论文部分内容阅读
自然界中许多事物之间的关系都可以被抽象为复杂网络模型。通过对网络的研究,可以挖掘出许多潜藏在网络背后的信息,从而更好地服务于人类社会。由于复杂网络的异质性,使得网络中存在一些对网络结构和功能有着极大影响的特殊节点,这些节点一旦遭受攻击,将在短时间内使得网络的性能急剧下降。因此如何快速精准地识别出这些特殊节点非常重要。虽然研究人员已经提出了一些重要节点的识别算法,但是大部分都是针对无向无权网络的。由于现实世界中的大多数网络需要同时考虑边的方向和权值,这些算法在有向加权网络中无法较好地识别出关键节点。为了贴近真实网络且能更加精准地识别网络中的关键节点,便于有效地解决现实问题。本文基于有向加权网络做了以下两项工作:1.提出了一种基于熵值法的节点重要性评价算法。本文利用度指标来表征节点自身的重要性,通过定义节点吸引率和节点转移率来间接反映节点相对于其邻居节点的重要性,用运熵值法对节点的度、节点吸引率及节点转移率三项指标进行计算得出节点重要性综合评估指标值。该算法既考虑了节点与其邻接点之间边的权重值,又考虑了其邻接点的入强度和出强度,同时兼顾了自身的重要性和对于其邻接点的相对重要性,使得评价方法更全面。本文为了验证评价算法的有效性,将其应用于对称加权网络和ARPA网,实验表明该算法可以较准确地评价节点的重要性。为了进一步验证所提算法的可靠性,本文对美国航空网络、ARPA网络和社交网络分别进行了静态攻击和动态攻击的连锁故障仿真模拟实验。实验结果显示,当依次移除重要性列表中的节点时,本文算法可以使网络获得较小的极大连通系数和较大的子图数目。因此表明本文算法在识别复杂网络中的关键节点时效果更好。2.提出了一种基于转移能力矩阵的节点重要性评估方法。虽然基于熵值法的节点重要性评价算法取得了较好的识别效果,但由于在数据无量纲化过程中进行了数据的消负处理,这使得重要性值受到一定的影响。为了避免这种影响并进一步提高识别精度,本文定义了节点贡献能力矩阵和负载能力矩阵以反映节点相对于其邻居节点的重要性,其次根据贡献能力矩阵和负载能力矩阵计算节点的传输能力矩阵,再次通过传输能力矩阵计算每个节点的重要性评估值,最后将该算法应用于美国航空网络、神经网络、ARPA网络、社交网络和蛋白质相互作用网络。该算法同时考虑了节点的贡献能力和负载能力,提高了关键节点识别的准确度。实验表明,该评估方法在区分复杂网络中各节点间的差异时效果更佳,可以较好地识别出关键节点。通过连锁故障实验分别模拟了网络在遭受静态攻击和动态攻击时其极大连通系数和子图数目的变化情况,进一步验证了该算法的可靠性。