基于矩阵分解的属性网络嵌入和社区发现算法

属性网络不但包含节点之间复杂的拓扑结构,还包含拥有丰富属性信息的节点,其可以比传统网络更有效地建模现代信息系统,属性网络的社区划分对于分析复杂系统的层次结构、控制信息在网络中的传播和预测网络用户的群体行为等方面具有重要的研究价值.为了更好地利用拓扑结构信息和属性信息进行社区发现,提出了一种基于矩阵分解的属性网络嵌入和社区发现算法(CDEMF).首先提出基于矩阵分解的属性网络嵌入方法,基于网络局部链接信息计算相邻节点的相似性,将其与属性接近度联合建模,通过矩阵分解的分布式算法得到每个节点对应的低维嵌入向量,即把网络节点映射为低维向量表示的数据点集合.接着提出基于曲率和模块度的社区划分方法,自动确定数据点集合中蕴含的社区数量,并通过对数据点集合聚类完成属性网络社区划分.在真实网络数据集上,将CDEMF方法与其他8种知名算法进行比较,实验结果表明CDEMF具有良好的性能.     

基于社团结构的科研合作关系分析与预测

科研合作关系分析和预测针对网络的结构信息预测未来哪些学者间会产生合作关系进行研究,对于理解网络信息传播和动态变化具有重要的意义。在主流的基于拓扑属性的关系预测算法基础上提出了一种基于社区结构信息的合作关系预测模型。首先分析社区发现算法下科研网络的链接分布规律及给出模型构建的理论依据,然后构造引入社区拓扑结构信息的改进算法,最后采用不同社区发现算法进行实验。该方法在实验效果和性能上要优于一些经典的算法,说明该算法能够有效地引入社区结构信息对真实的科研合作网络关系预测问题建模,并为科研合作关系分析预测这一问题提供一种新的思路。     

面向软件执行网络的行为拓扑分析研究

随着互联网及软件技术的逐渐成熟和发展,软件系统将面临使用模式不确定、动态交互行为复杂变化的问题。针对软件执行过程中的交互复杂性,分析了基于复杂网络的软件执行网络行为拓扑度量特征。以Linux下3个典型的开源软件为研究对象,首先获取其软件执行交互记录,并根据方法调用关系构建执行网络,然后分析软件执行网络的连通性、网络直径与密度、平均路径长度、度分布、度相关性、聚集系数、介数、接近度等典型拓扑度量,并与以代码静态关联为基础构建的软件结构网络进行对比分析。结果表明,软件执行过程中具有执行行为动态变化和行为重组现象,其拓扑特征与结构网络具有较大差别,执行网络平均路径长度变小,其小世界特性趋于消失。探索软件执行行为规律对于软件运行维护及质量保障具有重要的指导意义。     

基于网络社区发现的标签传播聚类算法

高维数据的聚类特性通常难以直接观测.将其构建为复杂网络,节点间的拓扑结构可以反映样本之间的关系.对网络中的节点进行社区发现,可实现对数据更直观的聚类.提出一种基于网络社区发现的低随机性标签传播聚类算法.首先,用半径和最近邻方法将数据集构建为稀疏的全连通网络.之后,根据节点相似度进行节点标签预处理,使得相似的节点具有相同的标签.用节点的影响力值改进标签传播过程,降低标签选择的随机性.最后,基于内聚度进行社区的优化合并,提高社区的质量.在真实数据集和人工数据集上的实验结果表明,该算法对各种类型的数据都具有较好的适应性.     

交换式以太网物理拓扑结构的自动发现

准确及时的拓扑结构信息是网络性能监测与评估、故障发现与定位、资源分配与管理等一系列维护工作的基础.交换式以太网是目前局域网的主要组网方式,其拓扑结构被看做为一棵拓扑树,并把网络节点之间的连接关系分为直系关系和旁系关系,给出一组判定定理用以确定网络节点之间的连接关系.基于上述定理,提出了一个新的拓扑发现算法,该算法能够利用不完整的地址转发表构造出整个网络拓扑结构.该算法已成功地应用于社区宽带综合业务网络管理系统(CBISNMS)中.     

面向复杂软件执行网络的关键节点行为分析

软件系统的执行是一类极其复杂的交互过程,采用复杂网络的研究方法可有效地分析软件执行行为模式规律.与以往分析软件系统静态拓扑结构不同,本文对软件系统执行过程中的关键方法调用行为进行了建模度量和实验分析.基于典型的开源软件,首先给出了基于方法调用关系的软件执行网络构建方法,然后对执行网络中关键节点的拓扑特征及其邻接网络进行分析.结果表明,具有高度、高介数及高聚集系数的方法节点在软件执行过程中处于特殊地位,起着维系网络连接的重要作用,对于软件的正常执行具有重要意义,相关结论和方法可有助于提高软件质量和更好的运行维护.     

合作网络局域世界演化模型

根据合作网络中实际合作的局域性特性及项目度对网络的影响,提出一种合作网络局域世界演化模型(CoLW模型)。该模型以完全图为基础层次化构造局域世界,且以项目为基本单元进行网络规模的增长。CoLW模型的节点度服从幂律分布,具有较大的平均聚集系数且网络规模对其影响较小,接近真实合作网络。实验结果表明,CoLW模型可以较好地刻画真实合作网络的拓扑结构与统计特性。     

结合拓扑势与信任度调整的重叠社区发现算法

现实世界中的复杂系统可建模为复杂网络,探究复杂网络中的社区发现算法对于分析复杂网络的拓扑结构和层次结构具有重要作用。早期研究通常将网络中的节点局限在一个社区中,但随着研究的深入发现社区结构呈现重叠特性。针对现有重叠社区发现算法存在划分社区结构不稳定、忽略节点交互和属性等问题,提出一种基于网络拓扑势与信任度调整的重叠社区发现算法。融合节点的属性和结构特征计算节点的拓扑势,依据节点的拓扑势选取核心节点。从核心节点出发构建初始社区群,计算各个社区间的调整信任度,实现社区的合并与再调整,从而识别重叠社区。在多个人工模拟网络和真实网络数据集上的实验结果表明,与基于贪婪派系扩张、种子扩张等的重叠社区发现算法相比,该算法将扩展模块度最高提升至0.719,能有效识别社区结构及重叠节点,提升重叠社区检测性能。     

大规模软件与AS级Internet宏观拓扑结构分析比较

大规模软件与AS级Internet宏观拓扑结构的研究.对两者结构的进一步理解和应用具有重要意义.根据大规模软件结构与AS级Intemet宏观拓扑结构体现出来的复杂网络特征,分别将其抽取为网络拓扑,然后采用复杂网络的度量分析方法,从连通性、度分布特征、小世界特征和层次性4个方面进行了分析比较,得到了大规模软件与AS级Internet在宏观拓扑结构上的若干异同之处,并讨论了其产生原因.     

社会网络顶点间相似性度量及其应用

集对分析作为处理系统确定性与不确定性相互作用的数学理论,可用来处理存在不确定关系的复杂社会网络。首先,应用集对分析理论,将社会网络作为一个同异反系统(确定不确定系统),采用集对联系度刻画顶点间的同异反关系,综合考虑顶点的局部特征和拓扑结构对顶点相似性的贡献,提出加权聚集系数联系度的顶点间相似性度量方法。该度量方法可以更好地刻画网络结构特征,克服传统局部相似性度量指标对某些顶点间相似性值的低估,降低全局相似性度量指标的计算复杂度。其次,为了将该相似性度量指标应用于社区发现,与凝聚型层次聚类算法相结合,使其适用于具有相似性度量对象的复杂网络社区发现问题。最后,在社会网络上进行社区挖掘实验,并与经典社区发现算法进行比较,实验结果表明了该相似性度量指标的正确性及有效性。