CN111934938B - 基于多属性信息融合的流网络关键节点识别方法和装置 - Google Patents

基于多属性信息融合的流网络关键节点识别方法和装置 Download PDF

Info

Publication number
CN111934938B
CN111934938B CN202010958093.4A CN202010958093A CN111934938B CN 111934938 B CN111934938 B CN 111934938B CN 202010958093 A CN202010958093 A CN 202010958093A CN 111934938 B CN111934938 B CN 111934938B
Authority
CN
China
Prior art keywords
node
index
flow
network
representing
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.)
Active
Application number
CN202010958093.4A
Other languages
English (en)
Other versions
CN111934938A (zh
Inventor
阮逸润
汤俊
白亮
郭金林
郭延明
何华
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010958093.4A priority Critical patent/CN111934938B/zh
Publication of CN111934938A publication Critical patent/CN111934938A/zh
Application granted granted Critical
Publication of CN111934938B publication Critical patent/CN111934938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • 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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

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

Abstract

本申请涉及一种基于多属性信息融合的流网络关键节点识别方法和装置。所述方法包括：根据待识别事件，构建节点流网络；获取节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标；构建节点流网络中节点重要性的识别框架；在识别框架中，分别计算最大流计数指标、最小割计数指标以及最大流中心性指标对应的基本概率指派函数；对最大流计数指标、最小割计数指标以及最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标；根据重要性指标，对节点流网络中节点进行排序，根据排序结果确定节点流网络中的关键节点。采用本方法能够提高关键节点识别的准确率。

Description

基于多属性信息融合的流网络关键节点识别方法和装置
技术领域
本申请涉及流网络技术领域，特别是涉及一种基于多属性信息融合的流网络关键节点识别方法和装置。
背景技术
在现实世界中，我们的生活受到大量网络的支配。流网络可以表示很多模型，比如管道中的石油、高压线中电流，或者计算机网络中的数据。网络流也可以解决很多问题，比如如何进行道路交通管控，以便有效地缓解早高峰的拥堵；在物流网运输中，在满足供需关系的同时，怎样使渠道成本最低；在轰炸机执行轰炸任务时，怎样才能给敌军补给线造成更严重的打击。
目前，针对流网络中节点的重要性评估，是通过节点与节点之间相连的边定义，例如出入度、中心性等。然而通过边识别流网络中关键节点不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决流网络中关键节点不准确问题的基于多属性信息融合的流网络关键节点识别方法和装置。
一种基于多属性信息融合的流网络关键节点识别方法，所述方法包括：
根据待识别事件，构建节点流网络；
获取所述节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标；
构建所述节点流网络中节点重要性的识别框架；
在所述识别框架中，分别计算所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数；
对所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标；
根据所述重要性指标，对所述节点流网络中节点进行排序，根据排序结果确定所述节点流网络中的关键节点。
在其中一个实施例中，还包括：获取所述节点流网络中每个节点的最大流计数指标为：
Figure 274369DEST_PATH_IMAGE001
其中，
Figure 226145DEST_PATH_IMAGE002
表示所述节点流网络中节点i的最大流计数指标，n表示所述节点流网络中节点的数量，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，V表示所述节点流网络的节点集合；当节点i在源节点s和汇节点t的最大流量路径中时，
Figure 964293DEST_PATH_IMAGE003
，否则
Figure 608901DEST_PATH_IMAGE004
。
在其中一个实施例中，还包括：获取所述节点流网络中每个节点的最小割计数指标为：
Figure 65291DEST_PATH_IMAGE005
其中，
Figure 305910DEST_PATH_IMAGE006
表示所述节点流网络中节点i的最小割计数指标，n表示所述节点流网络中节点的数量，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，V表示所述节点流网络的节点集合；当节点i是节点s和节点t组成的最小割集的端点时，
Figure 898565DEST_PATH_IMAGE007
，否则，
Figure 448496DEST_PATH_IMAGE008
。
在其中一个实施例中，还包括：获取所述节点流网络中每个节点的最大流中心性指标为：
Figure 126602DEST_PATH_IMAGE009
其中，
Figure 420180DEST_PATH_IMAGE010
表示最大流中心性指标，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，
Figure 132921DEST_PATH_IMAGE011
表示源节点s到汇节点t的最大流流量，
Figure 338905DEST_PATH_IMAGE012
表示
Figure 504307DEST_PATH_IMAGE013
流入节点i和流出节点i的流量之和。
一种基于多属性信息融合的流网络关键节点识别装置，所述装置包括：
网络构建模块，用于根据待识别事件，构建节点流网络；
指标获取模块，用于获取所述节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标；
重要指标计算模块，用于构建所述节点流网络中节点重要性的识别框架；在所述识别框架中，分别计算所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数；对所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标；
关键节点识别模块，用于根据所述重要性指标，对所述节点流网络中节点进行排序，根据排序结果确定所述节点流网络中的关键节点。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据待识别事件，构建节点流网络；
获取所述节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标；
构建所述节点流网络中节点重要性的识别框架；
在所述识别框架中，分别计算所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数；
对所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标；
根据所述重要性指标，对所述节点流网络中节点进行排序，根据排序结果确定所述节点流网络中的关键节点。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据待识别事件，构建节点流网络；
获取所述节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标；
构建所述节点流网络中节点重要性的识别框架；
在所述识别框架中，分别计算所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数；
对所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标；
根据所述重要性指标，对所述节点流网络中节点进行排序，根据排序结果确定所述节点流网络中的关键节点。
上述基于多属性信息融合的流网络关键节点识别方法、装置、计算机设备和存储介质，通过构建节点流网络，然后提取节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标，结合D-S证据理论，将最大流计数指标、最小割计数指标以及最大流中心性指标对应的基本概率指派函数融合为节点的重要性指标，从而根据重要性指标进行节点重要性排序。本发明上述方案，通过提取多个指标，将指标进行融合，从而可以更好的体现节点的重要性。
附图说明
图1为一个实施例中基于多属性信息融合的流网络关键节点识别方法的流程示意图；
图2为一个实施例中基于多属性信息融合的流网络关键节点识别装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于多属性信息融合的流网络关键节点识别方法，包括以下步骤：
步骤102，根据待识别事件，构建节点流网络。
待识别事件可以是网络攻击中重要的网络节点识别事件，也可以是交通管理中重要位置的识别事件，根据所有节点的分布以及连接情况，可以构建节点流网络。
步骤104，获取节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标。
值得说明的是，在得到节点流网络之后，需要计算节点间的网络最大流问题，具体可以通过线性规划模型求解：
Figure 601576DEST_PATH_IMAGE014
其中，
Figure 168824DEST_PATH_IMAGE015
表示链路
Figure 794977DEST_PATH_IMAGE016
上的流量，第一个公式表示模型求解目标，即对任何源节点s到汇节点t的节点对，尽可能规划最大的流量，
Figure 713255DEST_PATH_IMAGE017
且
Figure 99368DEST_PATH_IMAGE018
，流出源节点s的流量和流入汇节点d的流量等于它们之间的最大流量。第二个公式表示节点流量平衡条件，确保流入和流出内部节点的流量是相等的。第三个公式表示链路的容量限制以及流量的非负性。假设每对源节点到汇节点的最大流是相互独立的，对网络中每对源节点到汇节点的最大流相加后求平均，即为网络平均最大流。
在上述网络平均最大流的基础上，可以获取最大流计数指标、最小割计数指标以及最大流中心性指标。
步骤106，构建节点流网络中节点重要性的识别框架。
基于D-S证据理论，识别框架的定义为辨识框架（frame of discernment）。假设
Figure 255543DEST_PATH_IMAGE019
是由n个彼此互斥的元素组成的有限完备集合，则称
Figure 583756DEST_PATH_IMAGE020
为辨识框架。假设将网络中节点的重要性分为两种，即重要与不重要。为节点各属性建立辨识框架定义为
Figure 458171DEST_PATH_IMAGE021
，其中I表示重要，U表示不重要。
本步骤中，可以定义各属性的识别框架为
Figure 897243DEST_PATH_IMAGE022
，其中，h表示重要，l表示不重要。
步骤108，在识别框架中，分别计算最大流计数指标、最小割计数指标以及最大流中心性指标对应的基本概率指派函数。
基本概率指派函数（BPA, basic probability assignment）的定义是对于集合
Figure 173503DEST_PATH_IMAGE023
中的任意子集A，满足
Figure 420420DEST_PATH_IMAGE024
，
Figure 782131DEST_PATH_IMAGE025
，
Figure 24894DEST_PATH_IMAGE026
，其中
Figure 421240DEST_PATH_IMAGE027
表示空集。
具体的，可以采用将节点属性的极值作为参考值以此构建BPA转化模型，从而将节点的属性值转化为BPA形式。
步骤110，对最大流计数指标、最小割计数指标以及最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标。
本步骤中，可以基于Dempster 组合规则，对节点各属性进行融合，最终得到网络每一个节点由MFNC、MCC、MLC三种指标合成的BPA综合值。BPA综合值即重要性指标，重要性指标是一组数值，分别表示对节点重要、不重要、重要与否未知的支持程度，可将重要与否未知平均分派给重要和不重要，节点最终的综合属性单值通过计算节点的重要支持度与节点的不重要支持度之差得到。
步骤112，根据重要性指标，对节点流网络中节点进行排序，根据排序结果确定节点流网络中的关键节点。
上述基于多属性信息融合的流网络关键节点识别方法中，通过构建节点流网络，然后提取节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标，结合D-S证据理论，将最大流计数指标、最小割计数指标以及最大流中心性指标对应的基本概率指派函数融合为节点的重要性指标，从而根据重要性指标进行节点重要性排序。本发明上述方案，通过提取多个指标，将指标进行融合，从而可以更好的体现节点的重要性。
在其中一个实施例中，获取节点流网络中每个节点的最大流计数指标为：
Figure 825677DEST_PATH_IMAGE028
其中，
Figure 690996DEST_PATH_IMAGE029
表示节点流网络中节点i的最大流计数指标，n表示节点流网络中节点的数量，s表示节点流网络中的源节点，t表示节点流网络中的汇节点，V表示节点流网络的节点集合；当节点i在源节点s和汇节点t的最大流量路径中时，
Figure 206291DEST_PATH_IMAGE030
，否则
Figure 457143DEST_PATH_IMAGE031
。
本实施例中，最大流计数指标与介数中心性指标思想类似，区别在于介数中心性指标考虑的是最大流路径，而不是最短路径。其核心思想是网络所有的源点和汇点之间的最大流路径经过一个节点的次数越多，节点越重要。
在其中一个实施例中，获取节点流网络中每个节点的最小割计数指标为：
Figure 298061DEST_PATH_IMAGE032
其中，
Figure 634364DEST_PATH_IMAGE033
表示节点流网络中节点i的最小割计数指标，n表示节点流网络中节点的数量，s表示节点流网络中的源节点，t表示节点流网络中的汇节点，V表示节点流网络的节点集合，当节点i是节点s和节点t组成的最小割集的端点时，
Figure 953350DEST_PATH_IMAGE034
，否则，
Figure 75021DEST_PATH_IMAGE035
。
本实施例中，割是网络中定点的一个划分，它把网络中的所有顶点划分成两个顶点集合S和T，其中源节点
Figure 821260DEST_PATH_IMAGE036
，汇节点
Figure 644859DEST_PATH_IMAGE037
。根据最大流量最小割定理，s-t最大流等于其最小割。如果链路
Figure 298695DEST_PATH_IMAGE038
是s-t的最小割集的成员，则它是相应最大流量问题中的瓶颈链路。如果
Figure 274872DEST_PATH_IMAGE038
从网络中移除，那么最大流的流量值也会变小。将节点重要性等价于节点出现网络所有源点和汇点的最小割集上的次数。
在其中一个实施例中，获取节点流网络中每个节点的最大流中心性指标为：
Figure 192012DEST_PATH_IMAGE039
其中，
Figure 768487DEST_PATH_IMAGE040
表示最大流中心性指标，s表示节点流网络中的源节点，t表示节点流网络中的汇节点，
Figure 429276DEST_PATH_IMAGE041
表示源节点s到汇节点t的最大流流量，
Figure 243648DEST_PATH_IMAGE042
表示
Figure 597269DEST_PATH_IMAGE043
流入节点i和流出节点i的流量之和。
本实施例中，与流介数中心性思想相似，最大流中心性指标的核心思想是网络所有源点和汇点间的最大流经过节点的流量和越大，节点越重要。
在其中一个实施例中，在对最大流计数指标、最小割计数指标以及最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标，具体可以是：最大流计数指标、最小割计数指标以及最大流中心性指标对应的基本概率指派函数是辨识框架上的3个相互独立的基本概率指派函数，基于Dempster 组合规则将三者融合可以采用如下公式：
Figure 143263DEST_PATH_IMAGE044
Figure 607743DEST_PATH_IMAGE045
其中，n=3，K称为冲突系数，用于衡量BPA函数间的相异程度。K越大，相异程度越大，当K=1时，组合规则无法使用。当K=0时，表示BPA函数间的冲突程度最小，即两者不冲突。
值得说明的是，在进行节点排序时，可以采用将重要性指标大的排序靠前，则排越靠前，则节点越关键。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图2所示，提供了一种基于多属性信息融合的流网络关键节点识别装置，包括：网络构建模块202、指标获取模块204、重要指标计算模块206和关键节点识别模块208，其中：
网络构建模块202，用于根据待识别事件，构建节点流网络；
指标获取模块204，用于获取所述节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标；
重要指标计算模块206，用于构建所述节点流网络中节点重要性的识别框架；在所述识别框架中，分别计算所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数；对所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标；
关键节点识别模块208，用于根据所述重要性指标，对所述节点流网络中节点进行排序，根据排序结果确定所述节点流网络中的关键节点。
在其中一个实施例中，所述指标获取模块204还用于获取所述节点流网络中每个节点的最大流计数指标为：
Figure 542201DEST_PATH_IMAGE046
其中，
Figure 66723DEST_PATH_IMAGE047
表示所述节点流网络中节点i的最大流计数指标，n表示所述节点流网络中节点的数量，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，V表示所述节点流网络的节点集合；当节点i在源节点s和汇节点t的最大流量路径中时，
Figure 86632DEST_PATH_IMAGE048
，否则
Figure 354802DEST_PATH_IMAGE049
。
在其中一个实施例中，所述指标获取模块204还用于获取所述节点流网络中每个节点的最小割计数指标为：
Figure 894499DEST_PATH_IMAGE050
其中，
Figure 855502DEST_PATH_IMAGE051
表示所述节点流网络中节点i的最小割计数指标，n表示所述节点流网络中节点的数量，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，V表示所述节点流网络的节点集合；当节点i是节点s和节点t组成的最小割集的端点时，
Figure 362706DEST_PATH_IMAGE052
，否则，
Figure 168988DEST_PATH_IMAGE053
。
在其中一个实施例中，所述指标获取模块204还用于获取所述节点流网络中每个节点的最大流中心性指标为：
Figure 343618DEST_PATH_IMAGE054
其中，
Figure 695096DEST_PATH_IMAGE055
表示最大流中心性指标，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，
Figure 955176DEST_PATH_IMAGE056
表示源节点s到汇节点t的最大流流量，
Figure 299569DEST_PATH_IMAGE057
表示
Figure 876175DEST_PATH_IMAGE058
流入节点i和流出节点i的流量之和。
关于基于多属性信息融合的流网络关键节点识别装置的具体限定可以参见上文中对于基于多属性信息融合的流网络关键节点识别方法的限定，在此不再赘述。上述基于多属性信息融合的流网络关键节点识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多属性信息融合的流网络关键节点识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种基于多属性信息融合的流网络关键节点识别方法，其特征在于，所述方法包括：
根据待识别事件，构建节点流网络；
获取所述节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标；
构建所述节点流网络中节点重要性的识别框架；
在所述识别框架中，分别计算所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数；
对所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标；
根据所述重要性指标，对所述节点流网络中节点进行排序，根据排序结果确定所述节点流网络中的关键节点；
获取所述节点流网络中每个节点的最大流计数指标，包括：
获取所述节点流网络中每个节点的最大流计数指标为：
Figure 184645DEST_PATH_IMAGE001
其中，
Figure 691850DEST_PATH_IMAGE002
表示所述节点流网络中节点i的最大流计数指标，n表示所述节点流网络中节点的数量，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，V表示所述节点流网络的节点集合；
当节点i在源节点s和汇节点t的最大流量路径中时，
Figure 294869DEST_PATH_IMAGE003
，否则
Figure 203920DEST_PATH_IMAGE004
；
获取所述节点流网络中每个节点的最小割计数指标，包括：
获取所述节点流网络中每个节点的最小割计数指标为：
Figure 742348DEST_PATH_IMAGE005
其中，
Figure 736849DEST_PATH_IMAGE006
表示所述节点流网络中节点i的最小割计数指标，n表示所述节点流网络中节点的数量，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，V表示所述节点流网络的节点集合；
当节点i是节点s和节点t组成的最小割集的端点时，
Figure 143560DEST_PATH_IMAGE007
，否则，
Figure 641537DEST_PATH_IMAGE008
；
获取所述节点流网络中每个节点的最大流中心性指标，包括：
获取所述节点流网络中每个节点的最大流中心性指标为：
Figure 882026DEST_PATH_IMAGE009
其中，
Figure 832664DEST_PATH_IMAGE010
表示最大流中心性指标，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，
Figure 980749DEST_PATH_IMAGE011
表示源节点s到汇节点t的最大流流量，
Figure 661129DEST_PATH_IMAGE012
表示
Figure 869256DEST_PATH_IMAGE013
流入节点i和流出节点i的流量之和。
2.一种基于多属性信息融合的流网络关键节点识别装置，其特征在于，所述装置包括：
网络构建模块，用于根据待识别事件，构建节点流网络；
指标获取模块，用于获取所述节点流网络中每个节点的最大流计数指标、最小割计数指标以及最大流中心性指标；
重要指标计算模块，用于构建所述节点流网络中节点重要性的识别框架；在所述识别框架中，分别计算所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数；对所述最大流计数指标、所述最小割计数指标以及所述最大流中心性指标对应的基本概率指派函数进行融合，得到节点的重要性指标；
关键节点识别模块，用于根据所述重要性指标，对所述节点流网络中节点进行排序，根据排序结果确定所述节点流网络中的关键节点；
所述指标获取模块还用于获取所述节点流网络中每个节点的最大流计数指标为：
Figure 510453DEST_PATH_IMAGE014
其中，
Figure 196649DEST_PATH_IMAGE015
表示所述节点流网络中节点i的最大流计数指标，n表示所述节点流网络中节点的数量，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，V表示所述节点流网络的节点集合；当节点i在源节点s和汇节点t的最大流量路径中时，
Figure 997115DEST_PATH_IMAGE016
，否则
Figure 376144DEST_PATH_IMAGE017
；
所述指标获取模块还用于获取所述节点流网络中每个节点的最小割计数指标为：
Figure 504637DEST_PATH_IMAGE018
其中，
Figure 994524DEST_PATH_IMAGE019
表示所述节点流网络中节点i的最小割计数指标，n表示所述节点流网络中节点的数量，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，V表示所述节点流网络的节点集合；当节点i是节点s和节点t组成的最小割集的端点时，
Figure 56021DEST_PATH_IMAGE020
，否则，
Figure 668268DEST_PATH_IMAGE021
；
所述指标获取模块还用于获取所述节点流网络中每个节点的最大流中心性指标为：
Figure 346374DEST_PATH_IMAGE022
其中，
Figure 577635DEST_PATH_IMAGE023
表示最大流中心性指标，s表示所述节点流网络中的源节点，t表示所述节点流网络中的汇节点，
Figure 24797DEST_PATH_IMAGE024
表示源节点s到汇节点t的最大流流量，
Figure 542366DEST_PATH_IMAGE025
表示
Figure 707768DEST_PATH_IMAGE026
流入节点i和流出节点i的流量之和。
3.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述方法的步骤。
4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述的方法的步骤。
CN202010958093.4A 2020-09-14 2020-09-14 基于多属性信息融合的流网络关键节点识别方法和装置 Active CN111934938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010958093.4A CN111934938B (zh) 2020-09-14 2020-09-14 基于多属性信息融合的流网络关键节点识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010958093.4A CN111934938B (zh) 2020-09-14 2020-09-14 基于多属性信息融合的流网络关键节点识别方法和装置

Publications (2)

Publication Number Publication Date
CN111934938A CN111934938A (zh) 2020-11-13
CN111934938B true CN111934938B (zh) 2020-12-15

Family

ID=73309900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010958093.4A Active CN111934938B (zh) 2020-09-14 2020-09-14 基于多属性信息融合的流网络关键节点识别方法和装置

Country Status (1)

Country Link
CN (1) CN111934938B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113037572A (zh) * 2021-05-24 2021-06-25 中国人民解放军国防科技大学 一种基于图信号分析的关键节点识别方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109830963A (zh) * 2019-01-08 2019-05-31 国网山东省电力公司滨州供电公司 一种计及电压等级影响的电网关键节点识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114983B (zh) * 2006-07-27 2010-06-23 中国科学院计算技术研究所 一种提高网络容量的方法
US9148885B2 (en) * 2009-03-16 2015-09-29 Raytheon Bbn Technologies Corp. Distributed assignment of frequency channels to transceivers over dynamic spectrum
CN109977272A (zh) * 2017-12-27 2019-07-05 航天信息股份有限公司 一种基于审计数据识别关键用户的方法和***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109830963A (zh) * 2019-01-08 2019-05-31 国网山东省电力公司滨州供电公司 一种计及电压等级影响的电网关键节点识别方法

Also Published As

Publication number Publication date
CN111934938A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
WO2020048058A1 (zh) 基金知识推理方法、***、计算机设备和存储介质
CN105446988B (zh) 预测类别的方法和装置
CN105511957A (zh) 用于生成作业告警的方法和***
US11004333B2 (en) Detecting influential factors for traffic congestion
CN112418341A (zh) 模型融合方法、预测方法、装置、设备及存储介质
CN112183899A (zh) 确定安全度预测模型的方法、装置、设备和存储介质
CN116756494B (zh) 数据异常值处理方法、装置、计算机设备和可读存储介质
CN111428009B (zh) 关系查询方法、装置、计算机设备和存储介质
CN115605903A (zh) 用于快速组成、启动和配置具有内置审计和监测结构的可定制的第二层级转移结构的***及其方法
CN111934938B (zh) 基于多属性信息融合的流网络关键节点识别方法和装置
CN110689230B (zh) 一种区域的贫困程度确定方法、电子装置及存储介质
CN115545103A (zh) 异常数据识别、标签识别方法和异常数据识别装置
US10313457B2 (en) Collaborative filtering in directed graph
CN112767032A (zh) 一种信息处理方法、装置、电子设备及存储介质
CN117036060A (zh) 车险欺诈识别方法、装置和存储介质
US20230177443A1 (en) Systems and methods for automated modeling of processes
CN116795995A (zh) 知识图谱构建方法、装置、计算机设备和存储介质
KR20050061358A (ko) 네트워크 진단 방법, 네트워크 진단을 수행하는 코드를포함하는 컴퓨터 판독 가능 매체 및 시스템
CN115759742A (zh) 企业风险评估方法、装置、计算机设备和存储介质
CN115203556A (zh) 一种评分预测模型训练方法、装置、电子设备及存储介质
CN115049493A (zh) 一种区块链数据追踪方法、装置及电子设备
CN115878989A (zh) 模型训练方法、装置及存储介质
Zhang et al. A clustering-based QoS prediction approach for web service selection
CN114826936B (zh) 一种确定加权网络通信效能的关键节点集的方法和***
CN110599377A (zh) 在线学习的知识点排序方法和装置

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