AS级Internet拓扑层次性分析与建模

基于对AS(autonomous system)级拓扑实测数据的分析,提取出拓扑层次性相关的若干重要特征;给出层次划分的按据、优化参数以及新加入节点的连接细节和非线性择优概率;提出了一种基于核数划分的AS级互联网层次动态演化模型(IAT-HDEM)。对模型进行了计算机建模和数值仿真评估,分析表明该模型能较好地模拟出真实互联网AS级拓扑的宏特征、幂律特性和层次特性。

基于核数分层的AS关系拓扑建模

基于真实AS级互联网拓扑实测数据进行层次特性和AS关系特性分析,提出了一种基于核数分层的AS关系拓扑动态演化模型.建模和仿真评估表明该模型在整体上具与实际网络相似的拓扑宏特性,还再现了AS商业关系的规律,是一种能够逼真模拟互联网AS级拓扑宏观、微观特性的动态演化模型,并且作为一种AS关系推测算法,还能为任意的AS级无向图提供带AS关系标注的拓扑图,拓展了模型的应用.

互联网中路由级和IP级拓扑分形特征分析

首先使用粗粒度重整化方法对互联网IPv4路由级拓扑和IPv6 IP级拓扑进行处理,得出度分布幂指数不随粗粒度化测量尺度变化的特性;其次,利用分形理论中分布函数的方法计算互联网在不同维度下的分形维数,探索互联网度分布的分形特征;最后通过对CAIDA数据源的数据分析,研究了IP级数据在时间演化上的分形特征,并得出相应的结论。研究结论能够为互联网结构特性研究提供一定的理论基础。

静息态功能脑网络核心节点评价方法及其在抑郁症分类上的应用

识别大脑功能网络的核心节点对于脑科学与脑疾病研究有重要的指导意义。目前,研究者普遍运用度中心性和k-core分解法来度量网络的核心节点,然而度中心性只考虑节点自身的邻居个数而忽略了其在网络中的位置。k-core分解法只考虑节点在网络中的位置而忽略了其自身的特性。本文综合考虑节点的度值及其在网络中的位置,提出了一种基于度值和节点位置相结合的核心节点评价方法。对正常被试大脑功能网络进行蓄意攻击仿真实验表明:与度中心性和kcore分解法相比,对采用新方法识别出的核心节点进行蓄意攻击后,网络的全局效率下降幅度最大;其次,依据文中提出的中心性指标,找到抑郁症患者和正常被试之间具有显著差异的脑区,并将这些脑区的中心性指标作为分类特征进行分类,使得分类的准确率提高了7%.

基于合格邻居和异常检测的社区增强协同过滤

为了解决协同过滤推荐算法存在较大预测误差和推荐列表准确度不高的问题,提出一种结合异常检测和网络社区并基于所有合格邻居的协同过滤推荐算法。该算法使用修改的拉依达准则检测标记数据异常,在协同过滤相似度计算阶段降低与异常用户之间的相似性权重;使用得到的用户相似性建立网络模型,利用K核分解进行网络社区检测,在得到用户间的社区信息后对社区中用户进行相似性权重处理。基于MovieLens数据集并与五种同类型算法进行对比实验,结果表明,提出的算法可以有效降低预测误差以及提升推荐列表的排序准确度。