局部扭立方体网络中网络嵌入问题的研究

局部扭立方体网络LTQ_n(Locally Twisted Cube)作为超立方体网络Q_n(Hypercube)的优化变种网络,具有很多优良的特性。依据局部扭立方体网络的性质及图嵌入的理论提出二项树、交换超立方体网络和超立方体网络嵌入到局部扭立方体网络的方案,并严格证明了这几种嵌入映射的扩张率、拥塞度及负载等都是最小的,这说明了局部扭立方体网络具有很好的通用性。     

交换超立方体网络的网络嵌入研究

本文主要研究超立方网和星型网嵌入交换超立方体网络的问题。首先,利用图形嵌入的方法,设计了超立方网到交换超立方体网络的嵌入映射,分析并证明了该嵌入映射所具有的评价性能。其次,给出了星型网到交换超立方体网络两种嵌入策略,也就是所谓的优化嵌入映射和奇偶嵌入映射,进而给出了具有更小的扩张率的星型网到另一种交换超立方体网络的嵌入方法。     

三维片上网络高维超立方裂变拓扑结构研究

三维片上网络是解决片上网络通讯瓶颈的重要途径,拓扑结构是三维片上网络研究中的关键问题之一。针对高维超立方拓扑结构节点度迅速增加,出现通讯瓶颈的问题,提出一种高维超立方裂变拓扑结构,该拓扑在同等网络规模下具有网络直径短、可扩展性强等优点。以五维超立方裂变拓扑结构为例进行了仿真实验,并与3D Mesh拓扑结构进行了对比分析:当两种拓扑结构在均匀负载状态下达到饱和时,五维超立方裂变拓扑结构的吞吐量比3D Mesh拓扑结构高300%,平均延时比3D Mesh拓扑结构低85.1%,平均跳数比3D Mesh拓扑结构少21.5%;在局部负载下,五维超立方裂变拓扑结构的平均延时比3D Mesh拓扑结构低79.1%,平均跳数比3D Mesh拓扑结构少13.3%。仿真实验表明提出的网络拓扑结构既保留了原有超立方体拓扑结构的优点,又解决了高维超立方体拓扑结构的通讯瓶颈问题。     

基于超立方体拓扑结构的NoC测试规划研究

为了优化测试时间,提高片上网络(NoC)资源内核的测试效率,结合NoC测试特点,提出一种基于超立方体拓扑结构的NoC测试规划优化方法。该方法针对超立方体结构自身优势设计一种具有部分自适应能力的E-cube路由算法,增加测试过程中对路由节点和通信链路的利用率;通过引入混度序列和压缩因子对粒子算法进行改进,增加种群多样性。在ITC’02国际标准电路测试集上进行对比实验,结果表明,与其他方法相比,该方法测试时间最大优化率可达17.38%,有效缩短了测试时间。     

层次环网络的教育资源共享结构及相关策略分析*

针对教育资源共享问题,设计了教育资源共享网络体系结构,定义了各层节点的功能。在此基础上,将层次环网络拓扑引入到节点组织模型中,详细给出了实现网络结构连接的方案。然后,基于层次环网络给出了一系列提高系统服务质量的策略,包括节点的加入/离开、代理、分布式资源检索策略。通过理论分析比较,证实了采用层次环网络的优势和相关策略的有效性。     

P2P网络中集散节点分布式处理控制模型*

对目前P2P网络中集散节点现象进行了研究,阐述了对集散节点进行基于超立方体结构的分布式处理控制思想,提出了一种全新的通过控制P2P网络的逻辑拓扑结构来避免集散节点形成的思路,给出了控制模型以及实现控制模型的具体算法,并对算法进行了复杂度分析,最后通过仿真证明了本控制模型能有效控制网络中集散节点的形成。所以本控制模型能提高P2P网络抗协同攻击的能力,增强网络的健壮性,从而达到保障P2P网络可持续健康发展的目的。     

融合全局结构信息的拓扑优化图卷积网络

基于拓扑优化的图卷积网络(TOGCN)是一类图卷积神经网络(GCNN)模型,它通过网络中的辅助信息优化网络拓扑结构,有利于反映节点间的联系程度;然而TOGCN模型仅注重局部节点之间的关联关系,对网络潜在的全局结构信息关注不足.融合全局特征信息,有助于提高模型的性能和处理信息缺失时的鲁棒性.提出了融合全局结构信息的拓扑优...     

无线传感器网络的拓扑控制研究*

讨论了拓扑控制的目标,利用随机图理论研究了无线传感器网络拓扑控制的模型及代表性算法;基于网络结构的不同,分析和比较了无线传感器网络中各种拓扑控制机制的特征;深层剖析了无线传感器网络拓扑控制与连通、调度之间的关系;最后对拓扑控制亟待解决的问题进行了总结和展望。     

提升图嵌入框架及在表情识别中的应用 *

提出了一种提升图嵌入框架用于特征提取和选择 ,以及一种新的近邻权重计算方法 ,称为分类图。传统图嵌入模型的近邻权重采用欧氏距离 ,不能被提升算法所更新 ;相比较 ,分类图采用的是提升算法中样本的权重,反映的是样本在分类过程中的重要程度 ,有效地提高了图嵌入模型的分类性能。在通用人脸表情库上的识别实验结果验证了提升图嵌入模型的有效性。     

光纤通道及其交换型拓扑结构分析

光纤通道是新一代网络和总线技术,具有延迟低、兼容性好、可靠性高、传输速度快和传输距离远等优点。该文介绍了光纤通道协议,对其拓扑结构尤其是交换型拓扑结构做了分析。     

Fault-Tolerant Hamiltonicity and Hamiltonian Connectivity of BCube with Various Faulty Elements

BCube is one kind of important data center networks. Hamiltonicity and Hamiltonian connectivity have significant applications in communication networks. So far, there have been many results concerning fault-tolerant Hamiltonicity and fault-tolerant Hamiltonian connectivity in some data center networks. However, these results only consider faulty edges and faulty servers. In this paper, we study the fault-tolerant Hamiltonicity and the fault-tolerant Hamiltonian connectivity of BCube(n, k) under considering faulty servers, faulty links/edges, and faulty switches. For any integers n ≥ 2 and k ≥ 0, let BC_n,k be the logic structure of BCube(n, k) and F be the union of faulty elements of BC_n,k. Let f_v, f_e, and f_s be the number of faulty servers, faulty edges, and faulty switches of BCube(n, k), respectively. We show that BC_n,k-F is fault-tolerant Hamiltonian if f_v + f_e + (n-1)f_s ≤ (n-1)(k + 1)-2 and BC_n,k-F is fault-tolerant Hamiltonian-connected if f_v + f_e + (n-1)f_s ≤ (n-1)(k + 1)-3. To the best of our knowledge, this paper is the first work which takes faulty switches into account to study the fault-tolerant Hamiltonicity and the fault-tolerant Hamiltonian connectivity in data center networks.     

Embedding of special classes of circulant networks,hypercubes and generalized Petersen graphs

Hypercubes are a very popular model for parallel computation because of their regularity and the relatively small number of interprocessor connections. In this paper, we present an algorithm for embedding special class of circulant networks into their optimal hypercubes with dilation 2 and prove its correctness. Also, we embed special class of circulant networks into special class of generalized Petersen graphs with dilation 2 and vice versa.     

软件定义数据中心内一种基于拓扑感知的VDC映射算法

在云计算中,服务提供商(service provider, SP)可以向基础设施提供商(infrastructure provider, InP)按需租赁资源并部署服务.SP只需专注于自己的服务即可,无需考虑设备成本与维护代价.然而传统InP仅以虚拟机的方式提供资源,并不保证网络性能与带宽隔离.随着网络虚拟化技术的发展,尤其是软件定义网络(software defined networking, SDN)概念的提出,一些研究人员建议InP以虚拟数据中心(virtual data center, VDC)的方式为SP提供资源,以解决传统数据中心的上述问题.尽管以VDC的方式分配资源具有诸多的优势,也带来了一项新的挑战,如何满足SP的多样化需求,以最小的代价、最大的收益为VDC分配资源,这是一个NP-hard问题.为解决VDC映射问题,提出了一种基于拓扑势和模块度的启发式映射算法,折衷租户的可靠性需求与映射代价,并提高InP收益.最后,基于收益代价比门限经验值,提出一种动态监控策略,选择高收益代价比的VDC请求,进一步最大化InP的利润.大量的仿真实验证明该算法可以以最小的代价接受更多的请求,同时提高InP收益.     

交叉立方体中嵌入超立方体的研究

Efe提出的交叉立方体(crossedcube)是超立方体(hypercube)的一种变型。但是,交叉立方体的某些性质却优于超立方体,其直径几乎是超立方体的一半。在本文中,研究了用交叉立方体互连网络来模拟超立方体互连网络,其实质是图嵌入问题,得出了以下结论:当n≤2,2n维交叉立方体CQ2n可同构嵌入两个n 1维立方体Qn 1。当n≥3,2n维交叉立方体CQ2n可同胚嵌入n 1维超立方体Qn 1。     

图嵌入模型综述

图分析用于深入挖掘图数据的内在特征,然而图作为非欧几里德数据,传统的数据分析方法普遍存在较高的计算量和空间开销。图嵌入是一种解决图分析问题的有效方法,其将原始图数据转换到低维空间并保留关键信息,从而提升节点分类、链接预测、节点聚类等下游任务的性能。与以往的研究不同,同时对静态图和动态图嵌入文献进行全面回顾,提出一种静态图嵌入和动态图嵌入通用分类方法,即基于矩阵分解的图嵌入、基于随机游走的图嵌入、基于自编码器的图嵌入、基于图神经网络(GNN)的图嵌入和基于其他方法的图嵌入。其次,对静态图和动态图方法的理论相关性进行分析,对模型核心策略、下游任务和数据集进行全面总结。最后,提出了四个图嵌入的潜在研究方向。     

一种新的基于嵌入集的图分类方法

随着图数据收集技术在许多科学领域的发展,对图数据分类已成为机器学习和数据挖掘领域的重要课题.目前已经提出许多图分类方法.其中,一些图分类方法采用3步来构筑分类模型;一些图分类方法采用2步来构筑分类模型.这些方法在挖掘频繁子图或特征子图时,只考虑到子图的结构信息,而没有考虑到子图的嵌入信息.为此,在L-CCAM子图编码的基础上,提出了一种基于嵌入集的图分类方法.该方法采用基于类别信息的特征子图选择策略,不但考虑了子图的结构信息,而且在频繁子图挖掘过程中充分利用嵌入信息——嵌入集,通过一步即直接选择特征子图以及生成分类规则.实验结果表明：在对化合物数据分类时,在分类精度上该方法优于采用3步的图分类方法;在运行效率上该方法优于采用2步和3步的图数据分类方法.     

基于图嵌入的软件项目源代码检索方法

源代码检索是软件工程领域的一项重要研究问题,其主要任务是检索和复用软件项目API（application program interface,应用程序接口）.随着软件项目的规模越来越大、越来越复杂,当前,源代码检索一方面需要提高基于自然语言API查询的准确性,另一方面需要定位和展示目标API及其相关代码之间的关联,以更好地辅助用户理解API的实现逻辑和使用场景.为此,提出一种基于图嵌入的软件项目源代码检索方法.该方法能够基于软件项目源代码自动构建其代码结构图,并通过图嵌入对源代码进行信息表示.在此基础上,用户可以输入自然语言问题、检索并返回相关的API及其关联信息构成的连通代码子图,从而提高API检索和复用的效率.在以开源项目Apache Lucene和POI为例的检索实验中,该方法检索结果的F1值比现有基于最短路径的方法提高了10%,同时显著缩短了平均响应时间.     

基于图嵌入模型的协同过滤推荐算法

传统协同过滤算法存在严重的数据稀疏和冷启动问题。利用社交网络中的丰富信息为解决传统协同过滤算法的数据稀疏和冷启动带来了契机。然而,传统基于社交网络的协同过滤算法仅利用粗粒度、稀疏的用户信任关系来改进传统协同过滤算法,即用0或1表示用户之间信任程度。另外,传统基于社交网络推荐算法仅仅集成用户之间显式信任关系,而忽略用户之间隐式的信任关系。本文提出一种基于图嵌入模型的协同过滤推荐算法,即利用图嵌入模型技术学习社交网络中用户的低维特征表示,并根据用户的低维特征表示推导用户之间细粒度的信任关系。最后,根据信任用户和相似用户对目标物品的评分权重预测用户对目标物品的评分。在真实数据集上的实验结果表明,基于图嵌入模型的协同过滤算法的性能优于传统的协同过滤算法。     

一种基于IC参数的知识图谱嵌入方法

TransC是一种高效的知识图谱嵌入方法,通过区分概念和实例来建立概念、实例及关系的嵌入。TransC将概念编码为球体,球体半径被随机初始化并在训练中迭代更新。由此导致模型出现两个问题:一是训练得到的部分球体半径与模型训练目标不符;二是忽略了概念本身提供的语义信息。针对上述两个问题,该文提出了TransIC模型,首先,基于IC参数给出新的概念球体半径求解方法,使求得的半径满足TransC目标,并且丰富了概念嵌入向量的语义信息。其次,该模型以TransC为基础,在概念编码阶段引入基于IC参数的概念球体半径。最后,在公开的数据集YAGO39K上完成链接预测和三元组分类两个任务,并将该文方法实验所得性能与TransC及其他模型的性能进行对比。结果表明,TransIC在多数指标上均取得显著提升。