基于拓扑结构感知的节点多属性网络映射算法

针对当前节点多属性网络链路映射长度较长、网络请求接受率和收益开销较低的问题,提出基于拓扑结构感知的节点多属性网络映射算法.根据无向图描述节点多属性网络映射问题,采用拓扑结构感知,构建节点多属性网络模型和节点链路映射评测指标,利用回溯算法,计算sumTR值,获得备选网络节点集合.使用子区域作为物理节点映射区域进行资源分配,按照映射优先级排列网络节点依次映射,分析节点多属性,使用最短路径算法,排序跳数最小链路映射,实现节点多属性网络映射.实验结果表明,所提算法能够有效缩短链路映射长度,提高网络请求接受率和收益开销.     

基于节点连通性排序的虚拟网络映射算法

对当今云环境下的数据中心来说,以虚拟资源租赁的运营方式具有极大的灵活性,尤其是以虚拟网络为粒度的资源租赁能够为用户提供更好的个性化需求支持。虚拟网络映射问题是指依据用户资源需求,合理分配底层主机和网络资源。现有的虚拟网络映射算法大多是针对随机拓扑设计的通用算法,未针对数据中心拓扑结构进行优化,映射效率有很大提升空间。针对数据中心的结构特点,提出了一种基于节点连通性排序的虚拟网络映射算法BS-VNE算法。首先,设计了一种最大生成算法来对虚拟节点重要程度进行求解和排序。该算法不仅基于虚拟节点的带宽和连通度,还基于虚拟节点在整个虚拟网络中的连通性来进行节点连通性的计算,以获得更加合理的排序结果。然后,根据虚拟节点连通性排序结果利用离散粒子群优化算法求解虚拟网络的映射解。在求解过程中,引入了针对数据中心结构的物理网络拓扑启发式规则,并将其组合到粒子搜索过程中,以提高映射算法的收敛速度。仿真实验结果表明,与现有算法相比,本文提出的算法可以提高物理网络的收益/成本比和资源利用率。     

拓扑与资源感知的虚拟网络功能迁移方法

针对网络功能虚拟化环境中网络出现负载失衡的问题,提出一种拓扑与资源感知的虚拟网络功能迁移方法(TRA-VNFM).首先,根据底层网络的计算、存储和转发资源占用情况,设置两级动态阈值对物理节点的过载程度进行分类,同时制定相应的迁移判定条件并计算出待迁移目的节点集.其中高过载节点优先实施迁移且有更低的迁移成功条件.其次,针对过载节点上部署的虚拟网络功能,利用资源感知算法对其迁移权重进行设定,占用过载资源越多的虚拟网络功能迁移权重越大,结合迁移权重和资源需求选择出待迁移虚拟网络功能.最后,采用极值交互的拓扑感知算法综合考虑各类资源占用情况、处理时延以及拓扑属性,对待迁移目的节点集中的节点进行评价,将评价最高的节点作为迁移目的节点.仿真实验表明,与以往虚拟网络功能迁移方法相比,该方法不仅降低了迁移时间,还在服务功能链的平均时延、网络的收益开销比与负载均衡程度方面有较好的性能.     

基于压缩感知的异构网络数据动态重构算法

针对异构网络数据资源存在节点及链路均衡度过低且数据重构资源分配路径误差较大的问题,设计一种基于节点拓扑感知的异构网络数据动态重构算法。利用模糊核聚类算法将数据样本集映射至高维空间内,聚类目标数据,根据节点在网络中对应的坐标构建异构网络拓扑模型及数据权矩阵模型;设置路由器物理链路通信图,根据链路带宽约束优化数据重构资源的分配路径,将节点核心区数据重构,并分配至聚类节点来感知数据的动态变化,为每一个核心聚类节点拓扑感知一个路由器数据的动态变化,来实现全局的数据动态重构,至此完成基于节点拓扑感知的异构网络数据动态重构算法的设计。设计仿真实验,测试算法的节点均衡度与链路均衡度。实验结果表明,设计的算法的节点均衡度为0.93,链路均衡度为0.90,均高于对比方法,因此可以得出,该算法的资源均衡度更好。     

基于双监督网络嵌入的社区发现算法

针对基于网络嵌入的社区检测算法中节点嵌入和聚类过程独立进行时容易陷入局部极值的问题,文中提出基于双监督网络嵌入的社区发现算法.首先利用图自编码器,得到可保持网络的一阶相似性的节点嵌入.优化模块度,发现拓扑连接紧密的社区.采用自监督聚类优化,发现嵌入空间上相似的社区.引入互监督机制,使发现的社区在模块度优化和自监督聚类这...     

融合双层注意力机制的属性网络节点嵌入

属性网络嵌入旨在学习网络中节点的低维表示,具有拓扑和属性相似的节点在嵌入空间彼此接近.注意力机制能有效学习网络中节点与其邻居的相对重要性并基于邻居重要性聚合节点表示.据此,提出一种在属性网络中融合双层注意力机制的节点嵌入算法NETA,可以有效地实现属性网络嵌入.该算法首先从拓扑结构捕获直接邻居,基于属性关系捕获间接邻居...     

云计算环境下基于拓扑感知的虚拟网络映射研究

网络虚拟技术被认为是克服Internet僵化的一种有效方法,特别是在云计算的环境下。但是虚拟网络映射问题(VNMP)是一个最主要的挑战,其主要是如何通过一种有效的方式将虚拟网络映射到底层网络上从而有效地利用底层的基础资源。虚拟网络映射可以分为两个阶段:节点映射以及链接映射。在节点映射阶段,现有的算法通常使用完全的贪婪策略映射这些虚拟节点,而不考虑这些虚拟节点的拓扑,这将导致底层路径太长(有多个跳跃点)。为解决这一问题,提出一个拓扑感知的节点映射算法,该算法在进行映射时考虑节点的拓扑结构。在链接的映射阶段,新的算法采用k最短路径算法。模拟结果显示,新算法大大增加长期的平均收益,而接受的比率和长期的收益与成本(R/C)成比例。     

WSN中基于可调感知半径的节点睡眠算法

讨论在无线传感器网络中节点的感知半径可调的情况下,如何合理设计节点的拓扑结构,实现网络的能量负载均衡、延长网络的生存周期。在保证覆盖和连通的前提下,分析当感知半径可调时节点的分布特征和拓扑结构,并对现有的冗余节点移除算法进行改进,提出一种自适应调节感知半径冗余节点睡眠算法(AASRS)。实验结果表明,该算法可以提高网络的能量负载均衡水平,并能最大化节点的感知覆盖区域,且使用的活动节点较少。     

基于熵权VIKOR的安全虚拟网络映射算法

近年来,虚拟网络映射技术作为网络虚拟化的关键技术,成为学术界与工业界研究的重点之一。针对安全虚拟网络映射中因节点安全感知不全面、匹配不合理导致的映射性能较低问题,文章提出了一种基于熵权折衷排序法(VIKOR)的安全虚拟网络映射算法。该算法首先将安全虚拟网络映射问题构建为混合整数线性规划模型,设计了节点安全优先度指标,实现了虚拟网络节点与底层网络节点安全联合感知;其次在映射过程中综合考虑节点资源属性、拓扑属性和安全属性,采用熵权VIKOR进行节点排序;最后按照节点排序结果依次进行映射,其中链路映射采用k最短路径算法。仿真结果表明,在满足节点各项约束的前提下,文章算法提高了虚拟网络映射成功率和收益开销比。     

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...     

融合多元影响力节点识别指标MPR的链接预测

多元网络通常是指节点之间存在多种维度链接关系的图结构.多元网络链接预测算法在构建相似度指标时,多数仅考虑单一维度网络的拓扑结构属性,未挖掘不同维度子网络之间存在的关联,影响链接预测的效果.针对该问题,提出一种基于多元全局节点影响力识别指标MPR的多元网络链接预测算法.通过定义一个多维度节点影响力排序指标MPR,度量多元网络空间中影响力较大的节点,并把影响力排名函数转化为潜在节点对之间的相似度得分,从而应用到多元网络链接预测场景中.在2个真实多元网络数据集上的实验结果表明,该算法的预测效果优于PR、EDC、ANC等对比算法,且具有较好的稳定性.     

一种保留社区结构信息的网络嵌入算法

现有网络嵌入算法大多只保留网络的微观结构信息,忽略了网络中普遍存在的社区结构信息。为提高网络表示质量,提出一种保留社区结构信息的网络嵌入算法PCNE。通过最大化节点之间的一阶和二阶相似性,对网络的微观结构进行建模,同时通过分解可反映网络社区结构信息的社区结构嵌入矩阵,对网络的社区结构信息进行建模。将构建的2个模型融合到统一的联合非负矩阵分解框架中,结合相似度矩阵和社区隶属度矩阵得到融合社区结构信息的节点表示向量。在5个真实公开数据集上进行节点分类实验,结果表明,与DeepWalk、Node2vec、LINE算法相比,PCNE可使Micro-F1值提升0.96%~13.1%,验证了算法的有效性。     

融合链接预测相似度矩阵的属性网络嵌入算法

在属性网络中,与节点相关联的属性信息有助于提升网络嵌入各种任务的性能,但网络是一种图状结构,节点不仅包含属性信息还隐含着丰富的结构信息。为了充分融合结构信息,首先通过定义节点的影响力特性、空间关系特征;然后根据链接预测领域基于相似度的定义构建相似度矩阵,将节点二元组中的关联向量映射到相似度矩阵这一关系空间中,从而保留与节点相关的结构向量信息;再基于图的拉普拉斯矩阵融合属性信息和标签特征,将上述三类信息集成到一个最优化框架中;最后,通过二阶导数求局部最大值计算投影矩阵获取节点的特征表示进行网络嵌入。实验结果表明,提出的算法能够充分利用节点二元组的邻接结构信息,相比于其他基准网络嵌入算法,本模型在节点分类任务上取得了更好的结果。     

基于拓扑特性的分布式虚拟骨干网算法

由于在任意连通网络中搜索最小连通支配集(minimum connected domination set,简称MCDS)是NP完全问题,提出了一种拓扑感知的MCDS启发式算法——TACDS(topology-aware connected domination set),并证明了其正确性.通过利用节点的拓扑特性,减小了支配节点选择的盲目性.该算法能够根据2跳内的局部拓扑信息构造出较小的CDS(connected domination set),从而得到基于该支配集的虚拟骨干网.仿真结果表明,该算法优于其他分布式CDS算法,可以更好地近似MCDS.     

一种基于节点嵌入表示学习的社区搜索算法

针对已有社区搜索算法采用高维稀疏向量表示节点时间复杂度高的问题,提出一种基于节点嵌入表示学习的社区搜索算法CSNERL.节点嵌入技术能够直接从网络结构中学习节点的低维实值向量表示,为社区搜索提供了新思路.首先,针对已有节点嵌入算法存在较高概率在最亲近邻居间来回游走的问题,提出基于最亲近邻居但不立即回访随机游走的节点嵌入模型NECRWNR,采用NECRWNR模型学习节点的特征向量表示;然后,采用社区内所有节点的向量均值作为社区的向量表示,通过选择与当前社区距离最近的节点加入社区的方法实现一种新的社区搜索算法.在真实网络和模拟网络数据集上分别与相关的社区搜索算法进行实验对比,结果表明所提出社区搜索算法CSNERL具有更高的准确性.     

基于DHT的拓扑感知节点聚集算法

在文件共享、流媒体和协作计算等P2P应用模型中,节点间采用单播通信并构建出对应的覆盖网络.由于覆盖网络通常建立在已有的底层网络之上,节点随机加入系统将导致上下层网络拓扑不匹配,不仅增加了节点间通信延时而且给底层网络带来较大的带宽压力.当前的拓扑匹配算法尚存在可扩展性低、节点聚集时延长等问题.在网络坐标算法和DHT算法基础之上,提出一种分布式的拓扑感知节点聚集算法TANRA,利用等距同心圆簇对节点二维网络坐标平面进行等面积划分,并根据节点所处区域进行多层命名空间中区间的一一映射.由于保留了节点之间的邻近关系,从而可使用DHT基本的"发布"和"搜索"原语进行相邻节点聚集.仿真结果表明,TANRA算法在大规模节点数时能有效保证网络拓扑匹配,并且具有较低的加入延时.     

基于弹簧模型的重要节点排序算法

重要节点排序是复杂网络研究的重要问题。用网络的鲁棒性和脆弱性指标评价基于引力模型的重要节点排序算法GM（gravity model）和其局部算法LGM（local gravity model）时,当度大的节点从网络中移除后,其引力较大的近邻节点的后续移除通常并不能在很大程度上影响网络的结构与功能,说明算法在重要节点排序精度方面仍然存在提升之处。基于此,在弹簧模型的启发下,进一步考虑网络节点近邻和路径信息,并结合网络直径,提出了重要节点排序算法SM（spring model）和其局部算法LSM（local spring model）。基于合成网络和真实网络数据集针对网络的鲁棒性和脆弱性与经典算法进行对比实验,结果表明SM算法和LSM算法对于网络中重要节点排序具有更高的准确性。特别地,在Power网络上的SIR传播实验进一步证明了SM算法相较于其他算法,具有更高的合理性和有效性。     

Community Discovery Algorithm Based on Multi-Relationship Embedding

Complex systems in the real world often can be modeled as network structures, and community discovery algorithms for complex networks enable researchers to understand the internal structure and implicit information of networks. Existing community discovery algorithms are usually designed for single-layer networks or single-interaction relationships and do not consider the attribute information of nodes. However, many real-world networks consist of multiple types of nodes and edges, and there may be rich semantic information on nodes and edges. The methods for single-layer networks cannot effectively tackle multi-layer information, multi-relationship information, and attribute information. This paper proposes a community discovery algorithm based on multi-relationship embedding. The proposed algorithm first models the nodes in the network to obtain the embedding matrix for each node relationship type and generates the node embedding matrix for each specific relationship type in the network by node encoder. The node embedding matrix is provided as input for aggregating the node embedding matrix of each specific relationship type using a Graph Convolutional Network (GCN) to obtain the final node embedding matrix. This strategy allows capturing of rich structural and attributes information in multi-relational networks. Experiments were conducted on different datasets with baselines, and the results show that the proposed algorithm obtains significant performance improvement in community discovery, node clustering, and similarity search tasks, and compared to the baseline with the best performance, the proposed algorithm achieves an average improvement of 3.1% on Macro-F1 and 4.7% on Micro-F1, which proves the effectiveness of the proposed algorithm.