IPv6网络攻击事件溯源中的攻击树节点特征定位

在网络普及的现代,各类网络协议层出不穷,而在当下最为普遍的便是IPv6网络协议,其虽然优化解决了前网络协议中存在的部分问题,但是依旧存在各类安全隐患,为了能更好地预防并构建网络防御系统,需要对过往攻击事件中的攻击树节点特征实施提取。为此,提出了IPv6网络攻击事件溯源中的攻击树节点特征定位。该方法首先利用攻击类型实施扩展,得到攻击树模型,并以此展开计算,之后结合深度学习网络对攻击树的节点特征实施提取,最后利用DV-Hop方法对提取到的攻击树节点特征实施定位。所提方法在定位过程中不仅能耗低,而且误差小,不易受环境干扰,定位稳定性较好,定位效率较高,可以更有效地为改进网络防御系统提供数据支持。

面向分布式虚拟机监视器的节点特征描述机制

DVMM基于硬件虚拟化技术,在机群硬件之上构建一层系统软件以感知机群的物理资源,并虚拟化全局物理资源,整合构建全局虚拟资源信息呈现给操作系统OS(Operating System)使用。DVMM为多台物理机虚拟为一台虚拟机描述了一个框架,但是此框架存在一个性能上的缺陷:OS对底层硬件拓扑并不真正了解的情况下,可能将不适合在某节点上运行的任务调度到该节点,引发大量的节点间通信,从而导致该任务运行效率显著降低。提出分布式虚拟机监视器DVMM(Distributed Virtual Machine Monitor)中的节点特征描述机制NCM(Node Characterization Mechanism)。NCM解决了上述问题,其主要思想是将各个节点的特征描述并保存,为资源管理提供更全面的系统资源描述,呈现系统拓扑结构及节点底层硬件差异供DVMM使用。以上述机制为基础(并在OS的配合下),能够实现任务的高效调度,提高整系统的运行效率,使得DVMM更加完善。

基于节点特征分类的配电网重构辐射约束处理法

针对配电网重构问题中辐射状拓扑约束的不可微和抽象性给求解带来的困难,结合配电网结构特点和图论对节点的特征分类,将配电网中节点分成外部节点、内部节点和多重节点3类,然后基于配电网辐射状拓扑约束和图论分析,引入闭环开关组、关联支路开关组和禁止开关组的概念,避免重构后3类节点形成孤岛,并将相应的搜索控制策略融入遗传算法的初始化、2点交叉和变异的过程中。69、84、135节点测试系统的求解结果表明,该算法使染色体中每个基因基于对应的闭环开关组生成,保证打开环路的同时缩小了搜索空间。关联支路开关组和禁止开关组的引入,简化了交叉和变异时个体可行性校验和不可行解的调整过程,仿真证明了该方法的有效性。

网络节点特征与城市绿色创新效率提升——基于节点枢纽性与节点聚集度视角

随着城市间创新联系的持续增强,城市创新网络的优化与发展对城市绿色创新效率的促进作用日益凸现。部分研究考察了城市绿色创新效率的空间溢出效应和城市创新网络特征的影响,但鲜有文献关注城市的网络节点特征对其绿色创新效率的影响,尤其缺乏相应的经验分析。本文认为,在城市创新网络中各个城市即网络中的节点,创新资源和活动在节点的聚集产生规模效应,创新资源和活动在节点间流动则带来溢出效应,两者都有利于城市绿色创新效率的提升。因此,反映节点在网络联系中重要性的节点枢纽性和反映网络中不同节点聚集成团程度的节点聚集度提高,均有利于城市绿色创新效率的提升。节点枢纽性的提高对城市自身的基础设施建设提出更高要求,因而可以通过改善基础设施的路径促进城市绿色创新效率提升;节点聚集度的提高为城市金融发展带来更多的需求和机会,因而可以通过增加创新投融资规模的路径促进城市绿色创新效率提升。在城市密度和经济发展水平较高的地区,城市间的创新联系较便利,节点枢纽性提高对城市绿色创新效率提升的促进作用较大;而在城市密度和经济发展水平较低的地区,创新聚集的效率相对较高,节点聚集度提高对城市绿色创新效率提升的促进作用较大。以2010—2018年中国279个城市为样本,通过引力模型构建城市创新网络,进而测度节点枢纽性和节点聚集度,分析发现:节点枢纽性和节点聚集度对城市绿色创新效率具有显著正向影响;城市交通基础设施在节点枢纽性促进城市绿色创新效率中具有显著的部分中介效应,城市金融机构存款水平在节点聚集度促进城市绿色创新效率中具有显著的遮掩效应;节点枢纽性对城市绿色创新效率的促进效应在东、中、西部地区依次减弱,而节点聚集度的促进效应依次增强。相比已有文献,本文主要从三个方面进行了拓展和深化:一是从网络节点特征角度拓展城市绿色创新效率的影响因素研究,二是从影响路径和区域异质性层面深化网络节点特征影响创新效率的机制研究,三是为通过改善网络节点特征促进绿色创新效率提升提供经验证据。本文揭示了城市创新网络进化(节点枢纽性与节点聚集度提高)对绿色创新效率提升的重要作用及其影响路径和区域异质性,有利于在新发展阶段通过优化城市网络发展格局进一步促进创新发展和绿色发展。

融合节点特征的网络表示学习算法

现实生活中的各种数据都可以建模为网络,分析网络中的结构和信息有重要的研究意义。基于联合社区检测和节点表示学的生成模型能够有效的对网络节点进行表示,但该算法没有有效的利用节点之间的特征。针对此问题,融合网络节点之间的特征可以有效的进行网络表示学习。本文提出了一种融合节点特征的网络表示学习算法NFVgraph(Node Feature Vgraph),融合网络节点特征进行网络表示学习。在多个真实网络数据集上的实验证明:NFVgraph算法提升了Vgraph算法的准确率。

基于知识网络特征的产业关键共性技术识别模型与实证研究——以新一代信息技术产业为例

[目的/意义]构建产业关键共性技术识别模型并进行实证研究,为产业技术创新布局提供参考。[方法/过程]从技术领域和技术主题两个层面,探索知识网络特征与产业关键共性技术特征的关系:将技术领域共现网络中具有相似性质的节点集合作为产业共性技术领域;根据网络中节点的结构位置,计算技术主题特征指标,最终筛选出产业关键共性技术。[局限]该模型未考虑不同国家或地区之间技术竞争与布局的差异,后续研究将进一步探讨。[结果/结论]本文以新一信息技术产业为例,识别出8个共性技术领域和20个技术主题。本文研究模型从专利文献内容和技术发展规律两个方面综合考量,确保了模型及其结果的科学性、合理性和可靠性。

一种大规模网络中基于节点结构特征映射的链接预测方法

网络链接预测能够获取网络中丢失链接的重要信息或进行网络的动态演变分析.现有的基于节点相似性的网络链接预测方法往往针对简单的一(多)阶邻居信息或特定类型的小型网络,设计较为复杂的计算方法,其扩展性和大规模网络中的可计算性都受到了严峻的挑战.文中基于深度学习在神经网络语言模型中应用的启发,提出了一个LsNet2Vec(Large-scale Network to Vector)模型.通过结合随机游走的网络数据集序列化方法,进行大规模的无监督机器学习,从而将网络中节点的结构特征信息映射到一个连续的、固定维度的实数向量.然后,使用学习到的节点结构特征向量,就可以迅速计算大规模网络中任意节点之间的相似度,以此来进行网络中的链接预测.通过在16个大规模真实数据集上和目前的多个基准的最优预测算法对比发现,LsNet2Vec模型所得到的预测总体效果是最优的:在保证了大规模网络中链接预测计算可行性的同时,于多个数据集上相对已有方法呈现出较大的AUC值提升,最高达8.9%.

基于物联网的通信网络节点检测方法

在由多种不同类型异常节点组成的复杂通信网络环境中,节点检测难度较大,导致检测正确率下降,所以引入物联网技术,开展对通信网络节点检测方法的研究。利用物联网技术界定通信网络覆盖范围,对确定通信网络环境中各个节点的状态识别,确定每个节点状态。根据节点状态提取正常节点与异常节点特征,检测出通信网络正常节点与异常节点,实现通信网络节点检测。实验结果表明,新的检测方法在由多种不同类型节点组成的复杂通信网络环境中具备极高的检测精度,在检测准确率、节点特征提取正确率和检测耗时上都具备显著优势。

基于特征节点分析的恶意节点检测算法研究

无线传感器网络(WSN)通常部署在复杂的环境中,攻击者很容易通过俘获节点注入虚假数据,造成严重后果。提出基于对事件源能量感知值相近的特征节点的恶意节点检测机制(DAFNA),首先对事件源的能量值进行估计,且在此过程中过滤保留良性特征节点;然后以特征节点为参照建立坐标系,通过分析待检测节点与事件源的距离计算值与距离感知值之间的差异,进行恶意节点的判断;最后通过仿真实验,对算法性能进行分析,并与Hur算法对比,得出DAFNA算法所需先验知识少,恶意节点容纳度更好。

无线自组网中多种节点状态的行为特征及关联分析

从节点行为对网络安全的影响角度看,恶意节点将直接导致路由破坏或者毁坏数据.因此,在节点行为检测和信任度评估时,必须首先重点关注其安全性行为特征,以便降低恶意行为节点的信任值.归纳了网络中九种常见的节点行为类型,分析了各行为状态的行为特征,建立了特征模型,提出了检测特征参数和关联检测模型.仿真结果表明,提出的节点行为检测特征参数和关联检测模型,在静态及网络变化时,对不合作节点、恶意节点的行为信任值评估定级均有较高的准确性,可以有效排除这些节点的网络活动.

基于节点与场所模型的京沪线宿州站站域空间特征研究

节点-场所结构模型是评价高铁站域空间发展特征的重要方法。文章以京沪线宿州站为例,采用节点与场所结构模型的分析方法,对影响站域空间发展的区位关系、节点特征、场所特征三方面进行研究;通过对比分析,明确影响我国高铁站域空间发展的关键因素;通过距离指数分析,明确宿州站的区位特征;通过场所和节点价值测算,明确宿州站站域空间的空间演化特征。文章最后提出了相应的均衡发展的策略,以期为远郊区站域与城市协同发展提供理论与实践参考。

基于多节点组合特征和模糊聚类的中文词义消歧方法

词义消歧是自然语言处理中的难点问题,为提高消歧效果,提出一种基于多节点组合特征的词义消歧方法。根据依存语法理论,选择歧义词的祖父+父亲+孩子节点组合,并将其作为消歧特征。利用模糊C均值聚类算法,建立消歧模型,最终确定歧义词词义类别。采用哈工大信息检索研究中心语言技术平台的词义语料进行实验。实验结果表明,相比现有的两种方法,该方法不仅使特征维度平均值分别降低了5和25,且F1值分别提高了1.56个百分点和0.84个百分点,在一定程度上提升了词义消歧效果。

考虑节点能量特征的无线传感数据加密传输方法

无线传感数据传输加密过程中,由于忽视节点的能量特征导致网络链路发生抖动,加密传输安全性较差。为此提出考虑节点能量特征的无线传感数据加密传输方法。通过混沌参数调制及时间戳技术,使得二阶映射自身的迭代律不断重复和交替传输,可以有效获取节点能量特征。在此基础上构建节点-链路评估模型,从节点、链路、能量三方面计算并控制无线传感网络的传输能量和功率损耗,促使网络链路状态平稳,以此评估网络安全环境,实现无线传感数据加密传输。仿真结果表明,所提方法的通信开销节约了70%能量,最优抗攻击性为94%,数据融合精确度为93%,有效提高了无线传感数据加密传输安全性。

论P2P文件共享系统的节点行为特征

随着互联网络的快速发展,P2P文件共享系统已经成为了当今互联网流量的重要组成部分,是整个网络通信领域研究的热点之一。文件传播模型是研究P2P文件共享系统中节点行为特征最常用的一种方法。由于文件在网络中的复制传播与流行疾病在人群中传播有许多相似之处,运用系统动力学的理论与方法,建立一种基于SEIR的文件传播模型,能够从定性和定量两个方面分析和预测文件的复制传播趋势。

基于图数据的图神经网络分类性能研究

图神经网络采用神经网络来处理图数据,它能有效提取和发掘图结构数据中的特征和模式。为了研究在图数据处理上图神经网络的处理分类性能是否优于传统的机器学习算法以及分类过程的不同之处,文章选择了K近邻算法和图卷积网络,分析这两种算法对图数据cora数据集的提取特征及分类过程和分类结果。分类结果显示:图卷积网络对cora数据的分类准确度可以达到80.24%;K近邻算法对cora数据集的分类精度仅为44.27%,这表明图卷积网络相对于K近邻算法能更高效地对cora数据集的各节点进行分类。从分类过程可以看出,图卷积网络和KNN的分类过程基本类似,但图卷积网络提取了图数据的节点特征,利用节点间的边的信息,而KNN算法没有利用节点间的信息,导致其不能有效实现对cora数据集节点进行分类。

计及量测噪声的特征节点对联合判稳与紧急控制

快速判别功角稳定性并实施紧急控制,对降低失稳风险、保障电网安全具有重要意义。该文针对不同位置的两节点,解析节点电压相量之间的相位差与频率差的时空分布规律,以及节点对与机组对相频轨迹的内蕴关联特征;评估广域测量系统(wide area measurement system,WAMS)量测信噪比(signal-to-noise ratio,SNR)、拟合时窗以及截止频率等因素对相频轨迹凹凸性误判率、判别时延的影响,提出量测采样及滤波参数的整定方法。为适应机群之间非同调振荡对节点对凹凸性判稳的影响,提出联合两个特征节点对(关键支路节点对NPkb和最大相位差节点对NPmθ)相频轨迹凹凸性判稳的方法,以及降低失稳风险的紧急控制策略。面向交直流混联实际大电网的仿真结果,验证采样与滤波参数整定方法的正确性,以及判稳方法和控制策略的有效性。

一种融合节点先验信息的图表示学习方法

图表示学习是实现各类图挖掘任务的基础.现实中的图数据不仅包含复杂的网络结构,还包括多样化的节点信息.如何将网络结构和节点信息更加有效地融入图的表示学习中,是一个重要的问题.为了解决这一问题,基于深度学习,提出了融合节点先验信息的图表示学习方法.该方法将节点特征作为先验知识,要求学习到的表示向量同时保持图数据中的网络结构相似性和节点特征相似性.该方法的时间复杂度为O(|V|),其中,|V|为图节点数量,表明该方法适用于大规模图数据分析.同时,在多个数据集上的实验结果表明:所提出的方法相比目前流行的几种基线方法,在分类任务上能够获得良好而稳定的优势.

DNPS:基于阻尼采样的大规模动态社会网络结构特征表示学习

网络特征表示学习通过对网络节点之间的关系(结构或属性)进行分析,得出网络特征的低维度表达.现有的针对网络特征学习的方法多基于静态和小规模的假设(如静态的语言网络),并没有针对社会网络的特有属性进行修正学习,因此,现有的学习方法无法适应当前社会网络所具备的动态性、大规模甚至超大规模等特性.该文在已有研究基础上,提出了基于动态阻尼正负采样的社会网络结构特征嵌入模型(Damping Based Negative-Positive Sampling of Social Network Embedding,DNPS).通过对不同阶层的网络节点关系进行正负阻尼采样,同时构建针对新增节点的动态特征学习方法,使得模型对于大规模社会网络在动态变化过程中的结构特征的提取变得可行,以此获得的节点特征表达具备更好的动态鲁棒性.通过选取3个大规模的动态社会网络的真实数据集和在社会网络的动态链接预测问题的实验中发现:DNPS相对于基准模型(DeepWalk/LINE)在预测准确率以及时间效率上都取得了较大的性能提升.同时,DNPS的学习结果还可以被应用于社会网络的相关研究子领域.例如,在大规模以及动态性的环境下,研究大规模动态社区发现、社会网络用户推荐、标记分类等问题.

基于特征分类的机会网络多因素预测路由

为了对复杂的机会网络进行分类分析并且确定有效的路由机制,提出基于特征的分类,根据节点的移动特征、类型特征和信息传递特征对机会网络进行了形式化的分类,并给出一个基于特征分类的机会网络评价标准.在特征分类以及冗余-效用路由机制的基础上,提出基于多因素预测的路由规则,其中包含了基于节点运动时空局限因素、节点运动地理倾向因素、网络固定节点因素考虑的一系列启发式规则.特征分类和基于此的多因素预测路由规则都是开放式的,可以进行不断地完善与扩充.实验结果表明,基于特征分类的多因素预测路由规则的性能,显著优于经典的基于冗余的路由机制,以及基于冗余-效用混合的PROPHET机制.

多层特征动态加权图卷积网络

针对目前的图卷积神经网络中,没有关注节点的重要程度和有效利用每一层卷积层所提取信息的问题,本文提出了一种用于图分类任务的改进图同构网络模型.首先,为了区分节点的重要程度,本文通过用度矩阵加权卷积算子的方式,使邻居节点数目多的节点获得了更大的权重,使得网络在学习时优先考虑这些节点特征信息.其次,为了区分每一层卷积层重要程度不同,本文计算了每一层节点特征的相似度,根据相似度来为每层节点的特征加权.在实验部分,本文将提出的方法与6个主流的神经网络方法在4个数据集上作比较.实验结果表明,本文提出的多层特征动态加权图卷积网络在图分类问题上比主流的模型性能更好.