大数据环境下用于实体解析的两层相关性聚类方法

数据量大、数据更新速度快、数据源多样和数据存在噪声是大数据的四大特点,这为数据集成提出了新的挑战.实体解析是数据集成的一个重要步骤,在大数据环境下,传统的实体解析算法在效率、质量,特别是抗噪声能力方面的表现并不理想.为了解决大数据环境中因为数据噪声所导致的解析结果冲突,将公共邻居引入相关性聚类问题.上层预分块算法基于邻居关系设计,因而能够快速有效地完成初步分块;核概念的引入更精确地定义了节点与类之间的关联程度,以便下层调整算法准确地判断节点的归属,进而提高相关性聚类的准确度.两层算法采用较为粗糙的相似度距离函数,使得算法不仅简单而且高效.同时,由于引入邻居关系,算法的抗噪声能力明显提高.大量实验表明,两层相关性聚类算法无论在解析质量、抗噪声能力还是在扩展性方面均优于传统算法.

Ad hoc网络的局部最优路由选择策略

在Ad hoc网络中,由于节点的移动性及拓扑结构的易变性,路由成为最受关注的问题。提出了一种局部最优路由策略(LOR)。在该策略中,有两个节点需要通信时,根据节点存储的路由信息选择路径,如果有节点移动/删除,则就近选择合适的路径。仿真结果表明,LOR策略在工作过程中能使用较少的信息量和较小的时延来建立路径,明显提高了网络的性能。

一种基于AODV的安全路由机制

介绍了目前针对移动Ad Hoc网络路由协议的各种攻击模型,分析了攻击对网络性能的影响,提出了一种基于公共邻居监听的安全路由机制。将这种安全机制应用在典型的按需路由协议AODV之上,以黑洞攻击为例,对各种性能指标进行了仿真和分析。结果表明这种机制能够很好地预防和解决Ad Hoc网络中恶意节点的路由攻击。

基于增量学习的动态社交网络链接预测

在现实世界中,社交网络的结构并不是一成不变的,而是随着时间的推移不断地发生变化。链接预测可以发现社交网络中隐藏的和未来可能产生的关系链接,这些关系链接在很多实际应用场景中得到了广泛的应用。现有的链接预测方法主要针对只具有单个时间节点的静态网络,较少关注连续时间节点的动态社交网络的链接预测。并且,直接把现有的链接预测方法用来对动态社交网络的每个时间节点的整个网络进行链接预测效率较低,不能满足在大数据背景下进行高效的链接预测。针对该问题,本文将资源分配算法改进之后,通过增量学习的思想将其引入到动态社交网络链接预测当中,提出了一种新的链接预测算法。该算法不仅仅考虑了公共邻居节点的资源分配,也考虑了待预测节点本身的资源分配。更加符合动态社交网络随着时间变化,待预测节点本身的邻居也可能会发生变化的特点。在数据集上进行的仿真实验得出的结果证明该算法提高了链接预测的时间效率,并且,预测准确率也略有提高。