网络呈现高度的健壮性,常规的局部失效及关键部件的故障很少会导致网络的整体信息承载传送能力的丧失。各种网络的稳定性常被人们归因于网络的冗余连接。但是除了冗余,网络的拓扑是否对其稳定与健壮性有一定作用需要进行深入研究。网络对部件失效或者连接概念的抗拒能力称为网络的健壮性或者恢复力。
本申请创新性的在获得连接趋势协调特性后;对高连接度节点进行告警指标评估网络健壮性:高连接度节点通过日志数据分析对一定时间范围内告警数量(网络流量异常、内存、cpu和磁盘利用率高)故障数量占时间范围内告警总数量比例。
优选的,弹性通信网络评价指标4:社会学中常用这个指标描述人在社会中的影响,解释为其对两个人社会关系中起作用的分量。对应复杂网络,节点k的居间中心性由
(5)
描述,其中表示节点i和f之间最短路径中经过节点k的数目,/>则表示节点i和j之间最短路径的总数目。
与现有技术相比,本发明具有以下有益效果:
本申请通过步骤一、小世界网络需同时具有平均最短路径和网络聚集性两个方面特性的网络才可以被称为小世界网络。通过算法计算组网内网络平均最短路径及网络聚集性2个指标;步骤二、依据上一步构建的小世界网络采用弹性通信网络的四个指标(度与度分布、选型连接(相配)性、网络健壮性和居间中心性分析)来解决小世界网络数据在规则网络和随机网络等网络中的传播或传输问题;提高网络在经济效能上的效率。
附图说明
下面结合实施例和附图对本发明进行详细说明,其中:
图1是一种基于弹性通道网络指标网络优化的方法的一种实施例流程图;
图2是一种基于弹性通道网络指标网络优化的方法的一种实施例的工作原理框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
一种基于弹性通道网络指标网络优化的方法,包括如下步骤:
S1、针对需优化的网络构建小世界网络,使得该小世界网络具有平均最短路径和网络聚集性;
在一些实施例中,通过网络算法计算该小世界网络的组网内网络平均最短路径及网络聚集性,并对应指定为小世界网络评价指标1和小世界网络评价指标2,并基于小世界网络评价指标1和小世界网络评价指标2来评价该小世界网络。
在一些实施例中,小世界网络评价指标1:当网络为一个无向的网络,其平均最短路径可以定义为公式1:
(1)
式中,i、j为网络中节点的编号;N为网络中的节点数;为i、j两节点间距离。
在一些实施例中,小世界网络评价指标1:当网络为非全连通的时候,公式1的定义就会出问题(无限大);避开的办法是只定义在网络的最大连通部分之上;也可采用另一种不同的定义,即采用谐和平均方法,可以化解网络分离的计算问题,如下公式2:
(2)
网络的平均最短路径反映了网络中节点对之间的平均距离,同时也反映了网络的尺寸,因此也常把它称作网络直径。
在一些实施例中,小世界网络评价指标2:如果一个网络节点有数个直接的邻居节点,那么这些邻居节点之间有可是邻居,实际表达了网络连接的聚集程度。定量地可以用聚集系数(Cluster Coeficient)来表达。假定考虑一个网络的节点i具有k个邻居,其集群系数可以定义为:
(3)
其中E是节点i的k个紧邻间实际存在的连接。这个定义被广泛使用,尤其在社会学领域常被称为网络密度。显然集群系数表示了节点之间紧邻的程度。整个网络的聚集系数C,则定义为对全部节点的平均。对于随机网络,则有C=p,p为节点间的连接概率。许多实际网络的聚集系数远大于相同节点规模的随机网络,也就是说许多实际网络趋于具有集聚的特性,就像人的社会关系网络一样。
S2、针对小世界网络,采用弹性通信网络的若干指标评价该小世界网络数据网络中传输。
在一些实施例中,弹性通信网络的若干指标评价包括度与度分布、选型连接相配性、网络健壮性和居间中心性分析,分别对应指定为弹性通信网络评价指标1-4,通过这四个指标来解决小世界网络数据在规则网络和随机网络等网络中的传播或传输问题。
在一些实施例中,弹性通信网络评价指标1:网络中节点具有的连接数被称为该节点的度。度分布描述复杂网络节点连接数目的分布特性。当前人们用分布函数P(k)表示任意选择一个网络节点,其连接数为k的概率,实际上就是具有k个连接的节点占全部网络节点的比例。对于随机网络,因为连接的随机性,所有节点的连接数(度)应该接近网络的平均连接度<k>。而随机网络的度分布为二项分布,或大规模极限下的泊松分布,其峰值为P(<k>)。
人们通过经验研究发现,实际网络的度分布远非泊松分布。显然,这是因为实际网络的连接并不是随机的。令人惊奇的是许多实际的网络,如WWW、Internet 、代谢网络、电话呼叫网络、社交网络等,其度分布都具有一个服从幂律的尾巴-。这样的网络有一个统一的名称,即Scale -Free(SF)网络或者无标度网络。
可以用累积的方式表达度数据:,其物理意义很明显。这样k=k 可以充分反映测得的数据,而且减小幂尾的噪声。当P(k)服从幂律时,累积的P也是幂律的,但是指数要减1。
对于不同的网络,其度分布需要特别描述。比如在二分图(bi-partible )网络中,针对两种不同类型的节点有两种度分布;而在有向网络中,节点的度分布变成了入度(in)、出度(out)的二元函数P(j,k)。
本申请创新性的在度与度分布指标中采用k最近邻算法构建的k最近邻分类器对不规则网络、随机网络和无标度网络节点k为中心计算有关的k个连接的节点(度)占全部网络节点的比例。
k最近邻分类器的基本思想是给定一个未确定类别的样本x,在样本空间搜索,找出与未确定类别样本距离最近的k个样本,待分类的样本属于哪一类由k个近邻中的样本大多数所属的类别确定。从中可以看出,k最近邻分类主要的问题是确定合适的样本集、距离函数、组合函数和k值。对于多种类型的属性,距离函数可参照聚类分析中样本相似性的度量公式,而组合函数可以用简单无加权投票(voting )或加权投票的方法。在简单无加权投票中,每个近邻x1对x分类的影响都被认为是相同的。通过对k个近邻x所属的类别计数,把x归为计数最多的类。
其中:n表示计数函数,如果/>,则/>;否则。当所属分类计数相同时,为x随机选取一个类别。加权投票对每个计数加权。
其中:权值一般定义为/>表示样本x与近邻/>的距离。
k最近邻分类器基于局部的数据进行预测,对噪声比较敏感。k值的选择与数据有关。过大的k值可以减小噪声的影响,但使未确定类别样本点的近邻样本数量很大,可能导致分类错误。而过小的k值可能导致投票失效或者受噪声影响。一个较好的k值可通过各种启发式技术来获取。
找出某样本的最近邻样本可能计算所有样本对之间的距离。为有效地发现最近邻,可以利用聚类算法对训样集进行类,如果两个的中心相距比较远,则对应簇中的样本一般不可能成为近邻。只要计算相邻簇的样本之间的距离即可寻找某样本的近邻。
在一些实施例中,弹性通信网络评价指标2:
网络节点的度相关可以看作网络协调配合特性的一个特殊而重要情形,这时节点连接趋势如何?高连接度节点更趋向于连接其他高连接度节点,还是低连接度节点?实际网络中发现两种情况均存在。
网络选型连接性的定义为,若连接度大的节点趋向于和其他连接度大的节点连接,则认为网络呈现协调配合。若连接度大的节点趋向于和其他连接度小的节点连接,则认为网络呈现非协调混合。研究中用相关系数来描述网络的按型连接性,定义为
(4)
其中f和k为第i条边的节点的度,c=1/m,m是网络的边的个数。实际的网络中已经发现有一些呈现非协调,而有一些被发现呈协调的/>特性。
本申请创新性的在获得连接趋势协调特性后;对高连接度节点进行信任度通过计算2个指标评估信任度;在一些实施例中,可采用如下步骤:步骤一、高连接度节点与网络节点k之间经过几个中继节点,相隔越多节点信任度越低;
步骤二、高连接度节点与网络节点k之间通过日志数据分析对一定时间范围内报文数据往来次数越多信任度越高。
在一些实施例中,弹性通信网络评价指标3:许多实际复杂系统表现出惊人的容错能力。从网络的观点看,复杂的通信网络呈现高度的健壮性,常规的局部失效及关键部件的故障很少会导致网络的整体信息承载传送能力的丧失。各种网络的稳定性常被人们归因于网络的冗余连接。但是除了冗余,网络的拓扑是否对其稳定与健壮性有一定作用需要进行深入研究。网络对部件失效或者连接概念的抗拒能力称为网络的健壮性或者恢复力。
本申请创新性的在获得连接趋势协调特性后;对高连接度节点进行告警指标评估网络健壮性:高连接度节点通过日志数据分析对一定时间范围内告警数量(网络流量异常、内存、cpu和磁盘利用率高)故障数量占时间范围内告警总数量比例。
在一些实施例中,弹性通信网络评价指标4:社会学中常用这个指标描述人在社会中的影响,解释为其对两个人社会关系中起作用的分量。对应复杂网络,节点k的居间中心性由
(5)
描述,其中表示节点i和f之间最短路径中经过节点k的数目,/>则表示节点i和j之间最短路径的总数目。
在本说明书的描述中,若出现术语″实施例一″、″本实施例″、″在一个实施例中″等描述,意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于发明或发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例;而且,所描述的具体特征、结构、材料或特点可以在任何一个或多个实施例或示例中以恰当的方式结合。
在本说明书的描述中,术语″连接″、″安装″、″固定″、″设置″、″具有″等均做广义理解,例如,″连接″可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
在本说明书的描述中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述对实施例的描述是为了便于该技术领域的普通技术人员能够理解和应用本案技术,熟悉本领域技术的人员显然可轻易对这些实例做出各种修改,并把在此说明的一般原理应用到其它实施例中而不必经过创造性的劳动。因此,本案不限于以上实施例,对于以下几种情形的修改,都应该在本案的保护范围内:①以本发明技术方案为基础并结合现有公知常识所实施的新的技术方案,该新的技术方案所产生的技术效果并没有超出本发明技术效果之外;②采用公知技术对本发明技术方案的部分特征的等效替换,所产生的技术效果与本发明技术效果相同;③以本发明技术方案为基础进行可拓展,拓展后的技术方案的实质内容没有超出本发明技术方案之外;④利用本发明说明书及附图内容所作的等效变换,直接或间接运用在其他相关的技术领域。
Claims (10)
1.一种基于弹性通道网络指标网络优化的方法,其特征在于,包括,构建小世界网络,使得该小世界网络具有平均最短路径和网络聚集性;并针对小世界网络,采用弹性通信网络的若干指标评价该小世界网络数据网络中传输。
2.根据权利要求1所述基于弹性通道网络指标网络优化的方法,其特征在于,通过网络算法计算该小世界网络的组网内网络平均最短路径及网络聚集性,并对应指定为小世界网络评价指标1和小世界网络评价指标2,并基于小世界网络评价指标1和小世界网络评价指标2来评价该小世界网络。
3. 根据权利要求2所述基于弹性通道网络指标网络优化的方法,其特征在于,小世界网络评价指标1:当网络为一个无向的网络,其平均最短路径可以定义为公式1: (1),
式中,i、j为网络中节点的编号;N为网络中的节点数;为i、j两节点间距离。
4.根据权利要求2所述基于弹性通道网络指标网络优化的方法,其特征在于,小世界网络评价指标1:当网络为非全连通时,采用谐和平均方法,如下公式2:
(2)。
5.根据权利要求2所述基于弹性通道网络指标网络优化的方法,其特征在于,小世界网络评价指标2:考虑一个网络的节点i具有k个邻居,其集群系数可以定义为:
(3),
其中E是节点i的k个紧邻间实际存在的连接;对于随机网络,则有C=p,p为节点间的连接概率。
6.根据权利要求1所述基于弹性通道网络指标网络优化的方法,其特征在于,弹性通信网络的若干指标评价包括度与度分布、选型连接相配性、网络健壮性和居间中心性分析,分别对应指定为弹性通信网络评价指标1-4。
7.根据权利要求6所述基于弹性通道网络指标网络优化的方法,其特征在于,弹性通信网络评价指标1:在度与度分布指标中采用k最近邻算法构建的k最近邻分类器对不规则网络、随机网络和无标度网络节点k为中心计算有关的k个连接的节点度占全部网络节点的比例;k最近邻分类器的基本思想是给定一个未确定类别的样本x,在样本空间搜索,找出与未确定类别样本距离最近的k个样本;
其中:n表示计数函数,如果/>,则/>;否则;当所属分类计数相同时,为x随机选取一个类别;加权投票对每个计数加权;
其中:权值一般定义为/>表示样本x与近邻/>的距离。
8.根据权利要求6所述基于弹性通道网络指标网络优化的方法,其特征在于,弹性通信网络评价指标2:
用相关系数来描述网络的按型连接性,定义为:
(4),
其中f和k为第i条边的节点的度,c=1/m,m是网络的边的个数;
在获得连接趋势协调特性后;对高连接度节点进行信任度通过计算2个指标评估信任度;采用如下步骤:步骤一、高连接度节点与网络节点k之间经过几个中继节点,相隔越多节点信任度越低;步骤二、高连接度节点与网络节点k之间通过日志数据分析对一定时间范围内报文数据往来次数越多信任度越高。
9.根据权利要求6所述基于弹性通道网络指标网络优化的方法,其特征在于,弹性通信网络评价指标3:对高连接度节点进行告警指标评估网络健壮性:高连接度节点通过日志数据分析对一定时间范围内告警数量、故障数量占时间范围内告警总数量比例;其中告警数量包括网络流量异常、内存、cpu及磁盘利用率。
10.根据权利要求6所述基于弹性通道网络指标网络优化的方法,其特征在于,弹性通信网络评价指标4:网络中节点k的居间中心性定义公式(5):
(5),
其中表示节点i和f之间最短路径中经过节点k的数目,/>则表示节点i和j之间最短路径的总数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854802.8A CN116582448B (zh) | 2023-07-13 | 2023-07-13 | 一种基于弹性通道网络指标网络优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310854802.8A CN116582448B (zh) | 2023-07-13 | 2023-07-13 | 一种基于弹性通道网络指标网络优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116582448A true CN116582448A (zh) | 2023-08-11 |
CN116582448B CN116582448B (zh) | 2023-12-01 |
Family
ID=87543525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310854802.8A Active CN116582448B (zh) | 2023-07-13 | 2023-07-13 | 一种基于弹性通道网络指标网络优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116582448B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102185916A (zh) * | 2011-04-27 | 2011-09-14 | 西安电子科技大学 | 具有小世界和无标度特性的传感器网络建立方法 |
CN106789253A (zh) * | 2016-12-23 | 2017-05-31 | 西安电子科技大学 | 一种复杂信息网络的弹性评估和优化方法 |
CN109068336A (zh) * | 2018-07-05 | 2018-12-21 | 青岛智能产业技术研究院 | 一种基于小世界网络理论的平行车联网建模方法 |
CN110933684A (zh) * | 2019-11-28 | 2020-03-27 | 江苏电力信息技术有限公司 | 一种基于混合模式的小世界无线传感器网络构造方法 |
CN112464414A (zh) * | 2020-10-09 | 2021-03-09 | 东北大学秦皇岛分校 | 一种基于谱矩的nw小世界网络系统同步分析方法 |
-
2023
- 2023-07-13 CN CN202310854802.8A patent/CN116582448B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102185916A (zh) * | 2011-04-27 | 2011-09-14 | 西安电子科技大学 | 具有小世界和无标度特性的传感器网络建立方法 |
CN106789253A (zh) * | 2016-12-23 | 2017-05-31 | 西安电子科技大学 | 一种复杂信息网络的弹性评估和优化方法 |
CN109068336A (zh) * | 2018-07-05 | 2018-12-21 | 青岛智能产业技术研究院 | 一种基于小世界网络理论的平行车联网建模方法 |
CN110933684A (zh) * | 2019-11-28 | 2020-03-27 | 江苏电力信息技术有限公司 | 一种基于混合模式的小世界无线传感器网络构造方法 |
CN112464414A (zh) * | 2020-10-09 | 2021-03-09 | 东北大学秦皇岛分校 | 一种基于谱矩的nw小世界网络系统同步分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116582448B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9680915B2 (en) | Methods for clustering networks based on topology discovery and devices thereof | |
CN110460605B (zh) | 一种基于自动编码的异常网络流量检测方法 | |
CN112149967B (zh) | 基于复杂系统理论的电力通信网脆弱性评估方法和系统 | |
Zhang et al. | The stability of Chinese stock network and its mechanism | |
CN105721228A (zh) | 基于快速密度聚类的电力通信网节点重要性评估方法 | |
CN110662232B (zh) | 一种采用多粒度级联森林评估链路质量的方法 | |
Giatrakos et al. | In-network approximate computation of outliers with quality guarantees | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
CN113190939A (zh) | 基于多边形系数的大型稀疏复杂网络拓扑分析和简化方法 | |
CN114090393B (zh) | 一种告警级别的确定方法、装置及设备 | |
CN108628936B (zh) | 一种结合用户重叠行为的微博重叠社团划分方法 | |
CN116582448A (zh) | 一种基于弹性通道网络指标网络优化的方法 | |
CN107590008B (zh) | 一种通过加权熵判断分布式集群可靠度的方法和系统 | |
CN113162793A (zh) | 一种环境感知的用于网络测量的节点重要性度量方法 | |
CN116132311B (zh) | 一种基于时间序列的网络安全态势感知方法 | |
Keneshloo et al. | Predicting the shape and peak time of news article views | |
Zhou et al. | Link prediction algorithm based on local centrality of common neighbor nodes using multi-attribute ranking | |
CN112256756B (zh) | 一种基于三元关联图和知识表示的影响力发现方法 | |
CN114818907A (zh) | 输电线路的状态监测方法、装置、设备及存储介质 | |
CN114265954A (zh) | 基于位置与结构信息的图表示学习方法 | |
Choi et al. | Comparison of various statistical methods for detecting disease outbreaks | |
Li et al. | Fuzzy closeness-based delegation forwarding in delay tolerant networks | |
Yang et al. | Evolution of the Internet and its measures | |
Ai et al. | SLGC: Identifying influential nodes in complex networks from the perspectives of self-centrality, local centrality, and global centrality | |
Dong et al. | A Multi-Objective Evolutionary Algorithm for Multimedia Traffic Classification |
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 |