无需感染时间信息的传播网络快速推断算法

现有的大多数传播网络推断方法需要节点的感染时间信息,但是在许多现实传播过程中,准确的感染时间信息往往是难以获得的。以准确、高效且无需感染时间信息的传播网络推断方法为目标,研究了如何仅利用多次传播过程结束时观测到的各节点的感染状态来推断节点间的影响关系和感染传播概率。为此,该方法首先利用节点感染状态间的互信息来量化它们之间的相互关联,找出可能的节点间影响关系。然后,构建以感染传播概率为变量的节点感染状态观测数据的对数似然函数,并采用期望最大化的方法最大化该对数似然函数并求解感染传播概率。实验结果表明,相较现有方法,该方法有效提高了传播网络推断的准确性,并且大幅缩短了算法运行所需时间。     

基于感染结果的传播网络推断方法

为揭示传播网络中节点之间的父子影响关系,现有工作大多需要知道节点的感染时间,而该信息往往只有通过对传播过程进行实时监控才能获得.研究如何基于传播结果来学习获得传播网络中节点之间的父子影响关系.传播结果只包含每个传播过程中节点的最终感染状态,而节点的最终感染状态在实际中往往比节点的感染时间更容易获得.提出了一种基于条件熵的方法来推断网络中每个节点的潜在候选父节点.此外,能够通过从基于条件熵的推断结果中发现并修剪那些实际不太可能存在的父子影响关系来优化最终的影响关系推断结果.在人工网络和真实网络上的大量实验,验证了该方法的有效性和运行效率.     

基于网络编码的拓扑推断研究综述

拓扑结构是重要的网络性能参数之一,尤其是对网络监控和管理而言,获取网络拓扑是一个很有意义的基础问题。网络编码技术的出现为网络拓扑推断提供了新的思路,中间节点的网络编码操作使得编码数据与网络拓扑结构之间存在着紧密的联系,基于网络编码的拓扑推断正是利用这种联系对网络拓扑结构进行分析识别。与利用网络层析成像实现拓扑推断相比,基于网络编码的拓扑推断有许多优势,如提高拓扑推断的准确性、降低推断算法的复杂度等。总结了网络编码技术在网络拓扑推断中的应用及研究现状。     

基于社交网络的信息传播模型分析

随着社交网络的蓬勃发展,网络舆论的控制变得越来越重要。信息传播模型能够揭示信息传播的规律,从而达到对传播过程进行预测的目的,因此社交网络信息传播模型的研究具有重要意义。针对经典传染病模型的不足进行了分析,结合社交网络的网络拓扑特点,考虑了网络中用户的不同感染状态,引入感染用户的衰减函数,提出了适合社交网络的信息传播模型。在真实E-mail网络中进行模型仿真,对比分析了不同模型的结果,研究了模型中各个影响因子对传播过程的影响。结果表明：不同的模型参数反映了传播趋势的差异,模型反映出的传播规律更符合信息在现实网络中的传播过程。     

基于SIR模型的社交网络推手节点发现及信息传播抑制

推手节点对社交网络信息传播有非常重要的作用。在传统SIR模型中引入"推手节点"概念,研究该类节点所造成的热门话题在网络中的传播规律,以及对社交网络信息传播的影响和控制。利用You Tube数据构建社交网络拓扑结构,实验发现,当节点传播概率大于0.7时,可设置为推手节点,对于信息传播抑制可采用目标免疫算法。而在一个社交网络中传播节点的整体信息免疫大于0.2时能有效抑制信息传播,该值为使用重要熟人免疫策略对信息传播进行抑制的参数值。     

利用社交网络的影响力骨架探索信息传播

理解社交网络上的信息传播机制,通常包括对拓扑结构的分析和对用户行为的分析。由于社交网络上连边的强度具有异质性,只有一部分连边对于信息传播有实质作用,构成隐藏在社交网络中的影响力骨架。对影响力骨架的拓扑研究可帮助我们获得比直接研究社交网络拓扑结构更深入的认识。我们从连边正负性和个体节点角色分化入手,探讨了微观层面连边和节点在信息传播中的作用,进而从宏观层面分析信息传播所依赖的影响力骨架的连通性和扩散效率,发现信息传播具有一定程度的脆弱性,且其传播效率低于对社交网络本身研究的预期。     

融合专家相对推断的贝叶斯网络构建方法

为了解决依据专家知识推断贝叶斯网络中条件概率表时存在的个体推断信息缺乏有效性以及整体集成结果缺乏科学性的问题,提出了有利于实现判断对象更直观、判断方式更简便的推断信息约简机理,然后将层次分析法中两两比较与判断矩阵分别作为主观条件概率信息的提取手段与信息载体,构建了能够从宏微观推断信息中提取最优条件概率的专家相对推断方法,该方法一方面可以克服传统方法中因专家推断能力有限的现实约束而造成个体推断信息容易缺乏有效性的问题,另一方面也能够对专家个体推断信息进行有效综合集成、保证决策结果的科学性。在此基础上遵循由前至后的推断顺序提出了贝叶斯网络的构建过程,最后应用数值对比分析和案例模拟分析验证了提出方法的科学有效性和应用可行性。     

基于自治计算的流行病传播网络建模与推断

现有的传播网络结构推断方法大都面向信息传播过程,所能处理的数据与可获得的流行病监控数据形式和特性均不相同,不适合处理具有粗粒度、时空多尺度和数据缺失等特性的流行病监控数据.针对该问题,提出了基于自治计算的流行病传播网络建模方法和网络结构推断方法.该方法采用多自治体建模传播网络结构和流行病传播过程,采用蒙特卡罗模拟结合群智能优化的反馈过程调节系统参数,以缩小模拟系统涌现行为与真实监控数据间差异为目标,改变自治体的行为,促使模拟系统向真实系统逐步演化,以此方式推断出传播网络结构及与流行病相关的主要生物学参数.采用2009年H1N1猪流感在香港爆发的真实监控数据分析验证了所提出的模型与方法的有效性和适用情况,并以香港地区流行病风险评估为例介绍了流行病传播网络推断的一种应用模式.     

AntiMNT：一种对抗多源网络层析成像的拓扑混淆机制

作为一种典型的网络拓扑推断方法,网络层析成像技术可以被攻击者用来准确推断目标网络的拓扑结构,进而向关键节点或链路发起有针对性的攻击行为。为了有效隐藏真实的网络拓扑结构等信息,提出了一种基于主动欺骗方式对抗多源网络层析成像探测的拓扑混淆机制AntiMNT。AntiMNT针对多源网络层析成像的探测过程,策略性地构建虚假拓扑结构,并据此混淆攻击者对目标网络的端到端测量数据,使其形成错误的拓扑推断结果。为了高效生成具有高欺骗特征的混淆网络拓扑,AntiMNT随机生成候选混淆拓扑集,并在此基础上用多目标优化算法搜索具有高安全性和可信度的最优混淆拓扑。基于几种真实网络拓扑的实验分析表明,AntiMNT可以生成高欺骗性和安全性的混淆网络拓扑,从而能够有效防御基于网络层析成像的网络侦察。     

基于网络层析成像技术的拓扑推断

网络层析成像是近年来新兴的一种网络测量技术,该技术结合了网络测量和统计推断,可以解决网络测量的部分难题.网络拓扑推断是网络层析成像技术的重要应用之一,基于网络层析成像技术的拓扑推断通过端到端的测量即可推断网络内部的拓扑结构,而不需要内部节点的合作.系统地总结了基于网络层析成像的拓扑推断技术的研究现状,对国内外研究进展进行了讨论,最后讨论了当前拓扑推断中存在的问题,并讨论了未来的研究方向.     

多源网络断层扫描技术在网络拓扑推断中的研究

网络断层扫描技术不需要网络内部节点的配合,通过网络外部端到端的测量来推断内部特性.多源断层扫描技术可获得更多的网络内部链路信息,能够更精准的得到网络的拓扑结构.该文重点论述了多源网络断层扫描技术,将多源网络划为几种2-by-2结构,并通过一种根据hamming距离的链路利用率算法得出了网络拓扑结构.通过仿真实验证明了该...     

基于丢包率的多播网络拓扑推断算法

在已有的网络拓扑推断算法的基础上,提出一种改进的基于丢包率的多播网络拓扑推断算法。依据各层次节点及接收节点的层次信息,利用海明距离和节点接收的探测包数目,能够同时推断网络拓扑结构和链路丢包率,并且在计算链路丢包率的估计值时动态地调整拓扑推断的判决门限值,从而提高了推断的准确性。仿真实验证明,与现有算法相比,该算法具有更好的性能。     

无线传感器网络的能量均衡路由算法

在分析现有的网络拓扑推断算法的基础上,提出一种改进的基于丢包率的多播网络拓扑推断算法。结合接收节点的层次信息、汉明距离及节点接收的探测包数量,能够同时推断网络拓扑结构和链路丢包率,并根据链路丢包率的估计值动态地调整拓扑推断的判决门限值,提高了推断的准确性。仿真实验证明,与现有算法相比,该算法具有更好的性能。     

基于丢包率的多播网络拓扑推断算法

在分析现有的网络拓扑推断算法的基础上,提出一种改进的基于丢包率的多播网络拓扑推断算法。结合接收节点的层次信息、汉明距离及节点接收的探测包数量,能够同时推断网络拓扑结构和链路丢包率,并根据链路丢包率的估计值动态地调整拓扑推断的判决门限值,提高了推断的准确性。仿真实验证明,与现有算法相比,该算法具有更好的性能。     

支持隐私保护的社交网络信息传播方法

社交网络影响力传播重点关注如何使用少量的种子集合在社交网络中产生尽可能高的影响力,并将转发作为信息传播的唯一方式,忽略了其他传播方式,例如用户可通过发布一条与所见信息内容相似的信息来进行传播,这种传播方式(称为转述)因为难以追踪,所以存在隐私泄漏的风险.针对上述问题,定义了一种支持转述关系的社交网络信息传播模型,提出了...     

延时容忍网络中基于内容的信息传播机制研究

延时容忍网络(Delay-tolerant Network)是一种实用的受限网络模型,它具有延迟长、网络分割、节点能力受限等特点.在这种网络环境下,由于网络拓扑不断变化,节点间端到端的通信路径并不存在,传统的路由协议无法有效的运作.针对延时容忍网络的特点,提出了一种基于内容的信息传播机制.在该机制中,每个节点根据相遇历史信息决定是否对所获得的信息进行转发.实验结果表明,该信息传播机制在通信延迟和信息开销方面,较传统OCBD协议和Epidemic协议有所提升.     

信息传播中的用户转发选择预测

在线社会关系网络中,用户之间的关注关系网络承载着上层的信息传播,关注关系网络的结构影响着消息的可见度,并影响着信息传播过程的转发选择。以新浪微博为例,围绕信息传播中的多次暴露现象展开研究,结合用户关注关系网络的结构,探索信息传播过程中多次暴露情形下用户转发选择行为的模式和规律。针对信息传播中用户在多个暴露源下的转发选择预测问题,融合消息内容、网络结构、时序和交互历史等多方面因素,建模和预测用户转发选择。实验结果表明,新方法的预测准确率高达91.3%。     

融合社交网络用户自身属性的信息传播数学建模与舆情演化分析

针对传统的社交网络信息传播模型极少将用户属性和信息特征这两个因素纳入到信息传播模型研究中的不足,该文提出了一种基于用户自身属性的信息传播模型。首先该文抽取用户影响力、用户态度、用户年龄、信息能量、信息价值等特征并构建交互规则;其次,根据这些特征建立信息传播的数学模型,模拟社交网络舆情演化过程;最后,为验证模型的有效性,开展了与真实事件的实证分析对比实验。实验结果表明: 仿真结构与真实数据的相似度大于0.97,因而该模型符合社交网络舆情信息传播的特性,能够较为准确地描述社交网络中的舆情传播过程。     

一种基于多关系传播树的谣言检测方法

近年来,社交媒体为人们消费信息提供便利的同时,也逐渐成为谣言产生和传播的温床.为了降低谣言的危害性,谣言检测受到研究学者的广泛关注.近期研究主要基于博文内容和传播结构信息,利用深度学习模型进行谣言检测.但是,这些方法仅考虑传播过程中博文之间的显式交互关系,忽略了对潜在关系的建模,难以捕捉到丰富的传播结构特征.例如,在转发(或评论)的交互形式下,多个转发者(或评论者)之间往往也存在局部的隐式交互.针对该挑战,提出一种基于多关系传播树的谣言检测方法,建模博文之间的多种依赖关系,同时增强重要博文的影响力,以捕获更丰富的信息传播结构特征.具体地,基于文本内容和传播树结构建立异构图,使用多关系图卷积网络建模父子节点之间的层间依赖关系和兄弟节点之间的层内依赖关系,并利用源节点和关键传播节点建模重要博文在信息传播中的潜在影响力,从而学习一个更全面的特征向量表示,用于检测谣言.在3个公开的真实数据集上进行广泛的实验,结果表明该方法具有比其他基线方法更高的谣言检测性能.     

微博用户区域影响力识别算法及分析

通过对微博客的信息传播网络进行分析和测量,从区域信息传播的角度出发,研究了微博信息传播的微观过程。通过真实测量用户的信息传播行为,构建了信息收听网络和信息转发网络模型。通过实测数据发现,在区域信息传播中少量核心节点覆盖了主要的网络信息传播行为。针对这些核心节点,提出了一种类PageRank算法的Weibo-Rank用户传播影响力识别算法,提出了基于真实测量的信息传播覆盖率的评价指标,并通过与多种社会性传统用户影响力分析算法进行对比,实证了该算法的有效性和准确性。