[发明专利]一种基于学习算法采样网络识别感兴趣节点的方法

权利要求书

1.一种基于学习算法采样网络识别感兴趣节点的方法，其特征在于，主要包括分类特征(一)；度量可信度(二)；预测概率(三)；放置监视器(四)；识别感兴趣节点(五)。

2.基于权利要求书1所述的分类特征(一)，其特征在于，是在基于学习的监视器放置算法中所使用的一组特征，有两种类型：(a)基于网络结构的特征(b)基于相邻应答的特征。

3.基于权利要求书2所述的监视器，其特征在于，为增强对网络的观察，在节点上放置监视器，监视器可以反馈三个信息：该节点的真实颜色、该节点的真实邻居节点、该节点的邻居节点的颜色；

假设给定b个监视器的预算，并且可以在已经观察到的所有节点上放置这些监视器，那么第一步，必须在最初观察到的节点上放置监视器，因为当前没有观察到其他节点，而在后续步骤中，可以将监视器放置在所有已被观察为先前所监视节点的邻居节点上。

4.基于权利要求书2所述的基于网络结构的特征，其特征在于，被用于学习红色节点之间的连接模式(例如同质性与反同质性)，包括三种类型，分别是：

(1)红色邻居节点的数目：|{u∈N(v)|c_u＝R}|；

(2)蓝色邻居节点的数目：|{u∈N(v)|c_u＝B}|；

(3)v为红色时红色三角的数目：|{u，w∈N(v)|u∈N(w)∩w∈N(u)∩c_u＝c_w＝R}|。

5.基于权利要求书2所述的基于相邻应答的特征，其特征在于，旨在学习一个节点对其邻居节点颜色的描述和其真实颜色之间的关系，包括五种类型，分别是：

(1)红色报红的数目：|{u∈N(v)|(usaysR)∩c_u＝R}|；

(2)红色报蓝的数目：|{u∈N(v)|(usaysB)∩c_u＝R}|；

(3)蓝色报红的数目：|{u∈N(v)|(usaysR)∩c_u＝B}|；

(4)蓝色报蓝的数目：|{u∈N(v)|(usaysB)∩c_u＝B}|；

(5)推断为红色的概率：P^I(v＝R)。

6.基于权利要求书1所述的度量可信度(二)，其特征在于，利用四种不同的概率来度量由不同颜色的节点所给出颜色的可信度(即被监视的节点对其邻居节点的颜色的报告是真或假)，使用在放置监视器之前收集到的信息计算这些概率，节点v由节点u上的监视器所发现，四种概率为：

若给定一个节点v，使用等式(1)计算其推断概率P^I(v＝R)如上。

7.基于权利要求书1所述的预测概率(三)，其特征在于，为找到每个未监测节点v为红色节点的概率P(v＝R)，即预测概率而非简单的分配二值标签，采用逻辑回归分类器，因学习模型必须经常更新，这种分类器还有利于更快的训练；

学习模型的目标是基于观察到的网络结构和节点v的邻居节点关于v的描述，成功地预测节点v为红色的概率P(v＝R)，将其模型化为一个二值分类问题，但不是看分配的标签(红色或蓝色)，而是预测概率找到P(v＝R)，模型的训练集在放置有n个监视器的环境下，由n个被监视节点的真实颜色及其相应特征值组成，再利用此数据来训练学习模型，确定第(n+1)个监视器应放置在何处。

8.基于权利要求书1所述的放置监视器(四)，其特征在于，给定n个监视器的放置、决定放置第(n+1)个监视器，将所有到目前为止未监视的节点都计算在内，接着计算与这些未监视节点相关联的特征向量，并将分类器应用于这些特征向量，给出每个未监视节点为红色的概率，选择具有最高概率的节点来放置下一个监视器，此为本方法采取的监视器放置策略。