复杂网络结构及信息流控制研究-信息安全专业论文.docx

摘 摘 要 I I 摘 要 网络信息流控制是网络信息科学中广泛受到关注的课题。随着科学信息技术 的发展，海量的用户和各类软硬件加入各种各样的复杂系统，参与系统的发展和 演化，从而构成一个个规模宏大的复杂网络。如何清晰的勾画网络的结构，以及 如何利用网络的结构属性来控制信息流动，成为复杂网络研究领域非常热门的话 题。 对网络结构的研究主要集中体现在网络社团结构划分上，即通过社团划分将 网络中的节点分配到一个（或者多个）社团中，从而使网络的拓扑结构清晰，网 络中各个节点的功能性质明确。在网络结构清晰的基础之上，可以将网络中的信 息流分为两类：一类是具有正能量的信息流，如灾情预警、通知等等；另一类是 具有负能量的信息流，如谣言、病毒等等。在网络上，人们总是希望具有正能量 的信息流在网络中能尽快今早地被扩散，而具有负能量的信息流能尽快尽早地被 控制和扼杀。为此，学术界提出了网络信息流控制理论。控制网络信息流可以从 两个方面入手，即控制信息流源头和控制对信息传播起关键作用的节点。其中， 控制信息流源头可以帮助人们从源头上管理信息的分发，而控制对信息传播起关 键作用的节点可以保证信息按照人们所希望的方向去流动。 论文从整体上一共分为两大部分。第一部分研究网络的结构划分方法，结合 复杂网络的结构特性提出几种高效的社团结构划分算法，并通过人工合成网络和 一些实际网络来验证所提算法的性能。第二部分研究网络信息流控制方法，通过 信息源定位研究提出寻找网络信息源头的方法，再通过节点重要性研究提出寻找 对信息传播起关键作用节点的方法，达到控制网络信息流向的目的。论文的两部 分研究工作相辅相成，其中，网络结构的研究是网络信息流控制研究的基础，而 网络信息流控制研究则是网络结构研究的延伸。 论文的主要内容如下： 研究复杂网络结构特性，提出基于节点相似性的网络社团划分方法。在复杂 网络中，社团划分的基本思想是将具有相同或者相似属性的节点分配到同一个群 组中，使得群组内部节点之间的联系紧密而不同群组之间节点的联系疏松。基于 该思想，常见的社团划分思路就是找到一种节点相似性度量方法，然后根据节点 的相似性值来合并节点到同一个群组中，从而达到社团划分的目的。本文结合网 络局部和网络全局的指标来计算节点对之间的相似性值，采用相关邻居关系来衡 量节点的局部相似性程度，再从局部相似性程度推广到全局相似性程度，提出结 II II 合局部指标和全局指标的算法来衡量节点之间的相似性程度，达到基于节点相似 性程度来进行社团结构划分的目的。实验结果表明本文所提出的算法可以准确反 映复杂网络的拓扑结构信息，具有一定的理论参考价值。 研究和改进标签传播算法，提出基于融合聚类的社团划分算法。由于复杂网 络具有规模大、结构动态化的特点，所以需要采用轻型化、灵活化和时间复杂度 低的算法来划分网络中的社团；标签传播算法具有不需要先验知识、时间复杂度 接近线性的优点，正好适用于大规模复杂网络的社团划分。本文采用融合聚类来 克服标签传播算法由于随机性带来的划分结果不稳定的问题，提出一种基于融合 加权图的社团划分算法。结果表明，将融合聚类引入标签传播算法可以大大提升 社团划分结果的稳定性。 研究节点序列对社团划分结果的影响，提出基于节点排序的社团划分算法。 大量的实证表明，在对标签传播算法的研究中，如果首先考虑位于社团中心的节 点，则可以得到相对稳定的社团划分结果；但如果首先考虑位于社团边缘的节点， 则更容易得到相对随机的结果。本文先采用混合的节点排序方法对网络节点进行 排序，在此基础之上提出一种基于节点排序的社团划分算法。实验结果表明通过 节点排序可以解决标签传播算法在社团划分中出现的结果不稳定的问题。 研究恒定社团形成的原理，结合融合聚类提出一种恒定社团的寻找方法。恒 定社团是动态网络中一种非常特殊的社团结构，它可以用来衡量网络的紧密性程 度。恒定社团由一系列节点组成，无论网络的拓扑结构如何动态变化，这些节点 都始终会被分配到同一个社团中。本文根据恒定社团的特点，提出基于融合聚类 的恒定社团发现算法，对网络结构的研究具有重要意义。 研究网络节点的可到达程度，提出基于节点可达性度量的信息源定位算法。 在网络信息传播的过程中，信息通过网络中的边向四周扩散。通常情况下，如果 节点与其他节点之间的边越多，则由该节点发出的信息就越可能被其他节点接收 到，该节点可以到达的程度就越好。本文通过计算节点到其他节点的路径数目以 及该路径出现的概率，提出基于节点可达性度量的信息源查找方法。实验结果表 明本文方法不仅避免了最大似然估计带来的时间复杂度大的问题，还克服了在易 接入性度量中步数估算不准确的问题。 研究节点的局部属性、全局属性和网络位置属性对节点重要性程度的影响， 提出基于 ??跳邻居 K 核信息的