基于卡方统计的近似子图匹配

图查询的应用越来越广泛,其中近似子图匹配是核心技术之一.但是大规模图数据中噪音的存在对近似子图匹配精确度影响较大,为进一步提高近似子图匹配算法的鲁棒性和实时性,提出一种基于卡方统计的近似子图匹配改进算法.在算法预处理阶段,利用统一邻居随机游走距离和高斯影响函数将目标图划分,使得划分后的子图在拓扑结构和标签属性之间达到最佳平衡.在算法匹配阶段,使用卡方统计量捕获的统计显著性来表征近似子图匹配结构相似度,再结合权重系数a调整结构相似度和标签相似度所占比重,其中统计显著性模型能够充分考虑背景结构和顶点邻域中的标签分布,有效处理部分标签和结构失配,从而得到最佳匹配子图.真实数据集中的实验结果表明,该算法效果较好,运算效率较高,可以应用于Toprk近似子图匹配.

基于邻居向量的近似子图匹配

将近似子图匹配分成节点匹配和边匹配两个阶段。将数据图中所有节点的h-邻居节点表示成向量形式,采用一种启发式推理算法进行节点匹配得到节点对应关系,使用查询节点权重提高匹配相似度,使用节点过滤、索引技术和孤立候选节点提高运算效率;利用邻居向量索引得到匹配节点集合的扩展图,进行边匹配,得到匹配图。在真实数据上进行实验,实验结果表明,该算法效果较好,运算效率较高,可以应用于节点标签稀疏的情况和top-k近似匹配。

基于近似个体协同的进化子结构发现

SUBDUE是一个主流的图数据挖掘算法。为克服其贪婪式查找易陷入局部极值的问题,将进化算法与爬山算法相结合并引入图数据挖掘,较好地权衡了算法的探查和利用能力。另外,针对图数据挖掘中普遍存在的实例易丢失的问题,采用了个体协同的查找方法,该方法与常见的种群间协同进化算法不同,可以使同一种群中的个体进行协同查找,重新找回丢失的实例。同时,还给出了一种具有多项式时间复杂度的近似图匹配算法以改善个体间协同的性能。实验结果表明,以上措施增强了算法的执行效率及寻优能力,能够获得更优的解。

恶意软件同源性检测技术研究与发展

针对持续恶化的网络安全形势,本文从恶意软件检测的角度出发,首先阐述了目前恶意软件特征和同源性检测技术发展趋势,接着从四个方面论述了恶意软件分析与同源性判定技术及其优缺点,最后,针对现有恶意软件同源性检测技术研究的不足,提出了该技术未来的研究方向和发展趋势。