基于互联网拓扑特征的多粒度社团发现算法及其可视化.doc

摘要

近年来，复杂网络的社团研究相对比较成熟，可针对以Internet拓扑结构为基础的社团特征研究至目前为止还是相对不足，并且没有很好的从Internet特有的结构特征入手。系统的社团结构与其功能息息相关，对于Internet社团结构特征的深刻理解，可以帮助人们发现互联网新的功能单元、理解其复杂的网络特征结构、化简网络结构、寻找防治互联网病毒传播新策略、网络控制等。

针对互联网特有的结构特征，如Internet网络边缘树状结构特征、Internet的链状特征(海底光缆、网络专线、BGP外部路由线路)、网络中局部区域高核数节点相互聚类特征、中心节点特征等，本文在互联网社团研究的过程中，通过对比传统的复杂网络的社团发现算法，总体上运用了分而划之、合而聚之的思想，分别设计了层次折叠收缩算法、链状探测算法、高核节点聚类特征探测算法、中心节点算法，通过这些算法，大致可以找出Internet基本的较小的功能组织结构，比如，层次折叠收缩算法可以探测到Internet网络边缘树状结构特征组织，链状探测算法可以探测到Internet网络专线、BGP外部路由线路等链状的结构特征组织，高核节点聚类探测算法可以探测到网络中局部区域高核数节点相互聚类特征组织，中心节点算法可以探测到Internet中心节点特征组织。通过这些探测算法，网络中的大部分节点都会被归类到相应的组织结构中去，可是还有一些少部分节点可能不在上述的几种特征组织内，上面的几种有针对性的探测算法就无法把它归类到相应的组织结构内，所以就把这些没有被探测到的每一个节点归为单独的组织结构（便于后续处理）。经过前面几步的处理，一个完整网络拓扑的大大小小的组织结构就呈现出来，下一步就需要把这些大大小的网络组织结构合并成为一个个具有高内聚低耦合特征的社团，这就是合而聚之。可是要使合并后的网络的社团模块度达到最优化是一个NP难题，在时间复杂度和空间复杂度上都比较大，对于具有众多较小组织结构的网络的社团模块度寻优处理，本文设计的小社团合并算法采用贪婪算法来寻找局部最优的模块度，最终一个具有典型社团结构划分特征的网络拓扑浮出水面。本文设计的社团发现算法由一组多粒度社团发现算法混合而成，称之为105算法。目前在IPV6网络的社团发现方面：就社团划分质量的主流衡量标准模块度而言，105算法微弱于fastunfoldingofcommunitiesinlargenetworks(简称FUOCILN)算法，在模块度评价方面，FUOCILN是目前国际上最优秀的算法这一，这也从侧面印证了105算法在模块度评价标准上的优秀性；就多粒度特征而言，105算法发现的社团内部包含多种不同粒度的互联网基本拓扑结构，比如链状、高核聚类状、局部树状、中心节点状等，而FUOCILN算法发现的社团内部只有节点信息，105算法的社团内部信息容量要远大于FUOCILN。

对于互联网的社团可视化问题，传统的一些可视化算法仅仅只能做到整个网络拓扑级别的可视化，社团结构的可视化特点并不明晰，针对这种问题，本文在参考传统节点布局方式的基础上全新构建节点布局，这种布局分为两个层次：整个网络的社团之间位置布局、每个社团的内部节点位置布局。其中，第一个层次又分两个小层次：其一，根据物理类比法，模拟物理系统环境，全自动布局社团节点；其二，在第一步完成之后，采用动态交互布局模式，如果第一步布局有不合理的地方，可手动调节社团节点位置。由于大规模数据的复杂性以及考虑了突出社团特征等问题，这必将牺牲画布资源。为此，本可视化算法开辟一个新的画布资源，采用射线布局算法显示某个特定社团内部节点的拓扑结构。鉴于本可视化算法的特点，称之为visualCommunity算法（简称VC）。VC算法能够合理清楚的可视化互联网的社团结构特征。

关键词：Internet拓扑结构；社团发现；多粒度；社团可视化

东北大学硕士学位论文REF_Ref296495718\hAbstract

-PAGEIV-

CommunityStructureDetecting

ofMultipleGranularityandVisualization

BasedonInternetNetworkTopology

Abstract

ThecommunitystudiesofcomplexnetworkcharacteristicsoftheInternettopologysofarisrelativelylacked,andnotstartsfromtheInterne