[发明专利]一种识别网络图中关键节点的分布式方法

说明书

本发明涉及一种识别网络图中关键节点的分布式方法，包括：采用点切分方式将网络图切分到n台机器上；选择工作节点，分别对所述工作节点的消息和所述工作节点的后继节点的消息进行初始化；更新所述工作节点的后继节点的消息；确定所述工作节点的后继节点的单点依赖；根据网络图中节点的单点依赖确定节点的桥接中心度，本发明采用Graphlab框架来实现，不仅支持基于消息的编程模型，而且支持共享内存风格的“收集‑更新‑扩散”模型，能够获得更快的运行速度，并且随着集群规模的扩大，可以支持在更大规模的图中计算关键节点。

技术领域

本发明涉及分布式图计算领域，具体涉及一种识别网络图中关键节点的分布式方法。

背景技术

网络图中的关键节点在图的组织和信息传播中起着枢纽作用，对图中关键节点进行标识和发现是图中的一个重要研究方向，有着广阔的应用场景和重要的应用价值。例如，社交网络成员中的关键节点通常具有更大的影响力或者是更强的信息传播能力，找到社交网络中的关键节点可以分析甚至影响社交网络中的消息传播。在计算机网络拓扑中对关键节点进行保护可以提升整个网络的鲁棒性，而对关键节点进行攻击会起到事半功倍的效果。

识别网络图中关键节点的一类重要方法是计算图中节点的中心度，包括距离中心度、谱中心度和桥接中心度等。其中桥接中心度是研究关键节点中常用的一种中心度度量，它可以用来衡量节点在网络图连通和信息传播中的重要程度。具有较高桥接中心度的节点代表着该点对图中的其他顶点的控制能力越大。近年来，桥接中心度在网络拓扑结构重要节点度量、关系网络研究等领域得到了广泛的应用。

针对不同场景中的桥接中心度计算，相关工作已经给出了多种计算方法。但是传统的计算桥接中心度的方法主要为集中式算法，即假设图存储在一台物理机上，并基于单机实现图的存储和计算，由于中心度计算算法的时间空间复杂度较高，集中式算法能够处理的图规模受到单机内存大小的限制，而且单机有限的处理能力也很大程度上影响了算法的执行效率，目前计算中心度的最好算法是由Brandes在2001年提出的，在这里称为FABC(Faster Algorithm for Betweenness Centrality)算法，但随着图规模的不断增加，算法的处理效率下降明显，严重影响了算法的应用范围，急需研究集群环境下的分布式算法。

发明内容

针对现有技术的不足，本发明提供一种识别网络图中关键节点的分布式方法，采用Graphlab框架来实现，不仅支持基于消息的编程模型，而且支持共享内存风格的“收集-更新-扩散”模型，能够获得更快的运行速度，并且随着集群规模的扩大，可以支持在更大规模的图中计算关键节点。

本发明的目的是采用下述技术方案实现的：

一种识别网络图中关键节点的分布式方法，其改进之处在于，所述方法包括：

采用点切分方式将网络图切分到n台机器上，n为正整数；

选择工作节点，分别对所述工作节点的消息和所述工作节点的后继节点的消息进行初始化，其中，所述工作节点的后继节点的消息为工作节点至工作节点的后继节点的最短路径个数和最短路径；

更新所述工作节点的后继节点的消息，并将更新后所述工作节点的后继节点的消息发送至所述工作节点的后继节点的出边邻居节点；

确定所述工作节点的后继节点的单点依赖，并将所述工作节点的后继节点消息中最短路径个数和所述工作节点的后继节点的单点依赖发送至所述工作节点的后继节点的入边邻居节点；

根据网络图中节点的单点依赖确定节点的桥接中心度。

优选的，所述采用点切分方式将网络图切分到n台机器上包括：

将网络图中节点复制为x份节点分别存储在x台机器上，所述网络图中的边不复制，其中，所述x份节点存储在1个master节点，x-1个mirror节点，x≤n；