试析基于机会网络的终端消息传播方法及其应用

简述了机会网络及其消息传播方法,提出了一种改进的基于机会网络的终端消息传播方法,并分析了机会网络的应用。改进的传播方法具体为:在传统BSW算法基础上,对于节点分配和携带消息副本数量上参考了节点活跃度数值,阶梯式的消息副本数量,使得消息副本在传递过程中始终尽可能由活跃度高的节点进行传递,提高了消息投递的成功率,减少了网络内的消息完余。     

一种基于社区机会网络的消息传输算法

由人携带的具有短距离通信接口的移动设备所组成的网络具有社区性质.当前机会网络中主流的多拷贝路由算法并没有考虑到节点的社区性质,如果将这些算法直接应用到社区机会网络中会造成传输延迟大、消息丢失率高等问题.针对这些问题,提出了一种基于社区机会网络的消息传输算法(CMTS),能够根据节点之间的通信频繁程度,自动将节点划分成不同的社区,自适应地控制消息的拷贝数量并依靠活跃节点将消息传输到目标社区.仿真结果表明,在延迟要求宽松的社区机会网络中,与Spray and Focus算法相比,CMTS算法能够在保证较高消息传输成功率的同时,减少了约20%的消息转发次数,有效地降低了网络资源的消耗.     

基于网络表示学习的深度社团发现方法

挖掘复杂网络中的社团结构有助于理解网络内部结构和功能特性,具有重要的理论价值和实际应用意义.随着信息技术的飞速发展,爆炸式增长的网络数据为社团发现任务提出了前所未有的挑战.为此,文中利用深度神经网络将网络表示学习和社团发现领域相连接,提出一种基于网络表示学习的深度社团发现方法.算法首先根据节点潜在的社团成员相似性来量化节点之间的结构相似度,从而构造包含潜在社团结构信息的社团结构矩阵;然后建立由多个非线性函数组成的多层自编码器,将社团结构矩阵作为深度自编码器的输入,获得保存了潜在社团结构的节点低维表示;最后在网络表示上应用K-means聚类策略获得社团结构.在不同规模的真实网络和人工网络上进行了大量的实验,并与典型的算法进行比较,实验结果表明了算法的可行性和有效性.     

一种基于混合社区的移动机会网络数据传输机制

由人携带或使用智能设备组成的移动机会网络采用"存储-携带-转发"的通信机制,通过中继转发来实现节点之间的数据传递。为了改善网络性能,往往需要借助节点的社会属性来进行中继选择和制定转发策略。然而,在已有的传输机制中,往往只是利用节点的部分社会属性,不能完全反映出节点之间的社会关系。为此,提出了一种新的基于混合社区的数据传输机制,并给出了混合社区的内涵、混合社区的构建方法和基于混合社区的数据传输算法。基于几种真实轨迹数据集的实验结果表明,与已有的几种经典路由算法相比,该方法传输成功率较高,传输延迟较短,性能更好。     

基于朋友关系变迁演化的社区划分算法

机会网络中的节点大多是由人携带的具有短距离无线通信能力的设备,因此节点具有人的社会属性,机会网络也具有社区特性。而现有的社区划分算法多数来源于社会网络,不能直接用于节点稀疏、网络拓补结构不断不化、节点的计算和存储资源有限的机会网络中。本文通过提出节点的朋友关系,利用节点自身的相遇历史信息,将网络划分为不同的朋友社区。在两种不同数据集下的实验结果表明朋友社区的划分可有效减低路由开销,同时保持较高的传输成功率。     

基于交叠社团相似性的生物网络关键节点识别

生物网络是研究生物特性的一个重要工具,目前已经有许多方法用于研究生物网络,关键节点分析是其中最常用的方法之一。关键节点分析通常是根据一定的规则为网络中的各节点分配一个函数值,并由此来确定网络中各节点的重要程度,目前已经发表了一些方法。然而,这些方法在单独使用的情况下,获得的关键节点的生物学意义一般较低,存在一定的缺陷。本文从节点对社团贡献的角度建立关键节点识别方法,首先提取网络中富含生物学功能意义的社团,然后依据交叠社团的相似性为各节点分配贡献值,最后通过两个生物网络实例论证了方法的有效性。     

机会网络

大量具备短距离通信能力的智能设备的出现推动了无线自组网应用的迅速发展.但在许多实际应用环境中,节点移动、网络稀疏或信号衰减等各种原因通常导致形成的网络大部分时间不连通.传统的移动自组织网络传输模式要求通信源和目标节点之间存在至少一条完整的路径,因而无法在这类环境中运行.机会网络利用节点移动形成的通信机会逐跳传输消息,以"存储-携带-转发"的路由模式实现节点间通信,这种完全不同于传统网络通信模式的新兴组网方式引起了研究界极大的兴趣.首先介绍机会网络的概念和理论基础,并给出了当前机会网络的一些典型应用,然后详细阐述了机会网络研究的热点问题,包括机会转发机制、移动模型和基于机会通信的数据分发和检索等,并简要叙述了机会网络的通信中间件、协作和安全机制以及机会网络新的应用等其他研究问题,最后进行总结并展望了机会网络未来一段时间内的研究重点.     

SA-DTN：基于节点社会活跃度的DTN路由研究*

社会网络是一种特殊的DTN网络,主要是由人、汽车及其它移动工具携带的移动设备组成,并且利用短距离无线电进行通信。针对社会网络中每个节点移动区域的多少和在某个区域中停留时间的长短,本文给出了节点的社会活跃度（SA：Social activity）概念,从而提出了在DTN网络中基于节点社会活跃度（SA：Social activity）的路由。这种路由根据网络中节点的社会活跃度大小对下一跳节点进行限制。仿真结果表明,本文所提出的路由在提高了递交率的同时,大大降低了网络开销。     

机会网络路由可靠性研究

无线自组织网络应用的迅速发展得益于具备短距离通信的智能设备的大量使用.机会网络就是其中之一.机会网络利用节点移动形成的通信机会逐跳传输消息,以"存储-携带-转发"的路由模式实现节点间通信.文中研究机会网络中搭便车、超新星和虫洞这三种非协作行为在Binary Spray and Wait, PROPHET和H-EC三类流行的路由策略下对数据传输的影响,并通过对实际移动网络的追踪模拟进行性能评估.结果显示,除了虫洞行为外,随着非协作节点的增加,数据转发的性能将会明显下降.     

基于机会网络的消息传输系统

机会网络不需要源节点和目标节点之间存在完整链路,利用节点移动带来的相遇机会实现通信,是目前的研究热点之一。设计了一种基于机会网络的信息采集与消息传输系统BlueChat。一方面,系统采集节点相遇信息,构建路由信息表,并且可以作为机会网络中节点移动轨迹建模、社团划分、消息转发策略研究、网络QOS研究等的原始数据;另一方面,系统可以采用不同的消息队列管理策略,通过节点的移动,以“存储-携带-转发”的路由模式实现节点间消息的传输。通过对系统进行连续3个月,50个以上节点,长时间、大规模的测试,并分析采集到的数据,得出消息交付率在95%以上,满足特殊情况下的节点通信需求。     

Semi-supervised community detection on attributed networks using non-negative matrix tri-factorization with node popularity

The World Wide Web generates more and more data with links and node contents, which are always modeled as attributed networks. The identification of network communities plays an important role for people to understand and utilize the semantic functions of the data. A few methods based on non-negative matrix factorization (NMF) have been proposed to detect community structure with semantic information in attributed networks. However, previous methods have not modeled some key factors (which affect the link generating process together), including prior information, the heterogeneity of node degree, as well as the interactions among communities. The three factors have been demonstrated to primarily affect the results. In this paper, we propose a semi-supervised community detection method on attributed networks by simultaneously considering these three factors. First, a semi-supervised non-negative matrix tri-factorization model with node popularity (i.e., PSSNMTF) is designed to detect communities on the topology of the network. And then node contents are integrated into the PSSNMTF model to find the semantic communities more accurately, namely PSSNMTFC. Parameters of the PSSNMTFC model is estimated by using the gradient descent method. Experiments on some real and artificial networks illustrate that our new method is superior over some related stateof- the-art methods in terms of accuracy.     

基于核心图增量聚类的复杂网络划分算法

借鉴基于聚类的无监督入侵检测算法(Clustering-based method for the unsupervised intrusion detection, CBUID)聚类原理, 提出一种基于核心图增量聚类的社区划分算法(Clustering-based method for community detection, CBCD). 本文提出一种社区摘要构建方法, 给出节点与社区相似度的计算公式. 首先,对由少量高度数节点组成的核心网络采用现有算法进行核心社区划分, 然后,采用增量方式依据节点与社区相似度,将剩余节点划分到核心社区中. 算法复杂度主要依赖于网络规模、边的数量及划分的社区个数, 具有线性复杂度. 通过在几个典型真实网络数据集上测试, 所提算法能够有效地进行社区划分.     

用于网络重叠社区发现的粗糙谱聚类算法

针对绝大多数社区发现算法都存在着网络节点仅隶属于一个社区的假设,引入谱图理论与粗糙集理论来分析复杂网络社区,提出一种用于网络重叠社区发现的粗糙谱聚类算法RSC,该算法用上下近似来刻画网络节点的社区归属,边界表示社区之间共享的节点,通过优化重叠社区结构模块度来实现重叠社区发现.通过3个不同类型真实网络的仿真实验,结果验证了该方法的可行性与有效性.     

基于节点依赖度和相似社团融合的社团结构发现算法

社团结构作为复杂网络的拓扑特性之一具有重要的理论和实践意义。提出一种基于节点依赖度和相似社团融合的社团结构发现算法,首先根据依赖度和相似度的定义将整个网络划分成若干个平均集聚系数较大的局部网络,构成网络的基础骨架社团;然后根据连接度的定义不断将社团边缘的节点和小社团吸收到相应的骨架网络中去,直到所有节点都得到准确的社团划分。算法在Zachary空手道俱乐部网络和海豚社会网络中进行了社团划分实验,并与GN算法和Newman快速算法进行了比较,结果表明该算法可以有效地划分社团边缘的模糊节点,社团划分结果具有较高的准确度。     

认知无线电网络非协作博弈功率分配算法研究

发现干扰节点,并将功率适当地分配至各个可用频谱上,以提高节点数据率和网络吞吐量,是认知无线电网络当前的研究热点.本文提出一种基于非协作博弈功率分配方法(PANG),以提高认知无线网络系统吞吐量.PANG将认知网络节点功率分配问题转化为非协作博弈问题,并采用线性代价因子的方法抑制功率分配时的盲目性.理论分析表明,PANG存在纳什均衡点,具有帕累托最优解.本文使用Matlab对PANG算法进行仿真,仿真结果表明,PANG算法能够比PIWF算法更加合理的进行功率分配,并有效的提高系统吞吐量.     

Multi-objective optimization algorithm based on characteristics fusion of dynamic social networks for community discovery

The network structure exhibits a variety of changes over time. Fusing this structure and the development of communities in dynamic networks plays an important role in analyzing the evolution and development of the entire network. How to ensure the division of the community structure in social network big data, as well as ensure the continuity of the community between the current time and previous time period, are issues that need to be explored. This problem can be solved by fusing the three characteristics of temporal variability, stability, and continuity in dynamic social network communities, and by adopting the multi-objective optimization method to detect community structures in dynamic networks. The probability fusion method is added to the initial step of the algorithm to generate suitable network partitions and ensure fast convergence and high accuracy. Two neighboring fusion strategies are proposed that are suitable for communities: the neighbor diversity strategy and the neighbor crowd strategy. These two strategies make different changes to the candidate network partitions. A continuity metric for dynamic community evolution is formulated to compare the similarity of the dynamic network communities of two consecutive time steps. Experiments on synthetic datasets and actual datasets prove that the proposed method in this paper provides better performance than existing methods.     

复杂网络大数据中重叠社区检测算法

大数据时代互联网用户数量呈爆炸性增长,社交网络、电商交易网络等复杂网络规模快速发展,准确有效地检测复杂网络大数据中重叠社区结构对用户兴趣点推荐和热点传播具有重要意义。提出一种新的面向复杂网络大数据的重叠社区检测算法DOC（Detecting Overlapping Communities over complex network big data）,时间复杂度为O（nlog²（n））,算法基于模块度聚类和图计算思想应用新的节点和边的更新方法,利用平衡二叉树对模块度增量建立索引,基于模块度最优的思想设计一种新的重叠社区检测算法。相对于传统重叠节点检测算法,对每个节点分析的频率大大降低,可以在较低的算法运行时间下获得较高的识别准确率。复杂网络大数据集上的算法测试结果表明：DOC算法能够有效地检测出网络重叠社区,社区识别准确率较高,在大规模LFR基准数据集上其重叠社区检测标准化互信息指标NMI最高能达到0.97,重叠节点检测指标F-score的平均值在0.91以上,且复杂网络大数据下的运行时间明显优于传统算法。     

基于广义后缀树的二分网络社区挖掘算法

近年来,二分网络的社区挖掘问题得到了极大的关注。提出了一种基于广义后缀树的二分网络社区挖掘算法。首先从二分网络的邻接矩阵中提取网络中每个节点的链接节点序列,然后构建广义后缀树。广义后缀树的每个节点表示二分网络的一个完全二分团,由此获取并调整完全二分团。通过引入二分团的紧密度得到初始的社区划分,最后再对孤立点进行处理以得到最终的社区划分。所提算法不仅能发现重叠社区,而且能得到一对多关系的社区。在人工数据集和真实数据集上的实验表明,所提算法能准确地识别二分网络中的社区个数,获得很好的划分效果。     

基于节点相似性和网络嵌入的复杂网络社区发现算法

社区发现算法对分析复杂网络的拓扑和层次结构、预测复杂网络的演化趋势等具有十分重要的意义.传统的社区发现算法划分精度不高,忽略了网络嵌入的重要性.针对这样的问题,提出了基于节点相似性和网络嵌入Node2Vec方法的无参数社区发现算法.首先,使用网络嵌入Node2Vec方法将网络节点映射成欧氏空间中低维向量表示的数据点,计...