实现对卫星网络空间威胁的态势感知,是太空网络安全防御的前提。针对卫星网络空间安全防御,提出了卫星网络空间威胁态势感知需要回答的一系列问题,构建了卫星网络空间态势感知本体(ontology of cyberspace situational awareness for sa...实现对卫星网络空间威胁的态势感知,是太空网络安全防御的前提。针对卫星网络空间安全防御,提出了卫星网络空间威胁态势感知需要回答的一系列问题,构建了卫星网络空间态势感知本体(ontology of cyberspace situational awareness for satellite,OntoCSA4Sat),用于对卫星网络空间多源情报进行自动关联和推理。通过对一个案例进行表示和推理实验,验证了OntoCSA4Sat的一致性和用于推理解决卫星网络空间威胁态势感知问题的可行性,表明OntoCSA4Sat可为卫星网络空间威胁的态势感知提供分析框架,为太空网络安全防御辅助决策提供支撑。展开更多
提出了一种基于带权图并行分解的层次化社区发现方法,该方法采用图划分的方式定义社区结构,并在这种社区结构之上实现了社会网络社区发现并行算法P-SNCD(parallel social network community discovery).P-SNCD算法有效地避免了传统的基...提出了一种基于带权图并行分解的层次化社区发现方法,该方法采用图划分的方式定义社区结构,并在这种社区结构之上实现了社会网络社区发现并行算法P-SNCD(parallel social network community discovery).P-SNCD算法有效地避免了传统的基于"模块度"的社区发现方法倾向于发现相似规模社区的弊端.同时,该算法能够以可扩展的方式,在处理器规模为O(hmn)或O(hn2)的条件下,以并行计算时间复杂度为O(logn)高效地挖掘大规模复杂社会网络中社区密度为h的社区,其中,n为社会网络节点数,m为边数,h为用户指定的任意社区密度.所提出的算法对用户参数输入要求简单,从而使得算法具有较强的实用性.充分的实验数据验证了所提出算法的精确性和高效性.展开更多
文中提出了一种可并行分解的层次化动态社区发现算法D-SNCD(Dynamic Social Network CommunityDiscovery).D-SNCD算法充分利用复杂动态社会网络变化的局部性,对算法生成的层次化社区树HOT(Hierar-chical cOmmunity Tree)的分枝进行选择...文中提出了一种可并行分解的层次化动态社区发现算法D-SNCD(Dynamic Social Network CommunityDiscovery).D-SNCD算法充分利用复杂动态社会网络变化的局部性,对算法生成的层次化社区树HOT(Hierar-chical cOmmunity Tree)的分枝进行选择性更新.与传统的对动态社会网络直接采用快照方式进行社区发现相比,D-SNCD算法在效率上取得了明显的提高.由于D-SNCD是对已有的静态社区并行计算方法P-SNCD(ParallelSocial Network Community Discovery)的进一步扩展,因而D-SNCD保持着P-SNCD算法的高扩展性和高分辨率等优点.另外,D-SNCD算法对用户参数输入要求简单.严格的数学证明和充分的实验数据保证了整个算法的正确性和有效性.展开更多
文摘实现对卫星网络空间威胁的态势感知,是太空网络安全防御的前提。针对卫星网络空间安全防御,提出了卫星网络空间威胁态势感知需要回答的一系列问题,构建了卫星网络空间态势感知本体(ontology of cyberspace situational awareness for satellite,OntoCSA4Sat),用于对卫星网络空间多源情报进行自动关联和推理。通过对一个案例进行表示和推理实验,验证了OntoCSA4Sat的一致性和用于推理解决卫星网络空间威胁态势感知问题的可行性,表明OntoCSA4Sat可为卫星网络空间威胁的态势感知提供分析框架,为太空网络安全防御辅助决策提供支撑。
文摘提出了一种基于带权图并行分解的层次化社区发现方法,该方法采用图划分的方式定义社区结构,并在这种社区结构之上实现了社会网络社区发现并行算法P-SNCD(parallel social network community discovery).P-SNCD算法有效地避免了传统的基于"模块度"的社区发现方法倾向于发现相似规模社区的弊端.同时,该算法能够以可扩展的方式,在处理器规模为O(hmn)或O(hn2)的条件下,以并行计算时间复杂度为O(logn)高效地挖掘大规模复杂社会网络中社区密度为h的社区,其中,n为社会网络节点数,m为边数,h为用户指定的任意社区密度.所提出的算法对用户参数输入要求简单,从而使得算法具有较强的实用性.充分的实验数据验证了所提出算法的精确性和高效性.
文摘文中提出了一种可并行分解的层次化动态社区发现算法D-SNCD(Dynamic Social Network CommunityDiscovery).D-SNCD算法充分利用复杂动态社会网络变化的局部性,对算法生成的层次化社区树HOT(Hierar-chical cOmmunity Tree)的分枝进行选择性更新.与传统的对动态社会网络直接采用快照方式进行社区发现相比,D-SNCD算法在效率上取得了明显的提高.由于D-SNCD是对已有的静态社区并行计算方法P-SNCD(ParallelSocial Network Community Discovery)的进一步扩展,因而D-SNCD保持着P-SNCD算法的高扩展性和高分辨率等优点.另外,D-SNCD算法对用户参数输入要求简单.严格的数学证明和充分的实验数据保证了整个算法的正确性和有效性.