k度匿名社交网络隐私保护方法

随着社交网络的迅速发展,社交网络积累了大量的数据,它们在一定程度上反映了社会规律。社交网络分析人员研究这些数据可得到有用的信息,但在该过程中,往往伴随着用户隐私泄露。针对如何在挖掘有效知识的问题中保证隐私安全,提出了k度匿名社交网络隐私保护方法(k degree anonymity social network privacy protection method,KDSNP)。首先,将社交网络转化为度序列,采用聚类的方法生成超点,再对超点进行划分得出至少包含k个节点的超点,以满足k度匿名的要求保证用户隐私,最后通过邻域中心概念和结构相似度相结合,对节点的边进行删除和增加,能有效减少信息损失和提高数据的效用性。在不同的数据集上的试验结果表明,与其他类似技术相比,该方法在匿名图和原始图间的平均相对性能较好。

无线传感器网络k度覆盖控制算法

针对网络覆盖问题提出一种利用勒洛三角形几何特征进行目标区域覆盖度的判断方法,并在此基础上设计k度覆盖算法(Reuleaux triangle-based k-coverage algorithm,RTC)。该算法首先把每个传感器节点的感知圆划分成6个相等的勒洛三角形区域,依定理判断该区域是否达到用户对网络覆盖度的要求,然后调度相应节点进入活跃状态实现对目标区域的k度覆盖。实验结果表明:RTC算法在保证网络覆盖质量条件下能够有效地降低活跃节点的数量,提高网络能量利用效率,从而延长网络生存期。

无线传感器网络中一种能量有效k度覆盖算法

覆盖率是衡量无线传感器网络性能的重要指标之一。在对目标节点进行k覆盖的过程中,会出现大量数据冗余迫使网络出现拥塞的现象,导致网络通信能力和覆盖能力降低、网络能量快速消耗等问题。为此,提出了一种能量有效k度覆盖算法(Energy Efficient k_degree Coverage Algorithm,EEKCA)。该算法利用节点之间的位置关系构造出覆盖网络模型,通过分析网络模型给出监测区域内节点覆盖期望值及对整个监测区域覆盖所需最少节点数量的求解过程;在能耗方面,给出了工作节点和邻居节点之间的能量转换函数比例关系,利用函数比例关系完成低能量节点的调度,进而达到全网能量平衡,优化了网络资源。最后,仿真实验结果表明,该算法不仅可以提高网络覆盖质量,还可有效抑制节点能量快速消耗,从而延长网络生存周期。

无线传感器网络中应用鲁洛三角形的k度覆盖算法

覆盖问题是无线传感器网络中的基本问题之一。着重考虑无线传感器网络在随机部署节点情况下的多重覆盖问题,提出一种应用鲁洛三角形的k度覆盖算法RTCA(Reuleaux triangle-based k-coverage algorithm)。RTCA把每个传感器节点的覆盖圆划分成6个相同的双弧形区域,根据网络覆盖度要求,调度这些区域内的节点状态来实现k度覆盖监测区域。仿真实验结果表明,RTCA在保证网络覆盖质量要求的同时能够有效地减少活跃节点的数量,延长网络的生存时间。未来还可以对该算法做进一步推广,以较容易地判断异构无线传感器网络的多重覆盖。

一种基于节点优化部署的k度覆盖算法

针对无线传感器网络在覆盖过程出现的空洞以及能量快速消耗等情况,本文提出了一种基于节点优化部署的k度覆盖算法。该算法首先建立传感器节点与目标节点之间的关联属性,通过关联属性确定覆盖集合;其次通过概率相关知识给出了最少传感器节点数量的求解方法;最后,通过仿真实验与其他算法进行对比,验证本文算法的有效性和稳定性。

基于节点分类的k度匿名隐私保护方法

针对传统k度匿名隐私保护方法严重破坏图结构和无法抵抗结构性背景知识攻击的问题,提出改进的k度匿名隐私保护方法。引入社区的概念,将节点划分为社区内节点和连接社区的边缘节点两类,通过区分不同节点的重要性,实现社区内节点的度匿名和边缘节点的社区序列匿名,从而完成整个社交网络的k度匿名。实验结果表明,该方法可降低数据实用性损失,抵抗以节点的度和节点所在社区关系为背景知识的攻击,提升隐私保护力度。

k度Cayley图等周数的上下界(英文)

主要讨论了k度Cayley图G_(n,k)的等周性质.k度Cayley图最近被设计用于构建互联网络。给出了k度Cayley图等周数i(G_(k,n))的上下界。

k度Cayley图顶点等周集的若干性质(英文)

主要讨论了k度Cayley图G_(n,k)的顶点等周集的若干性质.k度Cayley图被设计用于构建互联网络.证明了对于满足k≥5的k度Cayley图,没有部分覆盖任意一个完全子图的顶点等周集是肯定存在的.

改进的k度匿名图构造算法

在社交网络中,为防范用户隐私泄漏,在用户数据发布前需要做匿名化处理.针对以节点度数为背景知识的隐私攻击,将社交网络匿名化问题建模为图的k度匿名化问题;其主要方法是对图添加尽可能少的边或点来满足度匿名化要求,其中要求添加边或点较少是期望尽可能保持原图结构特性.目前,加边类算法并不能很好地保留平均路径长度等结构特性;加边且可加点类算法尽管能更好地保留原图结构特性,但添加的边或点较多.本文融合两类算法的策略提出改进算法.新算法利用贪心法生成匿名度序列,然后基于社区结构加边,并且优先满足其匿名代价高于平均匿名代价的节点的匿名化要求;若加边不能完成匿名化,则通过加点实现图匿名化.真实数据集上的实验结果表明新算法能更好地保留图的几种典型的结构特性,并且添加的边或点更少.

交换超立方网络的(t,k)故障诊断度研究

故障诊断是网络系统修复的一个重要环节,PMC诊断模型是一种简单、易于理解的故障诊断模型。通过对以交换超立方网EH(s,p)(1≤s≤p)为拓扑模型的多处理器系统进行结构分析,给出了该网络系统的一般化的故障诊断方法——(t,k)诊断方法,证明了在PMC模型下交换超立方网络EH(s,p)(1≤s≤p)是(2s+p+1/2,s+1)可诊断的,且是条件(2s+p+1-2s/p+1,2s)可诊断的。结果表明,交换超立方网的(t,k)诊断度2s+p+1/2大于其传统诊断度s+1,条件(t,k)诊断度2 s+p+1-2sp+1大于其传统条件诊断度4s-3。这些结果为交换超立方网络的故障诊断提供了重要的理论依据。

鱼类贮藏期间鲜度指标K值变化及鲜度评价

目的研究鱼类肌肉在不同贮藏条件下的鲜度指标K值及鲜度变化情况。方法鱼类肌肉在不同条件下贮藏,肌肉中的ATP关联物用高氯酸溶液提取后用高效液相色谱进行检测,通过公式计算出K值。结果K值与鱼类的新鲜度变化趋势有较好的规律性,随着贮藏时间延长K值增大,温度越低变化越缓慢。在28~30℃条件下只能贮藏数小时,4~5℃条件下可延长至5 d,?2~0℃条件下贮藏大于15 d。结论 K值客观地反映了鱼类贮藏过程中的鲜度变化情况,适合于作为鲜度的判定指标。

基于K-L散度的EMD虚假分量识别方法研究

经验模态分解(empirical mode decomposition,EMD)以其自适应的滤波特性和多分辨率在很多非线性研究领域得到广泛应用,但在分解过程中常会出现虚假分量。针对此问题,基于信息论的知识提出利用K-L散度(Kullback-Leibler divergence,K-L)的虚假分量识别方法。该方法先将原始信号分解成若干个本征模态函数(intrinsic modefunction,imf),再分别计算原始信号与imf分量之间的K-L散度,然后将所求的K-L散度值从小到大排序,对应于较大K-L散度值的imf分量被视为虚假分量,可以去除。实验证明,该方法能够明显地区分出真实信号与虚假分量,准确而快速的得到信号的真实成分,消除虚假分量的影响。

p^mq^n周期q元序列线性复杂度与k错复杂度的关系

研究了q元周期序列线性复杂度和k错复杂度之间的关系,给出了k错复杂度严格小于线性复杂度的一个充要条件。当周期为N=pqn时,给出了使得LC(S+E)<LC(S)成立的错误多项式EN(x)的确切表达式,以及使得LCk(S)<LC(S)成立的最小的k值,即minerror(S)的值,结果表明minerror(S)与线性复杂度的重量密切相关;当周期为N=pmqn时,给出了使得LC(S+E)<LC(S)成立的用错误多项式EN(x)表达的一个充分条件。这里p为奇素数,q是素数且是一个模p2的本原根。

基于K-L散度的最大后验弧主导的混淆网络生成算法

为快速生成高质量混淆网络,该文提出一种最大后验弧主导的快速生成算法。它只需遍历一遍Lattice,具有线性时间复杂度。采用K-L散度(Kullback-Leibler Divergence,KLD)来度量弧标号之间的发音相似性,改善了混淆网络生成中弧对齐的准确性。实验结果显示,所提算法在生成速度上和Xue的快速算法是可比的,而生成质量更好。通过采用KLD作为弧标号相似性测度,生成混淆网络的质量得到了进一步提高。

基于K近邻隶属度的聚类算法研究

经典模糊C均值聚类算法(FCM)基于欧氏距离,存在不同规模类簇不能正确聚类问题,针对此问题提出一种基于K近邻隶属度的模糊C均值聚类算法(KNN_FCM)。讨论了基于K近邻隶属度的粗糙C均值聚类算法(KNN_RCM)和粗糙模糊C均值聚类算法(KNN_RFCM),此方法避免了传统粗糙C均值聚类算法(RCM)和粗糙模糊C均值聚类算法(RFCM)中阈值选择问题。将KNN_FCM、KNN_RCM、KNN_RFCM分别与FCM、RFM、RFCM在UCI数据集上进行仿真比较,结果表明新方法是可行、有效的。

求周期为2p^m二元序列k错线性复杂度的快速算法

采用联合代价的方法,给出了求周期为2p^m二元序列k错线性复杂度的快速算法,这里p是素数,并且2是一个模p^2的本原根.同时指出了已有文献中的一个主要算法是错误的.

随机周期序列k错线性复杂度的期望上界

周期序列的k错线性复杂度是衡量流密码系统的安全性能的一个重要指标。本文给出了周期序列k错线性复杂度上界的一个更强的结果,从而给出了几种不同情形下随机周期序列k错线性复杂度的期望的上界。特别地,还给出了周期N=pv,随机周期序列满足一定条件时1错线性复杂度的期望更紧的结果。

二元周期序列的k错误线性复杂度

随着k的增大 ,序列k错误线性复杂度的值会从线性复杂度递减到 0 .对于周期为 2的方幂的二元序列 ,Kurosawa讨论了线性复杂度和k错误线性复杂度的关系 ,给出了使得序列的k错误线性复杂度严格小于序列的线性复杂度最小的k值 .本文利用多项式的权重关系给出了使得序列k错误线性复杂度再次减小的最小k值 .

基于相对密度和流形上k近邻的聚类算法

针对传统的基于欧氏距离的相似性度量不能完全反映复杂结构的数据分布特性的问题,提出了一种基于相对密度和流形上k近邻的聚类算法。基于能描述全局一致性信息的流形距离,及可体现局部相似性和紧密度的k近邻概念,通过流形上k近邻相似度度量数据对象间的相似性,采用k近邻的相对紧密度发现不同密度下的类簇,设计近邻点对约束规则搜寻k近邻点对构成的近邻链,归类数据对象及识别离群点。与标准k-means算法、流形距离改进的k-means算法进行了性能比较,在人工数据集和UCI数据集上的仿真实验结果均表明,该算法能有效地处理复杂结构的数据聚类问题,且聚类效果更好。

2~mp^n周期二元序列的线性复杂度和k错线性复杂度

序列线性复杂度的稳定性是衡量其随机性好坏的一个重要指标。针对2mpn周期二元序列,利用多项式分解等工具,确定了使得序列的k错线性复杂度严格小于其线性复杂度的最小k值的上下界,其中n是正整数,m是非负整数,p是奇素数,2是模p2的原根。