CN114866437B - 一种节点检测方法、装置、设备及介质 - Google Patents
一种节点检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114866437B CN114866437B CN202210410989.8A CN202210410989A CN114866437B CN 114866437 B CN114866437 B CN 114866437B CN 202210410989 A CN202210410989 A CN 202210410989A CN 114866437 B CN114866437 B CN 114866437B
- Authority
- CN
- China
- Prior art keywords
- node
- network
- entropy
- detected
- nodes
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/12—Network monitoring probes
-
- 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
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种节点检测方法、装置、设备及介质。方法包括:获取待检测网络中的各节点的网络关联信息;各节点的网络关联信息包含各节点的关联边的权重;根据各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;按照数值从大到小,对各节点的基础熵值进行排序;根据排序结果对各节点的基础熵值进行归一化处理,得到各节点的目标熵值;根据各节点的目标熵值,确定待检测网络中的最关键节点和可忽略节点,将各节点的目标熵值、最关键节点以及可忽略节点提供给用户。本发明实施例可以通过同一数据维度下的熵值,统一度量不同网络中的节点的重要性,直观地体现网络中的各节点的重要程度。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种节点检测方法、装置、设备及介质。
背景技术
网络是由边和节点组成的拓扑结构。许多***可以抽象成为一个网络,***中元素抽象为网络中的节点,元素之间的连接关系抽象为网络中的边。通常情况下,不同的节点对网络的结构和功能具有不同的影响。对网络的结构和功能具有较大影响的节点称作网络中的关键节点。为了更好地监控网络,对网络进行评价,需要确定网络中的关键节点,及时获取网络中的关键节点产生的相关信息。
相关技术中,通常设置节点的评价指标、以及与评价指标对应的一个固定的指标阈值,将评价指标大于指标阈值的节点,确定为网络中的关键节点。针对不同的网络,网络的节点数量不同,网络中的节点的评价指标数值可能存在较大差异。仅通过固定设置的指标阈值对网络中的各节点进行检测,难以统一满足不同网络的节点检测需求,而且无法直观地体现节点的重要程度。
发明内容
本发明提供了一种节点检测方法、装置、设备及介质,以解决相关技术中,仅通过固定设置的指标阈值对网络中的各节点进行检测,难以统一满足不同网络的节点检测需求,而且无法直观地体现节点的重要程度的问题。
根据本发明的一方面,提供了一种节点检测方法,包括:
获取待检测网络中的各节点的网络关联信息;其中,各节点的网络关联信息包含各节点的关联边的权重;
根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;
按照数值从大到小,对所述各节点的基础熵值进行排序;
根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值;
根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户。
根据本发明的另一方面,提供了一种节点检测装置,包括:
信息获取模块,用于获取待检测网络中的各节点的网络关联信息;其中,各节点的网络关联信息包含各节点的关联边的权重;
熵值计算模块,用于根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;
熵值排序模块,用于按照数值从大到小,对所述各节点的基础熵值进行排序;
熵值归一化模块,用于根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值;
结果提供模块,用于根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的节点检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的节点检测方法。
本发明实施例的技术方案,通过获取待检测网络中的各节点的网络关联信息,各节点的网络关联信息包含各节点的关联边的权重;然后根据各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;按照数值从大到小,对各节点的基础熵值进行排序;根据排序结果对各节点的基础熵值进行归一化处理,得到各节点的目标熵值;最后根据各节点的目标熵值,确定待检测网络中的最关键节点和可忽略节点,将各节点的目标熵值、最关键节点以及可忽略节点提供给用户,解决了相关技术中,仅通过固定设置的指标阈值对网络中的各节点进行检测,难以统一满足不同网络的节点检测需求,而且无法直观地体现节点的重要程度的问题,取到了根据网络中的各节点的相关信息,得到归一化处理后的,用于表征各节点对网络的结构和功能的影响以及节点的重要程度的熵值,可以通过同一数据维度下的熵值,统一度量不同网络中的节点的重要性,直观地体现网络中的各节点的重要程度,使得用户可以通过各节点的熵值信息,区分各节点的重要程度,确定网络中的关键节点,优先处理关键节点的相关信息的有益效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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1A为本发明实施例一提供的一种节点检测方法的流程图。
图1B为本发明实施例一提供的一种网络的拓扑图。
图2为本发明实施例二提供的一种节点检测方法的流程图。
图3为本发明实施例三提供的一种节点检测装置的结构示意图。
图4为实现本发明实施例的节点检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当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“目标”、“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“包含”、“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、***、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。
实施例一
图1A为本发明实施例一提供的一种节点检测方法的流程图,本实施例可适用于根据网络中的各节点的相关信息,对网络中的各节点进行检测,确定网络中的各节点的重要程度的情况,该方法可以由节点检测装置来执行,该节点检测装置可以采用硬件和/或软件的形式实现,该节点检测装置可配置于电子设备中。如图1A所示,该方法包括:
步骤101、获取待检测网络中的各节点的网络关联信息。
其中,各节点的网络关联信息包含各节点的关联边的权重。
可选的,待检测网络为需要确定网络中的各节点的重要程度的一个或多个网络。网络是由边和节点组成的拓扑结构。待检测网络中包含多个节点和多条边。与节点相连的边为节点的关联边。通过一条边相连的两个节点互为关联节点。
可选的,节点的网络关联信息是与节点在网络中的连接关系相关的信息。节点的网络关联信息包含节点的关联边的权重。关联边的权重可以是网络的管理人员为关联边设置的权重。
可选的,待检测网络的管理人员为待检测网络的各节点的每一条关联边设置一个权重。权重越高的关联边,重要度越高,表明关联边对应的连接关系对整个待检测网络来说具有较大影响或者更有价值。
可选的,所述获取待检测网络中的各节点的网络关联信息,包括:获取用户上传的待检测网络中的各节点的网络关联信息。用户可以为待检测网络的管理人员。用户将待检测网络中的各节点的网络关联信息上传至电子设备。电子设备获取用户上传的待检测网络中的各节点的网络关联信息。
步骤102、根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值。
可选的,预设的节点熵值计算公式是用于计算节点的熵值的计算公式。节点的熵值表征了节点对节点所在网络的结构和功能的影响。因此,节点的熵值可以被看作是代表节点的重要程度的度量。节点的熵值越大,表征了节点对节点所在网络的结构和功能的影响越大,节点的重要程度越高。节点的熵值越小,表征了节点对节点所在网络的结构和功能的影响越小,节点的重要程度越低。节点的基础熵值是根据预设的节点熵值计算公式,直接计算得到的节点的熵值。
可选的,根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值,包括:针对待检测网络中的每一个节点执行下述操作:根据节点的关联边的权重、所述待检测网络中的所有边的权重,计算节点在所述待检测网络中的概率;根据节点在所述待检测网络中的概率、以及预设的节点熵值计算公式,计算节点的基础熵值。
可选的,根据节点的关联边的权重、所述待检测网络中的全部节点的关联边的权重,计算节点在所述待检测网络中的概率,包括:使用下述计算公式,计算节点在所述待检测网络中的概率:
其中,pi为节点在所述待检测网络中的概率,ki为节点的关联边的权重之和,|E|为所述待检测网络中的所有边的权重之和。对节点的所有关联边的权重进行求和,得到节点的关联边的权重之和。根据各节点的关联边的权重,可以确定所述待检测网络中的每一条边的权重。对所述待检测网络中的所有边的权重进行求和,得到所述待检测网络中的所有边的权重之和。
可选的,根据节点在所述待检测网络中的概率、以及预设的节点熵值计算公式,计算节点的基础熵值,包括:使用下述节点熵值计算公式,计算节点的基础熵值:
其中,Entropy为节点的基础熵值,pi为节点在所述待检测网络中的概率,ki为节点的关联边的权重之和,|Ei|为节点与其所有的关联节点构成的子网络中的所有边的权重之和。
在一个具体实例中,如图1B所示,网络中包含9个节点:节点1、节点2、节点3、节点4、节点5、节点6、节点7、节点8以及节点9。图1B中标注了每一条边的权重。节点2的关联节点包括:节点1、节点3、节点5以及节点6。节点2的关联边的权重之和=1+2+3+5=11。节点与其所有的关联节点构成的子网络中的所有边的权重之和=1+2+3+5+1=12。
可选的,根据节点在所述待检测网络中的概率、以及预设的节点熵值计算公式,计算节点的基础熵值,包括:使用下述节点熵值计算公式,计算节点的基础熵值:
Entropy=-pi*log2(pi)-(1-pi)*log2(1-pi),
其中,Entropy为节点的基础熵值,pi为节点在所述待检测网络中的概率。
步骤103、按照数值从大到小,对所述各节点的基础熵值进行排序。
可选的,按照数值从大到小,对所述各节点的基础熵值进行排序。位于排序结果的第一位的基础熵值最大,位于所述排序结果的最后一位的基础熵值最小。
步骤104、根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值。
可选的,各节点的目标熵值是进行归一化处理后的基础熵值。
可选的,所述根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值,包括:针对每一个节点执行下述操作:使用下述归一化公式,计算节点的目标熵值:
vEntropy=Entropy/maxEntropy,
其中,vEntropy为节点的目标熵值,Entropy为节点的基础熵值,maxEntropy为位于所述排序结果的第一位的基础熵值。
使用上述归一化处理方式得到的各节点的目标熵值的取值范围为(0,1],目标熵值为1的节点是各节点中的目标熵值最大的节点。
可选的,针对使用上述归一化处理方式得到的各节点的目标熵值,所述根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,包括:将各节点中的目标熵值为1的节点,确定为所述待检测网络中的最关键节点;按照数值从小到大,对所述各节点的目标熵值进行排序,将目标熵值位于排序结果的第一位的节点,确定为所述待检测网络中的可忽略节点。
可选的,所述待检测网络中的最关键节点是对待检测网络的结构和功能的影响最大,重要程度最高的节点。目标熵值为1的节点是各节点中的目标熵值最大的节点,表征了其对待检测网络的结构和功能的影响最大,重要程度最高。因此,将各节点中的目标熵值为1的节点,确定为所述待检测网络中的最关键节点。
可选的,所述待检测网络中的可忽略节点是对待检测网络的结构和功能的影响最小,重要程度最低的节点。按照数值从小到大,对所述各节点的目标熵值进行排序,位于排序结果的第一位的节点是各节点中的目标熵值最小的节点,表征了其对待检测网络的结构和功能的影响最小,重要程度最低。因此,将目标熵值位于排序结果的第一位的节点,确定为所述待检测网络中的可忽略节点。
可选的,所述根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值,包括:针对每一个节点执行下述操作:使用下述归一化公式,计算节点的目标熵值:
vEntropy=(Entropy-vmin)/(vmax-vmin),
其中,vEntropy为节点的目标熵值,Entropy为节点的基础熵值,vmax为位于所述排序结果的第一位的基础熵值,vmin为位于所述排序结果的最后一位的基础熵值。
使用上述归一化处理方式得到的各节点的目标熵值的取值范围为[0,1],目标熵值为1的节点是各节点中的目标熵值最大的节点,目标熵值为0的节点是各节点中的目标熵值最小的节点。
可选的,针对使用上述归一化处理方式得到的各节点的目标熵值,所述根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,包括:将各节点中的目标熵值为1的节点,确定为所述待检测网络中的最关键节点;将各节点中的目标熵值为0的节点,确定为所述待检测网络中的可忽略节点。
步骤105、根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户。
可选的,用户可以为待检测网络的管理人员。
可选的,所述将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户,包括:通过检测结果展示页面,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户。
可选的,检测结果展示页面是用于向用户展示与待检测网络中的各节点相关的节点检测结果的页面。通过检测结果展示页面,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户,包括:在检测结果展示页面中的最关键节点显示区域,显示所述最关键节点的标识信息,以使用户确定所述待检测网络中的最关键节点;在检测结果展示页面中的可忽略节点显示区域,显示所述可忽略节点的标识信息,以使用户确定所述待检测网络中的可忽略节点;在检测结果展示页面中的熵值显示区域,显示所述各节点的标识信息、以及所述各节点的目标熵值,以使用户根据所述各节点的目标熵值,确定所述待检测网络中的各节点的重要程度。
可选的,最关键节点显示区域是用于显示最关键节点的相关信息的页面区域。可忽略节点显示区域是用于显示可忽略节点的相关信息的页面区域。熵值显示区域是用于显示待检测网络中的各节点的目标熵值的页面区域。节点的标识信息是用于唯一标识节点的信息。根据节点的标识信息,可以区分不同的节点。
本发明实施例的技术方案,通过获取待检测网络中的各节点的网络关联信息,各节点的网络关联信息包含各节点的关联边的权重;然后根据各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;按照数值从大到小,对各节点的基础熵值进行排序;根据排序结果对各节点的基础熵值进行归一化处理,得到各节点的目标熵值;最后根据各节点的目标熵值,确定待检测网络中的最关键节点和可忽略节点,将各节点的目标熵值、最关键节点以及可忽略节点提供给用户,解决了相关技术中,仅通过固定设置的指标阈值对网络中的各节点进行检测,难以统一满足不同网络的节点检测需求,而且无法直观地体现节点的重要程度的问题,取到了根据网络中的各节点的相关信息,得到归一化处理后的,用于表征各节点对网络的结构和功能的影响以及节点的重要程度的熵值,可以通过同一数据维度下的熵值,统一度量不同网络中的节点的重要性,直观地体现网络中的各节点的重要程度,使得用户可以通过各节点的熵值信息,区分各节点的重要程度,确定网络中的关键节点,优先处理关键节点的相关信息的有益效果。
实施例二
图2为本发明实施例二提供的一种节点检测方法的流程图,本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示,该方法包括:
步骤201、获取用户上传的待检测网络中的各节点的网络关联信息。
其中,各节点的网络关联信息包含各节点的关联边的权重。
可选的,用户将待检测网络中的各节点的网络关联信息上传至电子设备。电子设备获取用户上传的待检测网络中的各节点的网络关联信息。
步骤202、根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值。
步骤203、按照数值从大到小,对所述各节点的基础熵值进行排序。
步骤204、根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值。
步骤205、根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,通过检测结果展示页面,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户。
可选的,检测结果展示页面是用于向用户展示与待检测网络中的各节点相关的节点检测结果的页面。
可选的,通过检测结果展示页面,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户,包括:在检测结果展示页面中的最关键节点显示区域,显示所述最关键节点的标识信息,以使用户确定所述待检测网络中的最关键节点;在检测结果展示页面中的可忽略节点显示区域,显示所述可忽略节点的标识信息,以使用户确定所述待检测网络中的可忽略节点;在检测结果展示页面中的熵值显示区域,显示所述各节点的标识信息、以及所述各节点的目标熵值,以使用户根据所述各节点的目标熵值,确定所述待检测网络中的各节点的重要程度。
可选的,最关键节点显示区域是用于显示最关键节点的相关信息的页面区域。可忽略节点显示区域是用于显示可忽略节点的相关信息的页面区域。熵值显示区域是用于显示待检测网络中的各节点的目标熵值的页面区域。节点的标识信息是用于唯一标识节点的信息。根据节点的标识信息,可以区分不同的节点。
本发明实施例的技术方案,取到了根据网络中的各节点的相关信息,得到归一化处理后的,用于表征各节点对网络的结构和功能的影响以及节点的重要程度的熵值,可以通过同一数据维度下的熵值,统一度量不同网络中的节点的重要性,直观地体现网络中的各节点的重要程度,使得用户可以通过各节点的熵值信息,区分各节点的重要程度,确定网络中的关键节点,优先处理关键节点的相关信息的有益效果。
实施例三
图3为本发明实施例三提供的一种节点检测装置的结构示意图。所述装置可以配置于电子设备中。如图3所示,所述装置包括:信息获取模块301、熵值计算模块302、熵值排序模块303、熵值归一化模块304以及结果提供模块305。
其中,信息获取模块301,用于获取待检测网络中的各节点的网络关联信息;其中,各节点的网络关联信息包含各节点的关联边的权重;熵值计算模块302,用于根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;熵值排序模块303,用于按照数值从大到小,对所述各节点的基础熵值进行排序;熵值归一化模块304,用于根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值;结果提供模块305,用于根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户。
本发明实施例的技术方案,通过获取待检测网络中的各节点的网络关联信息,各节点的网络关联信息包含各节点的关联边的权重;然后根据各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;按照数值从大到小,对各节点的基础熵值进行排序;根据排序结果对各节点的基础熵值进行归一化处理,得到各节点的目标熵值;最后根据各节点的目标熵值,确定待检测网络中的最关键节点和可忽略节点,将各节点的目标熵值、最关键节点以及可忽略节点提供给用户,解决了相关技术中,仅通过固定设置的指标阈值对网络中的各节点进行检测,难以统一满足不同网络的节点检测需求,而且无法直观地体现节点的重要程度的问题,取到了根据网络中的各节点的相关信息,得到归一化处理后的,用于表征各节点对网络的结构和功能的影响以及节点的重要程度的熵值,可以通过同一数据维度下的熵值,统一度量不同网络中的节点的重要性,直观地体现网络中的各节点的重要程度,使得用户可以通过各节点的熵值信息,区分各节点的重要程度,确定网络中的关键节点,优先处理关键节点的相关信息的有益效果。
在本发明实施例的一个可选实施方式中,可选的,信息获取模块301具体用于:获取用户上传的待检测网络中的各节点的网络关联信息。
在本发明实施例的一个可选实施方式中,可选的,熵值归一化模块304具体用于:针对每一个节点执行下述操作:使用下述归一化公式,计算节点的目标熵值:
vEntropy=Entropy/mamEntropy,
其中,vEntropy为节点的目标熵值,Entropy为节点的基础熵值,maxEntropy为位于所述排序结果的第一位的基础熵值。
在本发明实施例的一个可选实施方式中,可选的,结果提供模块305在执行根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点的操作时,具体用于:将各节点中的目标熵值为1的节点,确定为所述待检测网络中的最关键节点;按照数值从小到大,对所述各节点的目标熵值进行排序,将目标熵值位于排序结果的第一位的节点,确定为所述待检测网络中的可忽略节点。
在本发明实施例的一个可选实施方式中,可选的,熵值归一化模块304具体用于:针对每一个节点执行下述操作:使用下述归一化公式,计算节点的目标熵值:
vEntropy=(Entropy-vmin)/(vmax-vmin),
其中,vEntropy为节点的目标熵值,Entropy为节点的基础熵值,vmax为位于所述排序结果的第一位的基础熵值,vmin为位于所述排序结果的最后一位的基础熵值。
在本发明实施例的一个可选实施方式中,可选的,结果提供模块305在执行根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点的操作时,具体用于:将各节点中的目标熵值为1的节点,确定为所述待检测网络中的最关键节点;将各节点中的目标熵值为0的节点,确定为所述待检测网络中的可忽略节点。
在本发明实施例的一个可选实施方式中,可选的,结果提供模块305在执行将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户的操作时,具体用于:通过检测结果展示页面,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
上述节点检测装置可执行本发明任意实施例所提供的节点检测方法,具备执行节点检测方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实现本发明实施例的节点检测方法的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18构建到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如节点检测方法。
在一些实施例中,节点检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序构建到RAM 13并由处理器11执行时,可以执行上文描述的节点检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行节点检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的节点检测方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种节点检测方法,其特征在于,包括:
获取待检测网络中的各节点的网络关联信息;其中,各节点的网络关联信息包含各节点的关联边的权重;
根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;
按照数值从大到小,对所述各节点的基础熵值进行排序;
根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值;
根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户;其中,所述用户为待检测网络的管理人员;
所述根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值,包括:
根据节点的关联边的权重、所述待检测网络中的所有边的权重,计算节点在所述待检测网络中的概率;
根据节点在所述待检测网络中的概率、以及预设的节点熵值计算公式,计算节点的基础熵值;
所述根据节点的关联边的权重、所述待检测网络中的全部节点的关联边的权重,计算节点在所述待检测网络中的概率,包括:
通过下述计算公式,计算节点在所述待检测网络中的概率:
其中,pi为节点在所述待检测网络中的概率,ki为节点的关联边的权重之和,|E|为所述待检测网络中的所有边的权重之和;
所述根据节点在所述待检测网络中的概率、以及预设的节点熵值计算公式,计算节点的基础熵值,包括:
通过下述节点熵值计算公式,计算节点的基础熵值:
其中,Entropy为节点的基础熵值,pi为节点在所述待检测网络中的概率,ki为节点的关联边的权重之和,|Ei|为节点与其所有的关联节点构成的子网络中的所有边的权重之和。
2.根据权利要求1所述的方法,其特征在于,所述获取待检测网络中的各节点的网络关联信息,包括:
获取用户上传的待检测网络中的各节点的网络关联信息。
3.根据权利要求1所述的方法,其特征在于,所述根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值,包括:
针对每一个节点执行下述操作:
使用下述归一化公式,计算节点的目标熵值:
vEntropy=Entropy/maxEntropy,
其中,vEntropy为节点的目标熵值,Entropy为节点的基础熵值,maxEntropy为位于所述排序结果的第一位的基础熵值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,包括:
将各节点中的目标熵值为1的节点,确定为所述待检测网络中的最关键节点;
按照数值从小到大,对所述各节点的目标熵值进行排序,将目标熵值位于排序结果的第一位的节点,确定为所述待检测网络中的可忽略节点。
5.根据权利要求1所述的方法,其特征在于,所述根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值,包括:
针对每一个节点执行下述操作:
使用下述归一化公式,计算节点的目标熵值:
vEntropy=(Entropy-vmin)/(vmax-vmin),
其中,vEntropy为节点的目标熵值,Entropy为节点的基础熵值,vmax为位于所述排序结果的第一位的基础熵值,vmin为位于所述排序结果的最后一位的基础熵值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,包括:
将各节点中的目标熵值为1的节点,确定为所述待检测网络中的最关键节点;
将各节点中的目标熵值为0的节点,确定为所述待检测网络中的可忽略节点。
7.根据权利要求1所述的方法,其特征在于,所述将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户,包括:
通过检测结果展示页面,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户。
8.一种节点检测装置,其特征在于,包括:
信息获取模块,用于获取待检测网络中的各节点的网络关联信息;其中,各节点的网络关联信息包含各节点的关联边的权重;
熵值计算模块,用于根据所述各节点的关联边的权重、以及预设的节点熵值计算公式,计算各节点的基础熵值;
熵值排序模块,用于按照数值从大到小,对所述各节点的基础熵值进行排序;
熵值归一化模块,用于根据排序结果对所述各节点的基础熵值进行归一化处理,得到各节点的目标熵值;
结果提供模块,用于根据所述各节点的目标熵值,确定所述待检测网络中的最关键节点和可忽略节点,将所述各节点的目标熵值、所述最关键节点以及所述可忽略节点提供给用户;其中,所述用户为待检测网络的管理人员;
所述熵值计算模块,具体用于:
根据节点的关联边的权重、所述待检测网络中的所有边的权重,计算节点在所述待检测网络中的概率;
根据节点在所述待检测网络中的概率、以及预设的节点熵值计算公式,计算节点的基础熵值;
所述根据节点的关联边的权重、所述待检测网络中的全部节点的关联边的权重,计算节点在所述待检测网络中的概率,包括:
通过下述计算公式,计算节点在所述待检测网络中的概率:
其中,pi为节点在所述待检测网络中的概率,ki为节点的关联边的权重之和,|E|为所述待检测网络中的所有边的权重之和;
所述根据节点在所述待检测网络中的概率、以及预设的节点熵值计算公式,计算节点的基础熵值,包括:
通过下述节点熵值计算公式,计算节点的基础熵值:
其中,Entropy为节点的基础熵值,pi为节点在所述待检测网络中的概率,ki为节点的关联边的权重之和,|Ei|为节点与其所有的关联节点构成的子网络中的所有边的权重之和。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的节点检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的节点检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410989.8A CN114866437B (zh) | 2022-04-19 | 2022-04-19 | 一种节点检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410989.8A CN114866437B (zh) | 2022-04-19 | 2022-04-19 | 一种节点检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114866437A CN114866437A (zh) | 2022-08-05 |
CN114866437B true CN114866437B (zh) | 2023-11-21 |
Family
ID=82632076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410989.8A Active CN114866437B (zh) | 2022-04-19 | 2022-04-19 | 一种节点检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114866437B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115767281A (zh) * | 2022-11-09 | 2023-03-07 | 长春奥普光电技术股份有限公司 | 基于fpga实现图像熵值的自动曝光控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008051258A2 (en) * | 2005-12-21 | 2008-05-02 | University Of South Carolina | Methods and systems for determining entropy metrics for networks |
EP3026600A2 (en) * | 2014-11-27 | 2016-06-01 | Samsung Electronics Co., Ltd | Method and apparatus for extending neural network |
CN105721207A (zh) * | 2016-01-29 | 2016-06-29 | 国家电网公司 | 电力通信网中通信节点重要度的确定方法和装置 |
CN109471994A (zh) * | 2018-10-22 | 2019-03-15 | 西南石油大学 | 网络关键节点检测方法及*** |
CN110659799A (zh) * | 2019-08-14 | 2020-01-07 | 深圳壹账通智能科技有限公司 | 基于关系网络的属性信息处理方法、装置、计算机设备和存储介质 |
CN112700124A (zh) * | 2020-12-29 | 2021-04-23 | 长安大学 | 多层交通网络mrwc节点重要性排序方法、***、电子设备及计算机可读存储介质 |
CN114090860A (zh) * | 2021-11-12 | 2022-02-25 | 云南大学 | 一种加权网络节点重要性确定方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9929909B2 (en) * | 2015-08-31 | 2018-03-27 | International Business Machines Corporation | Identifying marginal-influence maximizing nodes in networks |
US11522978B2 (en) * | 2020-08-31 | 2022-12-06 | Huawei Technologies Co., Ltd. | Methods, systems, and media for network model checking using entropy based BDD compression |
-
2022
- 2022-04-19 CN CN202210410989.8A patent/CN114866437B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008051258A2 (en) * | 2005-12-21 | 2008-05-02 | University Of South Carolina | Methods and systems for determining entropy metrics for networks |
EP3026600A2 (en) * | 2014-11-27 | 2016-06-01 | Samsung Electronics Co., Ltd | Method and apparatus for extending neural network |
CN105721207A (zh) * | 2016-01-29 | 2016-06-29 | 国家电网公司 | 电力通信网中通信节点重要度的确定方法和装置 |
CN109471994A (zh) * | 2018-10-22 | 2019-03-15 | 西南石油大学 | 网络关键节点检测方法及*** |
CN110659799A (zh) * | 2019-08-14 | 2020-01-07 | 深圳壹账通智能科技有限公司 | 基于关系网络的属性信息处理方法、装置、计算机设备和存储介质 |
CN112700124A (zh) * | 2020-12-29 | 2021-04-23 | 长安大学 | 多层交通网络mrwc节点重要性排序方法、***、电子设备及计算机可读存储介质 |
CN114090860A (zh) * | 2021-11-12 | 2022-02-25 | 云南大学 | 一种加权网络节点重要性确定方法及*** |
Non-Patent Citations (2)
Title |
---|
基于灰色关联分析的复杂网络节点重要性综合评价方法;张琨;沈海波;张宏;蒋黎明;衷宜;;南京理工大学学报(04);全文 * |
林鸿基 ; 林振智 ; 林冠强 ; 莫天文 ; .基于信息熵权和层次分析法的电网关键节点识别.广东电力.(12),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114866437A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN114866437B (zh) | 一种节点检测方法、装置、设备及介质 | |
CN113904943B (zh) | 账号检测方法、装置、电子设备和存储介质 | |
CN113657249B (zh) | 训练方法、预测方法、装置、电子设备以及存储介质 | |
CN116679167A (zh) | 一种电缆的局部放电定位方法、设备及存储介质 | |
CN116743474A (zh) | 决策树生成方法、装置、电子设备及存储介质 | |
CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
CN116226644A (zh) | 设备故障类型的确定方法、装置、电子设备及存储介质 | |
CN116012859A (zh) | 基于清晰度指标的文本图像拒识判断方法、装置及设备 | |
CN117112445B (zh) | 一种机器学习模型稳定性检测方法、装置、设备及介质 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN117591576A (zh) | 基于结点相似度的重叠社区划分方法、装置、设备及介质 | |
CN113360798B (zh) | 泛滥数据识别方法、装置、设备和介质 | |
CN116111562A (zh) | 一种配电网可靠性确定方法、装置、设备及存储介质 | |
CN117235500A (zh) | 物资类别的识别方法、装置、电子设备及存储介质 | |
CN118210670A (zh) | 日志异常检测方法、装置、电子设备及存储介质 | |
CN116308455A (zh) | 一种贸易网络中枢纽区域的识别方法和装置 | |
CN115640202A (zh) | 一种服务程序的性能检测方法、装置及存储介质 | |
CN118191935A (zh) | 基于边缘检测的断层识别方法、装置、电子设备和介质 | |
CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
CN117493060A (zh) | 数据库组件异常检测方法、装置、设备及介质 | |
CN116931083A (zh) | 一种方位角道集划分方案的确定方法 | |
CN117197051A (zh) | 一种缺陷分级方法、装置、电子设备及存储介质 | |
CN117540698A (zh) | 一种权重可变的sram选择方法、装置、设备及介质 |
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 |