CN114268547B - 一种多属性决策的空中应急通信网络关键节点识别方法 - Google Patents
一种多属性决策的空中应急通信网络关键节点识别方法 Download PDFInfo
- Publication number
- CN114268547B CN114268547B CN202111499202.1A CN202111499202A CN114268547B CN 114268547 B CN114268547 B CN 114268547B CN 202111499202 A CN202111499202 A CN 202111499202A CN 114268547 B CN114268547 B CN 114268547B
- Authority
- CN
- China
- Prior art keywords
- node
- index
- importance
- nodes
- network
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种多属性决策的空中应急通信网络关键节点识别方法,属于空中自组网和应急通信网络领域。本发明首先构建空中应急通信网络模型;然后提出节点负载和节点等级两个重要指标,结合传统网络拓扑指标,构成网络关键节点识别的指标体系;接下来采用层次分析法和熵值法获得各个指标的综合权重;最后基于多属性决策算法对各个节点的重要性进行排序。本发明解决了传统关键节点识别算法构建指标体系不完善、难以给出准确的关键节点、无法满足未来应急通信需求等方面的问题,提升了空中应急通信网络关键节点识别的准确性,增强了空中保障网络的安全性和可靠性。
Description
技术领域
本发明涉及空中自组网和应急通信网络领域,特别涉及一种多属性决策的空中应急通信网络关键节点识别方法。
背景技术
无人机具有低成本、易操作、快速部署、灵活组网的特点,一直以来都是应急通信中研究的热点,目前已被广泛应用于抗震救灾、热点区域保障等领域。
近些年来,伴随无人机技术的发展,利用无人机搭载通信基站升空,建立空中应急通信网络成为研究热点。然而,无人机载荷小、能量有限、易损毁的缺点,使得建立安全可靠的空中应急通信网络成为受关注的焦点问题。作为对网络安全可靠性影响最大的因素之一,网络关键节点识别技术的研究具有重大意义。在空中应急通信网络中,关键节点一旦损毁,可能会影响整个网络的通信。
目前,许多研究主要集中在利用网络的整个拓扑信息实现关键节点识别,这在普通网络中效果明显。然而,在保障地面用户的应急通信网络场景下,由于无人机节点保障地面用户的特殊性以及保障用户数量的有限性,网络拓扑信息在关键节点识别中将不再起到决定性作用。
发明内容
有鉴于此,本发明提出了一种多属性决策的空中应急通信网络关键节点识别方法,可解决传统关键节点识别算法构建指标体系不完善、难以给出准确的关键节点、无法满足未来应急通信需求等方面存在的问题,能够提升空中应急通信网络关键节点识别的准确性,增强空中保障网络的安全性和可靠性。
为了实现上述目的,本发明采用的技术方案为:
一种多属性决策的空中应急通信网络关键节点识别方法,包括以下步骤:
步骤1,构建空中应急通信网络模型;
步骤2,构建包含节点属性和节点拓扑特征的评价指标体系;
步骤3,结合熵值法和层次分析法获得各个指标的综合权重;
步骤4,基于多属性决策算法对节点的重要性进行排序;
步骤5,根据步骤4的排序结果,选取重要性最高的节点为关键节点。
进一步的,所述步骤1的具体方式为:
假设空中应急通信网络由n个节点组成,节点之间的通信协议相同,通信距离相同,通信链路均为对称链路;将网络模型构建为无权无向的图模型,表示为:
G=(V,L) (1)
其中,V={v1,v2,…,vn}表示网络节点的集合,|V|=n,L={l1,l2,…,lk}表示网络节点间链路的集合,|L|=k。
进一步的,所述步骤2的具体方式为:
步骤201,确定节点属性指标;
将无人机节点按照保障地面用户的重要程度分为四个等级,则节点等级指标表示为:
CG(v)∈{g1,g2,g3,g4} (2)
其中,g1,g2,g3,g4分别代表极端重要、强烈重要、明显重要、一般重要四个等级;
将无人机接入用户的数量定义为节点负载,并作为关键节点识别的一个指标;每个节点接入用户的数量为:
CI(v)∈[0,imax] (3)
其中,imax是无人机节点接入用户数量的上限;
步骤202,确定节点拓扑指标;
1)度中心性
假设与节点v相邻节点的个数为k,则节点v的度中心性CD(v)表示为:
CD(v)=k/(n-1) (4)
2)介数中心性
定义网络中节点v的介数中心性为:
CB(v)=∑s≠v≠t∈Vδst(v) (5)
δst(v)=σst(v)/σst (6)
其中,σst(v)表示节点s→t经过节点v的最短路径数量;σst表示节点s→t的最短路径数量;
3)接近中心性
定义节点v到节点s的最短路径的长度为d(v,s),则节点v的接近中心性CC(v)表示为:
进一步的,所述步骤3的具体方式为:
步骤301,构建规范化矩阵;
选取m=5个评价指标综合判断节点的重要性,构建指标体系F={CD,CB,CC,CG,CI},各节点的指标评分构成以下数据矩阵:
其中,xij表示第i个节点的第j项指标评分;
对X进行标准化处理,得到规范化决策矩阵X′=(x′ij)n×m:
其中,xj表示矩阵X的第j项指标所有的节点;
步骤302,基于熵值法获取指标客观权重;
1)计算第j项指标的熵值ej:
其中,k=1/ln(n);
2)计算各个指标的权重went各个p标-j:
步骤303,基于层次分析法获取指标主观权重;
1)建立层次结构模型:
根据空中应急通信网络关键节点识别的目标及其评价指标,建立“目标层→准则层→方案层”层次结构模型,其中,目标层对应于关键节点,准则层对应于评价指标,方案层对应于无人机节点;
2)构造判断矩阵:
采用两两比较的方法,构造判断矩阵A=(aij)5×5:
其中,aij表示指标i比指标j的重要程度;CD,CB,CC,CG,CI为行标和列标,a表示矩阵内容;CD描述的是节点局部属性,重要性最低,CB,CC描述的都是全局属性,但CC考虑的是节点在网络中的位置,而CB描述的是全网经过目标节点最短路径的数量,CB的重要性在拓扑指标中最高;在所有指标中,CG的重要程度最高,CI的重要程度与拓扑指标CB相同;
3)检验判断矩阵的一致性:
首先利用特征向量法获取判断矩阵的最大特征值λmax(A),然后利用一致性指标CI和随机一致性指标RI获得检验系数CR,公式如下:
其中,m=5,RI的取值只与矩阵A的阶数有关,经查表,RI(m=5)=1.12;经过计算,λmax(A)=5.012,则CI=0.003,检验系数CR=0.003/1.12<0.1,认为判断矩阵A的不一致程度在容许范围之内,通过一致性检验。进一步计算得出各个指标的主观权重为wahp-j={0.0627,0.1940,0.1155,0.4227,0.2051},j=1,2,…,5;
步骤304,综合权重计算;
根据客观权重和主观权重,得到第j项指标的综合权重为:
进一步的,所述步骤4的具体方式为:
1)构造加权规范化矩阵:
根据各个评价指标获得的综合权重,构建加权规范化矩阵:
2)确定正理想解和负理想解:
3)计算各方案与理想解的贴近程度:
4)计算第i个节点的相对贴近度为:
其中,0≤Ci≤1,Ci越接近于1,表示节点i的重要性越高。
本发明的有益效果在于:
1、本发明将无人机的节点等级、节点负载与网络拓扑信息指标相结合,采用熵值法和层析分析法(Analytic Hierarchy Process,简称AHP)获得各个指标的综合权重,并基于多属性决策算法对无人机节点的重要性进行排序,从而实现空中应急通信保障网络的关键节点识别。
2、本发明解决了传统关键节点识别算法构建指标体系不完善、难以给出准确的关键节点、无法满足未来应急通信需求等方面的问题,进一步提升了空中应急通信网络关键节点识别的准确性,增强了空中保障网络的安全性和可靠性。
附图说明
图1为本发明实施例中关键节点识别方法的流程图。
图2为本发明实施例中构建的评价指标体系图。
图3为本发明中层次分析法建立层析结构的模型图。
图4为本发明实施例中多属性决策的流程图。
图5为本发明实施例中仿真实验构建的网络拓扑图。
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,下面将结合具体实施例、相应的附图以及实验验证对本发明的技术方案进行清晰、完整地描述。
一种基于多属性决策算法的网络关键节点识别方法,该方法根据空中应急通信网络保障地面用户的特殊性。如图1所示,该方法首先构建空中应急通信网络模型;其次,根据空中应急通信网络无人机节点自身的特点及其保障用户等级的不同,提出节点负载和节点等级两个重要指标,结合传统网络拓扑指标,构成网络关键节点识别的指标体系;接下来分别从主观和客观的角度出发,采用层次分析法和熵值法获得各个指标的综合权重;然后,基于多属性决策算法对各个节点的重要性进行排序;最后,选择重要性最高的节点作为关键节点。
该方法具体包括以下步骤:
A.构建空中应急通信网络模型
假设空中应急通信网络由n个节点组成,节点之间的通信协议相同,通信距离相同,通信链路均为对称链路。因此,将网络模型构建为无权无向的图模型,表示为
G=(V,L) (1)
其中,={v1,v2,…,vn}表示网络节点的集合,|V|=n,L={l1,l2,…,lk}表示网络节点间链路的集合,|L|=k。
B.构建评价指标体系
构建的空中应急通信网络节点重要性评价的指标如图2所示,包括节点属性指标和节点拓扑指标。节点属性指标是通信节点在应急通信网络中所拥有的可区分特征。其中节点等级是根据该节点保障地面用户的属性确定;节点负载代表的是节点接入用户的数量。节点拓扑指标则从节点在网络拓扑中表现的地位价值评价节点重要性,包括节点的度中心性、介数中心性、接近中心性。
(1)确定节点属性指标
空中应急通信保障网络是将多架搭载通信基站的无人机升空,通过自组织方式建立空中网络,为地面作战用户提供通信保障。当无人机节点在保障非常重要的用户时,其在网络中的重要性也非常高。因为,该节点一旦损毁,整个网络将可能出现通信无法连接的情况。将无人机节点按照保障地面用户的重要程度分为四个等级,每个节点等级的评分可表示为
CG(v)∈{g1,g2,g3,g4} (2)
其中,g1,g2,g3,g4分别代表极端重要、强烈重要、明显重要、一般重要四个等级。
无人机本身存在载荷小,能量有限的缺点,在通信保障任务中所能接入用户的数量有限。用户在超过一定数量后,无人机的能量消耗会急剧增加,生存周期会降低。因此,需要及时发现用户聚集的地区(称为“热区”),并调整无人机网络拓扑。将无人机接入用户的数量定义为节点负载,并作为关键节点识别的一个重要指标。每个节点接入用户的数量表示为
CI(v)∈[0,imax] (3)
其中,imax是无人机节点接入用户数量的上限。
(2)确定节点拓扑指标
1)度中心性
度中心性(Degree Centrality)是网络分析中刻画节点与其他节点联系紧密度的度量指标。一个节点的度越大,度中心值越高,该节点越重要。假设与节点v相邻节点的个数为k,则节点v的度中心性CD(v)表示为
CD(v)=k/(n-1) (4)
2)介数中心性
介数中心性(Betweenness Centrality)基本思想为:某一节点处于网络中所有节点对之间的最短路径上的频率越高,该节点的介数就越大,其重要性就越高。可见,节点介数中心性反映了节点在网络中作为“桥梁”的重要程度。
对于一个网络,节点v的介数中心性定义为
CB(v)=Σs≠v≠t∈Vδst(v) (5)
其中,σst(v)表示节点s→t经过节点v的最短路径数量;σst表示节点s→t的最短路径数量。
3)接近中心性
接近中心性(Closeness Centrality)定义为节点到其他节点的最短路径之和的倒数。其值越大,表示该节点越接近网络的中心。定义节点v到节点s的最短路径的长度为d(v,s),则节点v的接近中心性CC(v)表示为
C.构建规范化矩阵;
选取m=5个评价指标综合判断节点的重要性,构建指标体系F={CD,CB,CC,CG,CI},各节点的指标评分构成以下数据矩阵:
其中,xij表示第i个节点的第j项指标评分;
对X进行标准化处理,得到规范化决策矩阵X′=(x′ij)n×m:
其中,xj表示矩阵X的第j项指标所有的节点;
D.计算指标综合权重;
在综合评价体系中,每个指标的作用、影响程度不同,对总体的贡献不同,因此,需要确定各指标的权重。此处采用主客观相结合的综合权重确定方法。
(1)基于熵值法获取指标客观权重;
1)计算第j项指标的熵值ej:
其中,k=1/ln(n);
2)计算各个指标的权重went各个p标-j:
(2)基于层次分析法获取指标主观权重;
1)建立层次结构模型:
根据空中应急通信网络关键节点识别的目标及其评价指标,建立“目标层→准则层→方案层”层次结构模型,如图3所示。其中,目标层对应于关键节点,准则层对应于评价指标,方案层对应于无人机节点;
2)构造判断矩阵:
AHP法采用两两比较的方法,对准则层中所有指标相对于目标层关键节点的重要性做出主观判断,构造判断矩阵A=(aij)m×m,m表示评估指标的个数,aij表示第i项指标比第j项指标的重要程度。
表1比例标度规则
参考表1的比例标度法,构造判断矩阵A=(aij)5×5:
其中,CD描述的是节点局部属性,重要性最低,CB,CC描述的都是全局属性,但CC考虑的是节点在网络中的位置,而CB描述的是全网经过目标节点最短路径的数量,CB的重要性在拓扑指标中最高;在所有指标中,CG的重要程度最高,CI的重要程度与拓扑指标CB相同。
3)检验判断矩阵的一致性:
首先利用特征向量法获取判断矩阵的最大特征值λmax(A),然后利用一致性指标CI和随机一致性指标RI获得检验系数CR,公式如下:
其中,m=5,RI的取值只与矩阵A的阶数有关,如表2所示。经查表,RI(m=50=1.12;经过计算,λmax(A)=5.012,则CI=0.003,检验系数CR=0.003/1.12<0.1,认为判断矩阵A的不一致程度在容许范围之内,通过一致性检验。进一步计算得出各个指标的主观权重为wahp-j={0.0627,0.1940,0.1155,0.4227,0.2051},j=1,2,…,5。
表2RI的取值
m | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
(3)综合权重计算;
根据客观权重和主观权重,得到第j项指标的综合权重为:
E.基于多属性决策算法识别关键节点;
本方法采用一种多属性决策的分析方法对各个通信节点的重要性进行排序。基于TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)的多属性决策算法根据多个评价对象与理想化目标的接近程度对现有对象进行相对优劣评价,是一种非常有效的多目标决策分析方法。将空中应急通信网络的各个无人机节点看作一种方案,评价指标看作方案的属性,将关键节点识别的问题转换为多属性决策问题。如图4所示,该方法的基本步骤为:
1)构造加权规范化矩阵:
根据各个评价指标获得的综合权重,构建加权规范化矩阵:
2)确定正理想解和负理想解:
3)计算各方案与理想解的贴近程度:
4)计算第i个节点的相对贴近度为:
其中,0≤Ci≤1,Ci越接近于1,表示节点i的重要性越高。
5)对方案的优劣进行排序
根据4)中计算的Ci的大小对各个节点的重要性进行排序,给出关键节点的评价结果。
F.仿真实验
1)构建仿真环境
构建如图5所示的无人机空中应急通信网络仿真环境,由32个节点构成。每个圆圈代表一个无人机通信节点,每个节点为不同等级和不同数量的用户提供通信保障。表3中展示的是每个节点评价指标的值。
表3评价指标对各个节点的评分
2)权重获取
通过熵值法和AHP法获得的综合权重如表4所示。
表4各个指标的权重值
3)实验结果对比
表5所示的是各个方法对32个节点重要性排序的结果。首先,每个指标分别对节点重要性进行排序;其次,在不采用多属性算法的情况下,分别采用熵值法、AHP法以及综合权重法综合5个评价指标对节点重要性排序;接下来,只采用网络拓扑指标,结合多属性决策方法对节点的重要性排序;最后,对网络中各个节点的重要性做出综合评价。
表5识别结果对比表
/>
从表5可以得出以下结论:
1)单个指标的评价结果与综合评价的结果相差较大。由于节点等级指标被认为是空中应急通信网络最重要的指标,因此评价结果与综合评价指标比较接近。其他指标分别从不同角度评价节点的重要性,具有比较大的偏差。
2)仅由拓扑指标获得的节点重要性排序与综合评价的结果相差较大。当网络应用的场景发生变化,节点具有特殊的属性时,网络拓扑指标在关键节点识别时不再具有决定性作用。
3)节点负载指标的作用仅次于节点等级指标,不能被忽略。在拓扑指标评价中,节点5被排序在最后,然而该节点为500多用户提供通信保障,属于热点区域,其重要性也相对较高。
4)本发明提出基于多属性决策算法给出的节点重要性排序比较合理。熵值法、AHP法以及综合权重法均将节点10排在第一位,该节点固然重要,但节点23的等级最高,其保障的用户能够对整个应急救援起到决定性作用,因此节点23最重要是合理的。
可见,在传统网络中,拓扑指标在关键节点识别时起到决定性作用,然而,在传统网络的应用场景发生变化后,网络中的部分节点被赋予了特殊的属性,此时,在进行关键节点识别时,需要添加特殊属性指标进行综合评价,从而获得真正重要的关键节点。
Claims (1)
1.一种多属性决策的空中应急通信网络关键节点识别方法,其特征在于,包括以下步骤:
步骤1,构建空中应急通信网络模型;具体方式为:
假设空中应急通信网络由n个节点组成,节点之间的通信协议相同,通信距离相同,通信链路均为对称链路;将网络模型构建为无权无向的图模型,表示为:
G=(V,L) (1)
其中,V={v1,v2,…,vn}表示网络节点的集合,|V|=n,L={l1,l2,…,lk}表示网络节点间链路的集合,|L|=k;
步骤2,构建包含节点属性和节点拓扑特征的评价指标体系;具体方式为:
步骤201,确定节点属性指标;
将无人机节点按照保障地面用户的重要程度分为四个等级,则节点等级指标表示为:
CG(v)∈{g1,g2,g3,g4} (2)
其中,g1,g2,g3,g4分别代表极端重要、强烈重要、明显重要、一般重要四个等级;
将无人机接入用户的数量定义为节点负载,并作为关键节点识别的一个指标;每个节点接入用户的数量为:
CI(v)∈[0,imax] (3)
其中,imax是无人机节点接入用户数量的上限;
步骤202,确定节点拓扑指标;
1)度中心性
假设与节点v相邻节点的个数为k,则节点v的度中心性CD(v)表示为:
CD(v)=k/(n-1) (4)
2)介数中心性
定义网络中节点v的介数中心性为:
CB(v)=∑s≠v≠t∈Vδst(v) (5)
δst(v)=σst(v)/σst (6)
其中,σst(v)表示节点s→t经过节点v的最短路径数量;σst表示节点s→t的最短路径数量;
3)接近中心性
定义节点v到节点s的最短路径的长度为d(v,s),则节点v的接近中心性CC(v)表示为:
步骤3,结合熵值法和层次分析法获得各个指标的综合权重;具体方式为:
步骤301,构建规范化矩阵;
选取m=5个评价指标综合判断节点的重要性,构建指标体系F={CD,CB,CC,CG,CI},各节点的指标评分构成以下数据矩阵:
其中,xij表示第i个节点的第j项指标评分;
对X进行标准化处理,得到规范化决策矩阵X'=(x'ij)n×m:
其中,xj表示矩阵X的第j项指标所有的节点;
步骤302,基于熵值法获取指标客观权重;
1)计算第j项指标的熵值ej:
其中,k=1/ln(n);
2)计算各个指标的权重wentropy-j:
步骤303,基于层次分析法获取指标主观权重;
1)建立层次结构模型:
根据空中应急通信网络关键节点识别的目标及其评价指标,建立“目标层→准则层→方案层”层次结构模型,其中,目标层对应于关键节点,准则层对应于评价指标,方案层对应于无人机节点;
2)构造判断矩阵:
采用两两比较的方法,构造判断矩阵A=(aij)5×5,aij的取值如下表所示:
其中,aij表示指标i比指标j的重要程度;CD,CB,CC,CG,CI为行标和列标;CD描述的是节点局部属性,重要性最低,CB,CC描述的都是全局属性,但CC考虑的是节点在网络中的位置,而CB描述的是全网经过目标节点最短路径的数量,CB的重要性在拓扑指标中最高;在所有指标中,CG的重要程度最高,CI的重要程度与拓扑指标CB相同;
3)检验判断矩阵的一致性:
首先利用特征向量法获取判断矩阵的最大特征值λmax(A),然后利用一致性指标CI和随机一致性指标RI获得检验系数CR,公式如下:
其中,m=5,RI的取值只与矩阵A的阶数有关,经查表,RI(m=5)=1.12;经过计算,λmax(A)=5.012,则CI=0.003,检验系数CR=0.003/1.12<0.1,认为判断矩阵A的不一致程度在容许范围之内,通过一致性检验,进一步计算得出各个指标的主观权重为wahp-j={0.0627,0.1940,0.1155,0.4227,0.2051},j=1,2,…,5;
步骤304,综合权重计算;
根据客观权重和主观权重,得到第j项指标的综合权重为:
步骤4,基于多属性决策算法对节点的重要性进行排序;具体方式为:
1)构造加权规范化矩阵:
根据各个评价指标获得的综合权重,构建加权规范化矩阵:
2)确定正理想解和负理想解:
3)计算各方案与理想解的贴近程度:
4)计算第i个节点的相对贴近度为:
其中,0≤Ci≤1,Ci越接近于1,表示节点i的重要性越高;
步骤5,根据步骤4的排序结果,选取重要性最高的节点为关键节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499202.1A CN114268547B (zh) | 2021-12-09 | 2021-12-09 | 一种多属性决策的空中应急通信网络关键节点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499202.1A CN114268547B (zh) | 2021-12-09 | 2021-12-09 | 一种多属性决策的空中应急通信网络关键节点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114268547A CN114268547A (zh) | 2022-04-01 |
CN114268547B true CN114268547B (zh) | 2024-06-25 |
Family
ID=80826664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111499202.1A Active CN114268547B (zh) | 2021-12-09 | 2021-12-09 | 一种多属性决策的空中应急通信网络关键节点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114268547B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115622903B (zh) * | 2022-12-19 | 2023-04-07 | 中国人民解放军国防科技大学 | 一种基于网络结构的电信网节点重要度计算方法 |
CN115618082B (zh) * | 2022-12-19 | 2024-04-26 | 中国人民解放军国防科技大学 | 基于节点中心性的大规模网络空间视图展示方法与*** |
CN116562692B (zh) * | 2023-05-11 | 2024-03-22 | 南京航空航天大学 | 一种城市低空无人机航路网络评价方法 |
CN117729058B (zh) * | 2024-02-18 | 2024-04-26 | 四川大学 | 一种应对网络攻击的信息物理***关键节点辨识方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106850254A (zh) * | 2016-12-20 | 2017-06-13 | 国网新疆电力公司信息通信公司 | 一种电力通信网中关键节点识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704542A (zh) * | 2019-10-15 | 2020-01-17 | 南京莱斯网信技术研究院有限公司 | 一种基于节点负载的数据动态分区*** |
CN113285828B (zh) * | 2021-05-19 | 2022-04-29 | 湖南经研电力设计有限公司 | 复杂网络关键节点辨识方法及其电网关键节点辨识方法 |
CN113554323A (zh) * | 2021-07-28 | 2021-10-26 | 河北工业大学 | 面向路网关键节点的应急保障优化设计方法 |
-
2021
- 2021-12-09 CN CN202111499202.1A patent/CN114268547B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106850254A (zh) * | 2016-12-20 | 2017-06-13 | 国网新疆电力公司信息通信公司 | 一种电力通信网中关键节点识别方法 |
Non-Patent Citations (1)
Title |
---|
基于关键节点识别的集群无人机通信网络抗毁性研究;李杰等;《2020中国自动化大会(CAC2020)论文集》;20201106;正文第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN114268547A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114268547B (zh) | 一种多属性决策的空中应急通信网络关键节点识别方法 | |
CN108009710A (zh) | 基于相似度和TrustRank算法的节点测试重要度评估方法 | |
CN112507247B (zh) | 一种融合用户状态信息的跨社交网络用户对齐方法 | |
CN106960390A (zh) | 基于节点聚合度的重叠社区划分方法 | |
CN110662232B (zh) | 一种采用多粒度级联森林评估链路质量的方法 | |
CN115622902A (zh) | 基于网络结构和节点价值的电信网节点重要度计算方法 | |
CN113297429A (zh) | 一种基于神经网络架构搜索的社交网络链路预测方法 | |
CN101478773B (zh) | 一种基于可信度的manet路由协议综合评估方法 | |
Sasirekha et al. | Heterogeneous wireless network vertical handoff decision using hybrid multi-criteria decision-making technique | |
CN112149949A (zh) | 一种基于犹豫模糊及层次分析法的卫星通信***效能评估方法 | |
CN113744072A (zh) | 一种基于深度神经网络融合拓扑和内容社团检测方法 | |
Jiang et al. | On spectral graph embedding: A non-backtracking perspective and graph approximation | |
Wang et al. | [Retracted] Overlapping Community Detection Based on Node Importance and Adjacency Information | |
Wu et al. | A new community detection algorithm based on distance centrality | |
CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
CN115080871A (zh) | 一种跨社交网络社交用户对齐方法 | |
CN112465253B (zh) | 一种城市路网中的链路预测方法及装置 | |
Li et al. | [Retracted] Abnormal Data Detection in Sensor Networks Based on DNN Algorithm and Cluster Analysis | |
Ma et al. | Green wireless local area network received signal strength dimensionality reduction and indoor localization based on fingerprint algorithm | |
CN111274498B (zh) | 一种网络特征社区查找方法 | |
CN113378075A (zh) | 一种自适应融合网络拓扑和节点内容的社团发现方法 | |
Wang | Retracted: Multi‐data multiple gray clustering analysis based on layered mining for ubiquitous clouds and social internet of things | |
Müller et al. | An Integrated Graph Neural Network for Supervised Non-obvious Relationship Detection in Knowledge Graphs. | |
Govindarajan et al. | Network Traffic Prediction Using Radial Kernelized-Tversky Indexes-Based Multilayer Classifier. | |
CN115102909B (zh) | 一种基于ihho-fcm算法的网络流量分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |