[发明专利]一种基于图信号分析的关键节点识别方法及装置

说明书

本发明提供一种基于图信号分析的关键节点识别方法及装置，所述方法包括：计算网络中所有节点的图信号的数值；根据节点的图信号的数值，对网络中所有节点进行分组，形成两个分组子网络；求取分组子网络之间的边界网络；求取所述边界网络的最小割集作为关键节点集合。根据本发明的方案，能够实现失效后造成网络割裂的关键节点识别。

技术领域

本发明涉及计算机网络领域，尤其涉及一种基于图信号分析的关键节点识别方法与装置。

背景技术

网络的很多机制和功能通常会受到小部分节点的极大影响，这些节点通常被定义为关键节点。相关研究表明，当网络遭受到蓄意攻击时，5%的关键节点被摧毁，网络就会几乎瘫痪。对关键节点进行识别，将有助于进一步减小监测负担，也有助于提高网络安全防护能力。

关键节点识别问题又被称为关键节点检测问题（Critical Node DetectionProblem，CNDP），该问题是一个寻找对网络性能发挥存在重要影响的节点集问题。目前，针对关键节点识别的相关研究主要涉及社会网络、生物网络、通信网络、电力网络和交通网络等多个领域，相关识别方法主要分为两类，一类是将节点的重要性等价于节点的关键性，通过设定重要性衡量指标求取网络中所有节点的重要性度量值，进而根据度量值的排序结果完成关键节点的识别，相关算法根据衡量指标是区域性指标或是全局性指标，分为基于局部特征的识别方法和基于全局特征的识别方法；另一类是将节点被删除后对网络产生的破坏性等价于节点的关键性，通过设定网络鲁棒性评估指标衡量节点被删除后网络鲁棒性的变化值大小，进而根据变化值大小的排序结果完成关键节点的识别，变化值越大意味着节点越关键。代表方法主要包括节点删除法和节点收缩法。网络鲁棒性是指网络在其部分受损（故障）时仍能正常工作的能力，根据在研究过程中是否对网络负载的再分配进行考虑，网络的鲁棒性主要分为静态鲁棒性和动态鲁棒性，其中，静态鲁棒性是指节点被删除后网络仍能保持连通的能力，没有考虑负载的再分配问题。

基于局部特征的识别方法主要通过对节点的邻居节点或者跳内邻居节点的重要性进行评价来识别关键节点，代表算法主要包括度中心性（Degree Centrality），基于局部信息的中心性、-壳分解法等。基于局部特征的识别方法的优点是计算复杂度低，能够反映节点在局部网络中的重要性，体现了节点与周围邻居节点的连通状态，但是没有考虑周围邻居节点自身的重要性。

基于全局特征的识别方法，主要对网络拓扑结构进行分析，从信息传输路径的角度对节点关键性进行评价或者综合考虑周围邻居重要性对节点的关键性进行评价，具有代表性的衡量指标包括介数中心性（Betweenness Centrality）、接近中心性（ClosenessCentrality）、离心中心性（Eccentricity Centrality）、特征向量中心性（EigenvectorCentrality）和PageRank算法等。

基于重要性等价于关键性的识别方法，最终筛选的关键节点的好坏主要取决于衡量指标的好坏，如果选取的衡量指标有片面性，最终筛选的关键节点可能只是局部性关键节点。

节点删除法，在衡量节点的过程中，假设节点失效，通过比较节点失效前后网络鲁棒性的变化来评估节点的重要性。其缺点是，如果网络中存在多个节点失效后都能导致网络不连通，则这些节点的重要程度相同，无法进行区分。节点收缩法，将一个节点和其连接的邻居节点收缩为一个新节点，原有的与邻居节点连接的边都与新节点连接，进而求取节点收缩前后网络凝聚度的变化，使用节点重要度的大小完成节点重要程度的衡量。越重要的节点收缩后，网络的凝聚度值越大。节点收缩法的缺点是运算复杂度比较大，为，并不适用于规模较大的网络。

基于破坏性等价于关键性的识别方法，避免了由于衡量指标选择不合理给关键节点识别带来的一些问题，但是，对网络鲁棒性衡量指标的选取又提出了较高要求，衡量指标的不合理将直接影响识别结果的好坏。

总结来看，目前大多数关键节点识别方法并没有针对特定破坏性影响（例如网络出现割裂或者瘫痪）进行关键节点识别。

发明内容