精华内容
下载资源
问答
  • 复杂网络攻击策略

    2021-01-12 10:33:42
    复杂网络攻击策略 一、攻击分类 随机攻击(Random attack)和选择攻击(Selective attack)。所谓随机攻击就是网络节点(边)以某种概率被随机的破坏;而选择攻击是网络节点(边)按一定的策略被破坏,一般按照节点...

    复杂网络攻击策略

    一、攻击分类

    随机性攻击(Random attack)和选择性攻击(Selective attack)。所谓随机性攻击就是网络节点(边)以某种概率被随机的破坏;而选择性攻击是网络节点(边)按一定的策略被破坏,一般按照节点的度值大小依次去除节点。

    1.基于不完全网络拓扑信息的有目的攻击

    ID 移除策略

    对初始网络按节点或边的度大小顺序来移除节点或边

    IB 移除策略

    对初始网络按照节点或边的介数大小顺序来移除节点或边

    RD 移除策略

    每次移除的节点或边是当前网络中节点或边的度最大的节点

    RB 移除策略

    每次移除的节点或边是当前网络中节点或边介数最大的节点

    备注

    节点介数定义为网络中所有最短路径中经过该节点的路径的数目占最短路径总数的比例.

    边介数定义为网络中所有最短路径中经过该边的路径的数目占最短路径总数的比例.

    2.基于局部网络拓扑信息的分布式攻击

    贪婪顺序攻击

    选择与上一步被攻击节点相连的最大度值“存活”节点作为攻击目标。如果没有这样的节点存在,则随机选择一个“存活”节点作为攻击目标。

    协同攻击

    搜索“沦陷”节点的“存活”邻节点,在它们中选择一个最大度值的“存活”节点作为攻击目标。如果没有这样的节点存在,则随机选择一个“存活”节点继续展开攻击。

    限下界平行攻击

    不同于每步只攻击一个与“沦陷”节点相邻的最大度值节点,而是攻击所有满足以下两个条件的“存活”节点:与“沦陷”节点邻接;度值在预先设定的界值之上。

    3.不完全信息攻击

    用信息广度参数α和信息精度参数β定量刻画了复杂网络的攻击信息。假设已经确定已知区域Ψ(n= Ψ = Nα),需要攻击网络中的Nf个节点,节点被攻击后,与其相连接的边随之移除。考虑一种最简单的攻击模式:先攻击已知信息的节点,再攻击未知信息的节点,即,当f≤α时,直接在已知区域Ψ中按照节点的重要度从大到小依次攻击;当f>α时,先把已知区域Ψ中的节点全部攻击,然后在未知区域Ψ随机攻击N(f-α)个节点。

    展开全文
  • 致 谢至此论文完成之际,我的短暂的研究生生涯也即将结束。...同时也向奋斗在复杂网络领域的同仁们致以崇高的敬意!是你们众策群力,推动了这一领域在中国的继续前进。言有所尽,不能尽表其意;篇有...

    致 谢

    至此论文完成之际,我的短暂的研究生生涯也即将结束。回首三年生活,历

    历在目,不禁感慨万千,自己所得之进步,诚非一人之力,离不开众人之理解与

    支持,关心和帮助。在此,我谨向在科研和生活中帮助过我,支持过我的每一位

    老师,同学和朋友表示衷心的感谢!没有你们,就没有我今日的成果。同时也向

    奋斗在复杂网络领域的同仁们致以崇高的敬意!是你们众策群力,推动了这一领

    域在中国的继续前进。

    言有所尽,不能尽表其意;篇有所限,不能一一列出。然而我的导师冯文峰

    教授,是我首先需要感谢的,在他悉心的指导和鼓励下,我跨进了复杂系统和复

    杂网络这个大门,并产生了浓厚的兴趣。他亲切的关心我的学习和生活,孜孜不

    倦的解答我在科研中所遇到的各种问题,本论文从选题到构思,都得到了导师的

    大力支持和指导。导师渊博的知识,活跃的思想,严谨的治学作风都给我留下了

    深刻的印象。

    再次感谢所有帮助,支持和关心我的人们!

    最后感谢国家自然科学基金对该项目的资助!

    摘 要

    在自然界和人类社会,网络是普遍存在的,如基因网络,神经网络,人际交互

    网络,因特网等等,对复杂网络的研究,可以使我们更好的理解自然界和人类社

    会中所出现的一些现象,并加以控制。网络作为一门用来研究复杂系统的新学科,

    近几年来得到了学术界的广泛关注,其中网络的拓扑结构对系统功能的影响,网

    络上的演化动力学对网络结构与行为的影响等逐渐成为了各领域研究者所研究的

    热点问题。

    本文首先介绍了复杂网络与演化博弈的一些基本概念,然后对随机网络,无标

    度网络和小世界网络这三种常见的网络模型进行了介绍。此外,还对网络上的演

    化博弈的研究现状做了简单的回顾。

    在第二章中,建立了在信息不完备情况下的多人间接博弈模型,在该模型中存

    在两种个体:决策者和选择者,决策者可以选择自己的策略,选择者根据决策者

    的策略来选择自己的邻居,其中决策者的信息对选择者并不是完全透明的。然后

    从理论上推导出了在系统达到稳定态时网络的度分布与决策者的合作频率分布之

    间的函数关系,并得出了系统在达到博弈均衡态时所满足的条件,给出了当合作

    者占优时系统所要满足的条件。最后,用计算机模拟了规则网络上的演化动态,

    分析了平均邻居个数对演化结果的影响。

    在第三章中,建立了基于博弈意愿的演化博弈模型,该模型假定每个个体存在

    一个博弈意愿,代表了该个体与邻居交互的概率,每对邻居之间进行博弈的概率

    为两者博弈意愿的乘积。然后,分别研究了其在随机网络、无标度网络和小世界

    网络上的演化行为。通过对模拟结果进行分析,得出了一些比较有意思的结论。

    在最后一章中,对该领域的研究进行了总结与展望。

    关键词:复杂网络;演化博弈;囚徒困境;合作行为;信息完备性;多人间接

    博弈;博弈意愿

    I

    II

    Abstract

    In nature and human society, the network is ubiquitous, such as gene networ

    ks, neural networks, interpersonal interaction networks and internet etc. The resea

    rch on complex networks can lead us a better understand of the phenomenon ari

    sing from national world and human society. As a new subject in the research o

    f complex system, the study of network has been paid more attention by academ

    e in recent years.

    展开全文
  • 复杂网络分析+代码实现写在前面的话学习资料复杂网络复杂网络的特性小世界特性性质实际影响无标度特性性质实际影响社区结构特性经典的复杂网络模型规则图ER随机网络模型性质实际影响BA无尺度网络模型性质实际影响无...

    写在前面的话

    关于图的相关笔记,仅供参考。

    学习资料

    社交计算与社会网络分析
    NetworkX复杂网络分析教程
    全面介绍图论及其应用
    图论与图学习(一):图的基本概念
    图论与图学习(二):图算法

    数据集

    复杂网络数据集(Facebook, Google+, Slashdot, Twitter, Epinions等等)

    复杂网络

    随机网络:两个节点之间是否有边连接根据概率决定。

    规则网络:两个节点之间是否有边连接是确定的。

    复杂网络:绝大多数的实际网络并不是完全随机的,既不是规则网络,也不是随机网络,而是具有与前两者皆不同的统计特征的网络。

    复杂网络的特性

    具有自组织、自相似、吸引子(网络的内聚倾向)、小世界(相互关系的数目可以很小但却能够连接世界的事实)、无标度中部分或全部性质的网络称为复杂网络。

    小世界特性

    小世界特性(Small world theory):六度空间理论或者是六度分割理论(Six degrees of separation)。

    六度空间理论:社交网络中的任何一个成员和任何一个陌生人之间所间隔的人不会超过六个

    特征路径长度(characteristic path length):在网络中,任选两个节点,连通这两个节点的最少边数,定义为这两个节点的路径长度,网络中所有节点对的路径长度的平均值,定义为网络的特征路径长度,这是网络的全局特征

    聚合系数(clustering coefficient):假设某个节点有k条边,则这k条边连接的节点(k个)之间最多可能存在的边的条数为k(k−1)/2,用实际存在的边数除以最多可能存在的边数得到的分数值,定义为这个节点的聚合系数。所有节点的聚合系数的均值定义为网络的聚合系数。聚合系数是网络的局部特征,反映了相邻两个人之间朋友圈子的重合度,即该节点的朋友之间也是朋友的程度。

    性质

    规则网络:任意两个点之间的特征路径长度长(通过多少点连在一起),但聚合系数高(共同邻居或共同间接邻居多)。

    随机网络:任意两个点之间的特征路径长度短,但聚合系数低。

    小世界网络:点之间特征路径长度小,接近随机网络,而聚合系数依旧相当高,接近规则网络。

    实际影响

    实际的社交、生态等网络都是小世界网络,这里面信息传递速度快,并且少量改变几个连接,就可以剧烈地改变网络的性能。

    例如:蜂窝电话网,改动很少几条线路,就可以显著提高性能。

    无标度特性

    无标度网络:少数的节点拥有大量的连接,而大部分节点少,并且节点的度数分布符合幂率分布。

    性质

    异质性:其各节点之间的连接状况(度数)具有严重的不均匀分布性。

    例如:网络中少数称之为Hub点的节点拥有极其多的连接,而大多数节点只有很少量的连接。少数Hub点对无标度网络的运行起着主导的作用。从广义上说,无标度网络的无标度性是描述大量复杂系统整体上严重不均匀分布的一种内在性质。

    实际影响

    无标度特性与鲁棒性:网络中的关键节点和链路往往成为攻击的对象。

    社区结构特性

    集群特性:复杂网络中普遍存在着聚类特性,每一个类称之为一个社团(community)。

    例如,社会网络中总是存在熟人圈或朋友圈,其中每个成员都认识其他成员。

    集群程度的意义:网络集团化的程度,这是一种网络的内聚倾向。

    连通集团概念:一个大网络中各集聚的小网络分布和相互联系的状况。

    例如,它可以反映这个朋友圈与另一个朋友圈的相互关系。

    经典的复杂网络模型

    经典网络模型的原理和构造方法,包括规则图,ER随机网络模型、BA无尺度网络模型和WS小世界模型。

    规则图

    规则图:一个含有n个节点,每个节点有d个邻居节点的规则图。

    import networkx as nx
    import matplotlib.pyplot as plt
    
    RG = nx.random_graphs.random_regular_graph(3, 20)
    pos = nx.spectral_layout(RG)
    nx.draw(RG, pos, with_labels = False, node_size = 30)
    plt.show()
    

    在这里插入图片描述

    ER随机网络模型

    ErdOs-Renyi随机网络模型(ER):在网络节点间随机地布置连接,是个机会均等的网络模型.

    import networkx as nx
    import matplotlib.pyplot as plt
    
    ER = nx.random_graphs.erdos_renyi_graph(20, 0.2)
    pos = nx.shell_layout(ER)
    nx.draw(ER, pos, with_labels = False, node_size = 30)
    plt.show()
    

    在这里插入图片描述

    性质

    户:给定一定数目的节点,它和其他任意一个节点之间有相互连接的概率相同。

    因为一个节点连接k个其他节点的概率,会随着k值的增大而呈指数递减。

    这样,如果定义是为每个节点所连接的其他节点的数目,可以知道连接概率p(k)服从钟形的泊松(Poisson)分布,有时随机网络也称作指数网络。

    尽管连接是随机安置的,但由此形成的网络却是高度民主的,也就是说,绝大部分节点的连接数目会大致相同。实际上,随机网络中连接数目比平均数高许多或低许多的节点,都十分罕见。

    实际影响

    在过去40多年里,科学家习惯于将所有复杂网络都看作是随机网络。在1998年研究描绘万维网(以网页为节点、以超级链接为边)的项目时,学者们原以为会发现一个随机网络:人们会根据自己的兴趣,来决定将网络文件链接到哪些网站,而个人兴趣是多种多样的,可选择的网页数量也极其庞大,因而最终的链接模式将呈现出相当随机的结果。

    然而,事实并非如此。因为在万维网上,并非所有的节点都是平等的。在选择将网页链接到何处时,人们可以从数十亿个网站中进行选择。然而,我们中的大部分人只熟悉整个万维网的一小部分,这一小部分中往往包含那些拥有较多链接的站点,因为这样的站点更容易为人所知。只要链接到这些站点,就等于造就或加强了对它们的偏好。这种“择优连接(Preferential Attachment)”的过程,也发生在其他网络中。在Internet上,那些具有较多连接的路由器通常也拥有更大的带宽,因而新用户就更倾向于连接到这些路由器上。在美国的生物技术产业内,某些知名公司更容易吸引到同盟者,而这又进一步加强了它在未来合作中的吸引力。类似地,在论文引用网络(论文为节点,引用关系为边)中,被引用次数较多的科学文献,会吸引更多的研究者去阅读并引用它。针对这些网络的“择优连接”的新特性,学者提出了BA无尺度网络模型。

    BA无尺度网络模型

    主要特征:节点的度分布服从幂次定律。

    import networkx as nx
    import matplotlib.pyplot as plt
    
    BA = nx.random_graphs.barabasi_albert_graph(20, 1)
    pos = nx.spring_layout(BA)
    nx.draw(BA, pos, with_labels = False, node_size = 30)
    plt.show()
    

    在这里插入图片描述

    性质

    BA模型系统的成长性(Growth)和择优连接性。

    BA模型的扩充可以考虑三个因素:择优选择的成本、边的重新连接、网络的初始状态。

    实际影响

    无尺度网络

    1999年,丸Barabasi和兄Albert在对互联网的研究中发现了无尺度网络,使人类对于复杂网络系统有了全新的认识。过去,人们习惯于将所有复杂网络看作是随机网络,但Barabasi和Albert发现互联网实际上是由少数高连接性的页面组织起来的,80%以上页面的链接数不到4个。只占节点总数不到万分之一的极少数节点,却有1000个以上的链接。这种网页的链接分布遵循所谓的“幂次定律”:任何一个节点拥有是条连接的概率,与1/k成正比。它不像钟形曲线那样具有一个集中度很高的峰值,而是一条连续递减的曲线。如果取双对数坐标系来描述幂次定律,得到的是一条直线。

    Scale-free网络指的是节点的度分布符合幂律分布的网络,由于其缺乏一个描述问题的特征尺度而被称为无尺度网络。其后的几年中,研究者们在许多不同的领域中都发现了无尺度网络。从生态系统到人际关系,从食物链到代谢系统,处处可以看到无尺度网络。

    BA模型及其机制

    为什么随机模型与实际不相符合呢?Barabasi和Albert在深入分析了ER模型之后,发现问题在于ER模型讨论的网络是一个既定规模的,不会继续扩展的网络。正是由于现实当中的网络往往具有不断成长的特性,早进入的节点(老节点)获得连接的概率就更大。当网络扩张到一定规模以后,这些老节点很容易成为拥有大量连接的集散节点。这就是网络的“成长性”。

    其次,ER模型中每个节点与其他节点连接时,建立连接的概率是相同的。也就是说,网络当中所有的节点都是平等的。这一情况与实际也不相符。例如,新成立的网站选择与其他网站链接时,自然是在人们所熟知的网站中选择一个进行链接,新的个人主页上的超文本链接更有可能指向新浪、雅虎等著名的站点。由此,那些熟知的网站将获得更多的链接,这种特性称为“择优连接”。这种现象也称为“马太效应(Matthew Effect)”或“富者更富(Rich Get Richer)”。

    “成长性”和“择优连接”这两种机制解释了网络当中集散节点的存在。

    BA模型的改进方向

    BA无尺度模型的关键在于,它把实际复杂网络的无尺度特性归结为增长和优先连接这两个非常简单的机制。当然,这也不可避免地使得BA无尺度网络模型和真实网络相比存在一些明显的限制。比如,一些实际网络的局域特性对网络演化结果的影响、外界对网络节点及其连接边删除的影响等。

    一般自然的或者人造的现实网络与外界之间有节点交换,节点间连接也在不断变化,网络自身具有一定的自组织能力,会对自身或者外界的变化作出相应的反应。因此,在BA模型基础上,可以把模型的动力学过程进行推广,包括对网络中已有节点或者连接的随机删除及其相应的连接补偿机制。

    对每一个时间步长,考虑如下三种假设:

    1、成长假设:一个带有m个择优连接的新节点加入网络,这个新节点选择网络中m个节点,即对于每一个连接,一个度为是的节点作为目标
    被选择的概率正比于k;

    2、删除假设:考虑网络中若干个节点,这些节点与其他节点之间的连接边被随机地选作目标边而被删除,导致网络的演化;

    3、补偿假设:网络中失去一个连接,同时产生n个连接进行补偿,其中”有上确界,是一个受网络补偿能力限制的量,这里的补偿连接所选择的目标节点也遵循择优连接原则。

    利用以上三种假设,很多学者已经对BA模型进行了有效的改进,读者可参考相关文献,此处不再详述。

    小世界网络模型

    “小世界现象”/“六度分离(Six Degrees of Separation)”:绝大多数大规模真实网络的平均路径长度比想象的小得多。

    小世界现象:每个人只需要很少的中间人(平均6个)就可以和全世界的人建立起联系。

    WS小世界模型:介于规则网络和完全随机网络之间的单参数小世界网络模型,该模型较好地体现了社会网络的小平均路径长度和大聚类系数两种现象。

    import networkx as nx
    import matplotlib.pyplot as plt
    
    WS = nx.random_graphs.watts_strogatz_graph(20, 4, 0.3)
    pos = nx.circular_layout(WS)
    nx.draw(WS, pos, with_labels = False, node_size = 30)
    plt.show()
    

    在这里插入图片描述

    WS小世界模型构造

    从规则图开始,考虑一个含有N个节点的规则网络,它们圈成一个环,其中每个节点都与它左右相邻的各K/2个节点相连接,K为偶数;

    随机化重连,以概率户随机地重新连接网络中的每条边(将边的一个端点保持不变,而另一个端点取为网络中随机选择的一个节点),其中规定,任意两个不同的节点之间至多只能有一条边,并且每一个节点都不能有边与其自身相连。

    在WS小世界模型中,p=0对应于规则网络,p=l则对应于完全随机网络,通过调节声的值就可以控制从规则网络到完全随机图的过渡。因此,WS小世界网络是介于规则网络和随机网络之间的一种网络。

    WS小世界模型构造算法中的随机化过程有可能破坏网络的连通性。

    NW小世界模型构造

    从规则图开始,考虑一个含有N个点的规则网络,它们圈成一个环,其中每个节点都与它左右的相邻的各K/2节点相连,K是偶数;

    随机化加边,以概率p随机选取的一对节点之间加上一条边。其中规定,任意两个不同的节点之间至多只能有一条边,并且每一个节点都不能有边与自身相连。

    NW模型只是将WS小世界模型构造中的“随机化重连”改为“随机化加边”。

    NW和WS的区别

    NW模型不同于WS模型之处在于它不切断规则网络中的原始边,而是以概率p重新连接一对节点。这样构造出来的网络同时具有大的聚类数和小的平均距离。

    NW模型的优点在于其简化了理论分析,因为WS模型可能存在孤立节点,但NW模型不会。当户足够小和N足够大时,NW小世界模型本质上就等同于WS小世界模型。

    实际影响

    小世界网络模型反映了实际网络所具有的一些特性,例如朋友关系网,大部分人的朋友都是和他们住在同一个地方,其地理位置不是很远,或只在同一单位工作或学习的同事和同学。另一方面,也有些人住得较远的,甚至是远在异国他乡的朋友,这种情形好比WS小世界模型中通过重新连线或在NW小世界模型中通过加入连线产生的远程连接。

    小世界网络模型的主要特征之一是节点之间的平均距离随远程连接的个数而指数下降。对于规则网络,平均距离L可估计为L正比于N;而对于小世界网络模型,L正比于ln(N)/1n(K)。例如,对于一个千万人口的城市,人与人的平均接触距离是6左右,这使得生活人群之间的距离大大缩短。该模型由一个规则的环组成,通常是一个一维的几乎具有周期性边界条件的环(即环中每个节点几乎都连接到一固定数目的邻近节点)和少量的随机选取节点连接成的“捷径” (重新连接现存的边)。小世界网络同时具有“高网络聚集度”和“低平均路径”的特性。

    从小世界网络模型中可以看到,只要改变很少的几个连接,就可以剧烈的改变网络的性能。这样的性质也可以应用其他网络,尤其是对已有网络的调整方面。例如,蜂窝电话网,改动很少几条线路(低成本、低工作量)的连接,就可以显著提高性能。也可以应用到互联网的主干路由器上,以改变流量和提高传输速度。同样的思路也可以应用到电子邮件的快速传递、特定Web站点的定位等。

    展开全文
  • 复杂网络基础概念总结

    万次阅读 2021-10-05 18:50:32
    前言:最近刚定下的课题,现在主要学习网络基础概念的知识,凡是学习总是得做下总结笔记才能比较清楚。也分享给大家一起学习吧,如有错误可以提出私信我或者评论。 社会网络通常显示出较强的社区效应,网络中的节点...

    前言:最近刚定下的课题,现在主要学习网络基础概念的知识,凡是学习总是得做下总结笔记才能比较清楚。也分享给大家一起学习吧,如有错误可以提出私信我或者评论。


    社会网络通常显示出较强的社区效应,网络中的节点趋于形成紧密联系的群组。

    社区定义:社区结构是网络顶点的组。 在这些组内有密集的内部联系,但在组之间有较少的边缘。

    社区特征:社团内部连接紧密,社团之间连接相对稀疏。

    社区发现/社区检测/社团检测定义:将网络节点按照其内在的拓扑结构连接紧密程度划分成若干子图的过程。

    社区结构划分的意义:社区往往代表了复杂网络中具有相同或者相似功能的元素的集合,这些元素相互协作或者相互作用,共同完成整个系统中某些相对独立的功能或者组成相对独立的组织结构。提取网络中的社区结构有助于我们理解网络的拓扑结构特性、揭示复杂网络系统内在的功能特性、理解社区内个体之间的关系及演化趋势。

    均匀网络

    泊松分布和幂律分布对应于均匀网络和非均匀网络。

    服从泊松分布的网络叫均匀网络,均匀网络和非均匀网络(无标度网络)是一个对比。

    BA 无标度网络

    1999 年 Barabási 和 Albert 提出了无标度网络模型(简称 BA 模型)。无标度网络的重要特征为: 无标度网络的节点度分布服从幂律分布

    近年在复杂网络研究上的另一重大发现就是许多复杂网络,包 Internet WWW 以及新陈代谢网络等的连接度分布函数具有幂律形式。由于这类网 络的节点的连接度没有明显的特征长度,故称为无标度网络

    ①增长 (growth) 特性 即网络的规模是不断扩大的。例如每个月都会有大量的新 的科研文章发表,而 WWW 上则每天都有大量新的网页产生。

    ②优先连接 (preferential attachment) 特性 即新的节点更倾向于与那些具有较高 连接度的"大"节点相连接。这种现象也称为"富者更富 (rich get richer)" 或"马太效应 (Matthew effect)" 。

    BA 无标度模型构造算法

    ①增长 从一个具有 mo 个节点的网络开始,每次引入一个新的节点,并且连到个已存在的节点上,这里 m<:mo

    ②优先连接:一个新节点与一个已经存在的节点 相连接的概率

    与节点 i的度ki、节点j的度kj之间满足如下关系:

     

    特征长度

    幕律分布

    幂律分布是指某个具有分布性质的变量,且其分布密度函数是幂函数(由于分布密度函数必然满足“归一律”,所以这里的幂函数,一般规定小于负1)的分布。

    幂律分布表现为一条斜率为幂指数的负数的直线,这一线性关系是判断给定的实例中随机变量是否满足幂律的依据。

    幂律分布也称为无标度 (scale- free) 分布,具有幂律度分布的网络也称为无标度网络,这是由于幂律分布函数具有如下无标度性质。即系统中个体的尺度相差悬殊,缺乏一个优选的规模。

    当样本数据较多时,变量x的概率密度函数:f(x)~x^(-α-1)。

    模块性

    系统的模块化程度。系统中的模块内聚程度越高,模块之间耦合度越低,系统的模块性越好。

    模块度(modularity)

    是常用的社团划分质量评价指标,基本想法是把社团划分后的网络与相应的零模型进行比较,度量社团划分的质量。

    零模型:与原网络具有相同节点数目、相同连边数目、相同度序列的随机网络。

    *互信息NMI(Normalized Mutual Information )

    互信息的概念大家都不陌生,它基于香农熵,衡量了两个随机变量间的依赖程度。而不同于普通的相似性度量方法,互信息可以捕捉到变量间非线性的统计相关性,因而可以认为其能度量真实的依赖性。

    模体

    模体是网络的基本拓扑结构之一, 它的大小介于网络个体和社团之间, 一般由少数几个节点连接构成, 模体也揭示了网络的演化规律, 它是社团内部成员之间基本的连接模式

    超家族

    从共同祖先进化而来、但相似性较少的一组(基因)或(蛋白质)。

    自相似性

    如果一个物体自我相似(Self-similarity),表示它和它本身的一部分完全或是几乎相似。

    自相似包含两种,一种是部分和整体严格的相似,另一种指的是统计上的相似,比如海岸线。

    层次性

    (实际双向连接的边的数量)/(可能双向连接的边的数量,即C(n,2))

    我们假想在一个企业的命令传达网络中,如果命令都是从上到下单向传递的,那么我们认为整个的网络很有层次,所以双向连接的数量就很少,层次度就更加接近于1。反之,如果一个企业中,A可以向B传达命令,同时B也可以对A下达命令,那么这个组织就不是那么的有层次性。

    结构冗余性

    模块化

    网络进化

    鲁棒性

    鲁棒是Robust的音译,也就是健壮和强壮的意思。它也是在异常和危险情况下系统生存的能力。

    在复杂网络中,如果在移走少量节点后网络中的 绝大部分节点仍是连通的,那么就称该网络的连通性对节点故障具有鲁棒性。

    脆弱性

    存在致命缺点

    同配性(assortatvity)与异配性(disassortatvity):

    在不改变节点度分布的情况下,可以使度大的节点倾向于和其它度大的节点连接。网络中的这个重要的结构特性,称之为节点之间的相关性(Correlation)。如果网络中的节点趋于和它近似的节点相连,就称该网络是同配的(Assortative);反之,就称该网络是异配的(Disassortative)。

    网络同配性(或异配性)的程度可用同配系数(也称Pearson Coefficient----皮尔森系数)r来刻画。r>0表示整个网络呈现同配性结构,度大的节点倾向于和度大的节点相连;r<0表示整个网络呈现异配性;r=0表示网络结构不存在相关性

    核数

    一个节点的核数,就是网络在进行k核分解(k-core decomposition)是的k-shell指数。对于一个网络,0核是原图;1核就是去掉所有孤立点的图;2核就是先去掉所有度小于2的点,然后再剩下的图中再去掉度小于2的点,依次类推,直到不能去掉为止;一个节点的核数定义为这个节点所在的最大核的阶数——比如一个节点最多在5核而不在6核中,就说这个节点的核数=5。

    介数

    介数通常分为边介数和节点介数两种.

    节点介数:为网络中所有最短路径中经过该节点路径的数目占最短路径总数比例.

    边介数:为网络中所有最短路径中经过该边的路径的数目占最短路径总数的比例.

    介数反映了相应的节点或者边在整个网络中的作用和影响力,是一个重要的全局几何量,具有很强的现实意义。

    最短路径

    连接两个节点最少边数的路径

    平均路径长度

    网络中任意两个节点之间路径长度的平均值,

    度分布

    度分布指的是对一个图(网络)中顶点(节点)度数的总体描述。对于随机图,度分布指的是图中顶点度数的概率分布

    集聚系数

    集聚系数(也称群聚系数、集群系数)是用来描述一个图中的顶点之间集结成团的程度的系数。具体来说,是一个点的邻接点之间相互连接的程度。例如生活社交网络中,你的朋友之间相互认识的程度。

    公式一节点的边数Ei比上全部可能的边数

    全局耦合网络 (globally coupled network) 中,任意两个点之间都有边直接相

    连(图 2-1 (a 门。因此,在具有相同节点数的所有的网络中,全局藕合网络具有最小的平均

    路径长度 gc =l 和最大的聚类系数 =1 。

    最近邻藕合网络( nearest-neighbor  coupled network)

    其中每一个节点只和它周围的邻居节点相连。真有周期边界条件的

    最近邻藕合网络包含 个围成一个环的点,其中每个节点都与它左右各 K/2 个邻居点

    相连,这里 是一个偶数(罔 2- l( b)) 。

    星形藕合网络(star coupled network) ,它有一个中心点,

    其余的 N-1 个点都只与这个中心点连接,而它们彼此之间不连接(图 2- l( c)) 。

    WS小世界模型构造算法

    作为从完全规则网络向完全随机图的过渡,Watts Strogtz 1998 年引人了一个有趣 的小世界网络模型,称为 WS 小世界模型。 WS 小世界模型的构造算法如下:

    ①从规则图开始:考虑一个含有 N 个点的最近邻耦合网络,它们围成一个环,其中每个节点都与它左右相邻的各 K/2 节点相连 ,K是偶数。

    随机化重连:以概率 P 随机地重新连接网络中的每个边,即,将边的一个端点保持不变,而另一个端点取为网络中随机选择的一个节点。其中规定,任意两个不同的节点之间至多只能有一条边,并且每一个节点都不能有边与自身相连。

    NW 小世界模型构造算法

    WS 小世界模型构造算法中的随机化过程有可能破坏网络的连通性。另一个研究较 多的小世界模型是由 Newman Watts 稍后提出的,称为 NW 小世界模型。

    该模型是通过用"随机化加边"取代 WS 小世界模型构造中的"随机化重连"而得到的 。具体构造算法如下:

    ①从规则图开始:考虑一个含有 N 个点的最近邻耦合网络,它们围成一个环,其中每个节点都与它左右相邻的各 K/2 节点相连 ,K是偶数。

    随机化加边:以概率 P 在随机选取的一对节点之间加上一条边 其中,任意两个不同的节点之间至多只能有一条边,并且每一个节点都不能有边与自身相连。

    适应度模型构造算法

    ①增长:从一个具有 m0 个节点的网络开始每次引入一个新的节点并且连到 m 个已存在的节点上,这里 m≤m0 每个节点的适应度按概率分布 ρ(η) 选取。

    ②优先连接:一个新节点与一个已经存在的节点 i 相连接的概率且∏,与节点 i 的度k 、节点 j 的度 kj 和适应度 ηi 之间满足如下关系

    富人俱乐部 (rich-club)

    Internet 中少量的节点具有大量的边,这些节点也称为"富节点 (rich nodes)"; 它们

    倾向于彼此之间相互连接(图 3-11) ,构成"富人俱乐部 (rich-club)"。


    待续……

    如果有帮助就点个赞吧!嘻嘻~🤙🤙🤙

    如果有帮助就点个赞吧!嘻嘻~🤙🤙🤙

    如果有帮助就点个赞吧!嘻嘻~🤙🤙🤙

    展开全文
  • 复杂网络 社交网络 社区检测 节点重要(重要节点识别) 舆论动力学模型 传染病模型 蓄意攻击 随机攻击 网络鲁棒、脆弱、稳定 Python 基本的网络分析 详细私聊 网络拓扑图 连通 网络效率下降 ...
  • 气候变暖增强了微生物网络复杂性与稳定性Climate warming enhances microbial network complexity and stabilityNature ...
  • 复杂网络中心1. 度中心度(Degree Centrality)2. 介数中心度(Betweenness Centrality)3. 接近中心度(Closeness Centrality) 1. 度中心度(Degree Centrality) 度中心度(Degree Centrality)是在网络分析中...
  • Networkx的四种网络模型一. Networkx的下载安装二. 规则图三、ER随机图四、WS小世界网络五、BA无标度网络 NetworkX提供了4种常见网络的建模方法,分别是:规则图,ER随机图,WS小世界网络和BA无标度网络。 一. ...
  • 1 复杂网络分析(二)—社会网络(1)1.1 从社会网络开始 1.2 社会网络的表示 1.3 网络分析的步骤 1.4 复杂系统和网络 1.5 复杂网络的结构 1.6 复杂网络的测量 1.7 网络分化和演化 1.1 从社会网络开始 1.1.1 从你、...
  • 现在,除了对网络的拓扑结构进一步探讨之外,越来越多的人开始关注复杂网络拓扑结构与其上发生的动态之间的相互联系,因此本文对以下两个研究方面的项目进行项目申报: 首先是研究复杂社会网络中扩散最大化的问题...
  • (若按回复率1进行实验,某些节点还未传染就已恢复) 将代码写为了类 import random import networkx as nx import numpy as np import pandas as pd import os ''' 程序主要功能 输入:networkx网络图,感染源节点...
  • 目录一、复杂网络中心度(一)PageRank 算法(二)度中心度(Degree Centrality)(三)接近度中心度(Closeness Centrality)(四)中间中心度(Betweenness Centrality)(五)特征向量中心度(Eigenvector ...
  • 电力系统复杂网络分析(CAN) 利用复杂网络分析方法,求解配网系统中微电网最优位置的新,该位置将增强电网的弹性,减少电力损失和线路负荷,提高电压稳定,并在停电期间向关键负荷供电。基于复杂网络理论中的中心...
  • 脑网络研究中的图论指标详解最全图论指标汇总(1)度(node degree)(2)节点强度(3)节点核心(4)...复杂网络分析是研究复杂系统的一种新的多学科方法,旨在通过少量的神经生物学有意义且易于计算的措施来表征这些
  • 1、networkx实现er随机网络 import networkx as nx import matplotlib.pyplot as plt import numpy as np import pandas as pd import random ''' (1)初始化:给定N个节点以及连边概率p∈[0,1] (2)随机连边:...
  • NetworkX是一个Python软件包,用于创建,操纵和研究复杂网络的结构,动力学和功能。 复杂网络软件 图,有向图和多重图的数据结构 许多标准图算法 网络结构与分析措施 经典图,随机图和合成网络的生成器 节点可以是...
  • 摘要| 基于图论的复杂网络定量分析的最新进展已迅速转化为大脑网络组织的研究。 大脑的结构和功能系统具有复杂的网络功能,例如小世界拓扑,高度连接的中心和模块,无论是在人类神经成像的全脑范围内,还是在非...
  • 系统设计之降低复杂性

    千次阅读 2020-12-26 22:51:40
    其它……### 2、深层原因#### (1)变更放大复杂性的第一个征兆是,看似简单的变更需要在许多不同地方进行代码修改#### (2)认知负荷复杂性的第二个症状是认知负荷,这是指开发人员需要多少知识才能完成一项任务。...
  • 顾名思义,复杂网络作为一门新兴科学,是对存在的网络现象及其复杂性进行解释的学科。首先,它研究的是网络现象。网络在自然界和人类社会中普遍存在,包括自然界中天然存在的星系、食物链网络、神经网络、蛋白质网络...
  • (算法的复杂性体现在运行该算法时的计算机所需资源的多少上, ... 《OD学算法》排序 参考 http://www.cnblogs.com/kkun/archive/2011/11/23/2260312.html http://blog.csdn.net/wuxinyicomeon/ar ... 随机推荐 iOS ...
  • 01行业背景近年来,在日益严峻的网络安全形势和常态化攻防对抗下,我国金融行业网络安全建设面临着极强的风险与挑战,为实现共同维护网络空间和平安全,要严格遵循网络安全威胁态势监督与管控需求。...
  • 网络安全的重要

    千次阅读 2021-12-11 11:15:34
    从广义来说,凡是涉及到网络上信息的保密、完 整、可用、真实和可控的相关技术和理论都是网络安全的研究领域。网络安全是一 门涉及计算机科学、网络技术、通信技术、密码技术、信息安全技术、应用数学、...
  • 常见神经网络结构拓扑图

    千次阅读 2021-03-19 11:38:18
    神经网络的结构呈指数型增长的趋势,下图展示了多部分神经网络经典的拓扑结构。 P --> FF : 增加了一层隐藏层,所有节点为全连接 FF --> RBF : 使用径向基函数(Radical Basis Function,RBF)作为激活函数...
  • 1939 年 12 月 14 日:图灵奖得主 Stephen Cook 出生 史蒂芬·库克(Stephen Cook)出生于 1939 年 12 月 14 日,他是一名美籍加拿大人,计算机科学家和数学家,他以 NP 完备性问题、命题证明的复杂性和 Cook-Levin...
  • 由于智能的标志之一是学习和存储多项任务,因此如何在多项任务上训练神经网络(并解决灾难遗忘)的问题极为重要。 有一种想法是改变训练数据,使每项任务的训练样本相互交错。例如,假设我们有 3 个任务
  • 目前,越来越多研究者在生态学研究中使用到了网络分析,但我们对微生物群落潜在的复杂相互作用,以及它们如何应对极端季候干扰,如何恢复了解甚少。 这里,我们研究了长时间的夏季干旱如何影响土壤真菌和细菌网络,...
  • 越来越卷,教你使用Python实现卷积神经网络(CNN)

    千次阅读 多人点赞 2021-05-31 07:51:16
    Yann LeCun 和Yoshua Bengio在1995年引入了卷积神经网络,也称为卷积网络或CNN。CNN是一种特殊的多层神经网络,用于处理具有明显网格状拓扑的数据。其网络的基础基于称为卷积的数学运算。
  • 近年来,由于神经网络在模式识别和数据挖掘领域的应用和其易用,神经网络已获得了巨大的普及。诸如CNN、RNN和自动编码器之类的模型将深度学习技术应用于诸如对象检测和语音识别之类的任务,为神经网络的研究和开发...
  • 大家好,我是小林。 昨天有位关注我一年的读者找我,他去年关注我公众后,开始...这里先给大家分享些计算机必读书籍,获取方式:计算机必读书籍(含下载方式),包含数据结构与算法、操作系统、计算机网络、数据库、L
  • Underlay网络是由各类物理设备构成,通过使用路由协议保证其设备之间的IP连通的承载网络。 Overlay网络是通过网络虚拟化技术,在同一张Underlay网络上构建出的一张或者多张虚拟的逻辑网络。不同的Overlay网络虽然...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 879,762
精华内容 351,904
关键字:

复杂网络的复杂性