基于图神经网络的复杂网络关键节点检测算法

针对复杂网络关键节点检测算法准确性低及可靠性不足的问题,结合图神经网络(Graph Neural Network, GNN)模型提出了一种新的复杂网络关键节点检测算法。将复杂网络建模为图模型,通过注意力机制学习每个邻居节点的权重;利用GNN强大的图学习和推理能力,评估网络中节点与连接的关键性评分;采用强化学习(Reinforcement Learning, RL)搜索GNN的超参数,从而提高关键节点检测算法的可扩展性及可靠性。仿真实验结果表明,由该算法检测的关键节点具有较高的准确性,并且具有较快的运算速度。

基于SNA的突发事件网络舆情关键节点识别——以“7·23动车事故”为例

运用社会网络分析方法(SNA)研究突发事件舆情传播的网络结构特征及关键节点识别,探究舆情传播的网络结构、节点位置及相互关系对信息的传播路径、传播速度及传播范围的影响等问题。以2011年重大突发事件"7.23"动车事故为实证研究对象,运用Pajek软件生成了"7.23"信息传播网络拓扑图,基于邻接矩阵数据进行了网络密度、可达性、聚类系数和中心性测度,依据测度结果和位置角色分析对其进行关键节点分层与识别。研究表明,突发事件网络舆情的传播和扩散以社会网络结构为基础,具有复杂性和动态性特征;网络结构与节点位置决定着成员的"影响力"程度;中心关键节点的资源控制能力与信息输入输出效率具有显著的正相关性。可以通过改变中心度、聚类系数等手段嵌入式引导关键节点,减少谣言和恐慌情绪的传播。本文采用详实数据对舆情传播关键节点的分层识别,拓展了社会网络方法在应急管理领域的应用,克服了以往研究中技术与管理实践相分离的弊病。

基于关键节点的网络热点信息抽取

首先通过实验论证社交网络关键节点对热点信息的产生、传播、引导具有重要作用。在此基础上,关键节点的热点信息按如下方式进行处理:1)对单条信息进行分词处理,得到其切分词集合,滤出其中无意义的切分词;2)将得到的切分词进行重新拼接,滤除其中无意义拼接序列,得到单条热点信息的摘要;3)合并同一含义的热点信息摘要,得到热点信息摘要集合,即为网络热点信息。通过上述一系列的操作,较大幅度地提升了热点信息抽取的准确性和全面性,在社交网络上得到了良好的验证结果。

基于自组织临界性的电力异构通信网络稳定性研究

电力异构通信网络在未来的智能电网中起着重要的作用,但是其结构复杂,极易发生大面积网络的瘫痪。针对此问题,利用复杂网络中的自组织临界性理论,将电力异构网络按照三角剖分理论划分为多个子区域,根据各个节点发生关联故障的概率指标,提出了一种改进的遗传算法。此算法搜索关键的故障网络节点,对关键的故障网络节点进行维护或切断,从而使电力异构通信网络处于自组织而远离临界状态,最终避免了大面积网络瘫痪事件的发生。仿真结果表明,所提算法在多种网络拓扑结构下具有鲁棒性。

航班运行风险网络的传播与控制改进

为探究航班运行风险的产生、传播与控制过程,首先统计华北区域航班运行数据共计76个风险节点。然后,采用偏秩相关系数构建风险网络,再使用社团模块探测算法与三角最大滤波法验证网络适用性。并且,提出一种适用于航班运行风险分析的SEIR(susceptible-infected-exposed-recovered)模型。根据动力学传播结果,聚类定位网络传播中关键节点。最后,采用前置预防与战术处置两类控制方案。计算结果表明,仅控制5个节点后,感染峰值可降低18.44%,峰值时间推后两个周期,起降等重要操纵节点被感染次数平均下降11.74%。该方案在感染峰值、感染周期、重要节点感染3个方面的抑制效果均占优。以上结果证实,所提方案可有效用于航班运行风险问题分析。

Cause Analysis of Consumer‑Grade UAV Accidents Based on Grounded Theory‑Bayesian Network

In order to reduce the accident rate of consumer-grade unmanned aerial vehicles(UAVs)in daily use scenarios,the accident causes are analyzed based on the accident cases of consumer-grade UAVs.By extracting accident causing factors based on the Grounded theory,the relationship between these factors is analyzed.The Bayesian network for consumer-grade UAV accidents is constructed.With the Grounded theory-Bayesian network,the probability of four types of accidents is inferred:fall,air collision,disappearance,and personal injury.With the posterior probability of each factor being reversely reasoned,the causal chain with the maximum probability of each accident is obtained.After the sensitivity of each factor is analyzed,the key nodes in the network accordingly are inferred.Then the causing factors of consumer-grade UAV accidents are analyzed.The results show that the probability of fall accident is the highest,the fall accident is associated with the probabilistic maximum causal chain of personal injury,and the sensitivity analysis results of each type of accident as the result node are inconsistent.