时序网络演化速度对传播的影响分析

doi:10.11772/j.issn.1001-9081.2014.11.3184

计算机应用 ›› 2014, Vol. 34 ›› Issue (11): 3184-3187.DOI: 10.11772/j.issn.1001-9081.2014.11.3184

时序网络演化速度对传播的影响分析

朱义鑫¹,²,张凤荔¹,秦志光¹

1. 电子科技大学计算机科学与工程学院,成都 611731;
2. 新疆财经大学计算机科学与工程学院,乌鲁木齐 830012

收稿日期:2014-06-09 修回日期:2014-08-02 发布日期:2014-12-01 出版日期:2014-11-01
通讯作者: 朱义鑫
作者简介:朱义鑫(1974-),男,湖南湘乡人,讲师,博士研究生,CCF会员,主要研究方向:计算机网络安全、复杂网络传播;张凤荔(1963-),女,河南内乡人,教授,博士生导师,博士,主要研究方向:信息安全、计算机网络安全;秦志光(1956-),男,四川隆昌人,教授,博士生导师,博士,主要研究方向:信息安全、计算机网络安全。
基金资助:
江苏高校优势学科建设工程项目;国家863计划项目

Effects analysis of network evolution speed on propagation in temporal networks

ZHU Yixin¹,²,ZHANG Fengli¹,QIN Zhiguang¹

1. School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu Sichuan 611731, China;
2. School of Computer Science and Engineering, Xinjiang University of Finance and Economics, Urumqi Xinjiang 830012, China

Received:2014-06-09 Revised:2014-08-02 Online:2014-12-01 Published:2014-11-01
Contact: ZHU Yixin

摘要/Abstract

摘要：

为分析时序网络演化速度对传播过程的影响,通过改进已有的时序相关系数定义,给出了一个网络演化速度指标;同时,提出了一个具有非马尔可夫性质的时序网络演化模型。在每个时间步,每一个给定的激活节点都以概率r在网络中随机选择一个节点,以概率1-r在该激活节点的原邻居中随机选择一个节点,并在该激活节点与所选节点间建立连边。模拟结果表明：网络模型参数r与网络演化速度指标之间有单调增的关系;同时,激活节点随机连边的概率r越大,网络传播范围就越广。由此可知:演化速度快的时序网络有利于网络传播;进一步地,网络拓扑结构的快速变化有利于信息的快速传播,但不利于抑制病毒传播。

Abstract:

An index of network evolution speed and a network evolution model were put forward to analyze the effects of network evolution speed on propagation. The definition of temporal correlation coefficient was modified to characterize the speed of the network evolution; meanwhile, a non-Markov model of temporal networks was proposed. For every active node at a time step, a random node from network was selected with probability r, while a random node from former neighbors of the active node was selected with probability 1-r. Edges were created between the active node and its corresponding selected nodes. The simulation results confirm that there is a monotone increasing relationship between the network model parameter r and the network evolution speed; meanwhile, the greater the value of r, the greater the scope of the spread on network becomes. These mean that the temporal networks with high evolution speed are conducive to the spread on networks. More specifically, the rapidly changing network topology is conducive to the rapid spread of information, but not conducive to the suppression of virus propagation.

中图分类号:

TP393.08

朱义鑫张凤荔秦志光. 时序网络演化速度对传播的影响分析[J]. 计算机应用, 2014, 34(11): 3184-3187.

ZHU Yixin ZHANG Fengli QIN Zhiguang. Effects analysis of network evolution speed on propagation in temporal networks[J]. Journal of Computer Applications, 2014, 34(11): 3184-3187.

参考文献

[1]BOCCALETTI S, LATORA V, MORENO Y, et al. Complex networks: structure and dynamics[J]. Physics Reports, 2006, 424(4): 175-308.
[2]NEWMAN M. Networks: an introduction[M]. London: Oxford University Press, 2009.
[3]HOLME P. Network reachability of real-world contact sequences[J]. Physical Review E, 2005, 71(4): 046119.1-046119.8.
[4]BARABASI A-L. The origin of bursts and heavy tails in human dynamics[J]. Nature, 2005, 435(7039): 207-211.
[5]VZQUEZ A, OLIVEIRA J G, DEZS Z, et al. Modeling bursts and heavy tails in human dynamics[J]. Physical Review E, 2006, 73(3): 036127.1-036127.19.
[6]STEHL J, BARRAT A, BIANCONI G. Dynamical and bursty interactions in social networks[J]. Physical Review E, 2010, 81(3): 035101.1-035101.4.
[7]KARSAI M, KASKI K, BARABASI A-L, et al. Universal features of correlated bursty behaviour[J]. Scientific Reports,2012(2):397.1-397.7.
[8]MIRITELLO G, MORO E, LARA R. Dynamical strength of social ties in information spreading[J]. Physical Review E, 2011, 83(4): 045102.1-045102.4.
[9]HOLME P, SARAMKI J. Temporal networks[M]. Berlin: Springer-Verlag, 2013.
[10]GAUTREAU A, BARRAT A, BARTHLEMY M. Microdynamics in stationary complex networks[J]. Proceedings of the National Academy of Sciences, 2009, 106(22): 8847-8852.
[11]ZHOU T, HAN X, YAN X, et al. Statistical mechanics on temporal and spatial activities of human[J]. Journal of University of Electronic Science and Technology of China, 2013, 42(4): 481-540.(周涛, 韩筱璞, 闫小勇, 等. 人类行为时空特性的统计力学[J]. 电子科技大学学报, 2013, 42(4): 481-540.)
[12]ROCHA L E, BLONDEL V D. Bursts of vertex activation and epidemics in evolving networks[J]. PLoS Computational Biology, 2013, 9(3): e1002974.1-e1002974.9.
[13]VAJNA S, T TH B, KERT SZ J. Modelling bursty time series[J]. New Journal of Physics, 2013, 15(10): 103023.1-103023.16.
[14]MASUDA N, KLEMM K, EGUILUZ V M. Temporal networks: slowing down diffusion by long lasting interactions[J]. Physical Review Letters, 2013, 111(18): 188701.1-188701.5.
[15]RIBEIRO B, PERRA N, BARONCHELLI A. Quantifying the effect of temporal resolution on time-varying networks[J]. Scientific Reports, 2013(3):3006.1-3006.5.
[16]TANG J, SCELLATO S, MUSOLESI M, et al. Small-world behavior in time-varying graphs[J]. Physical Review E, 2010, 81(5): 055101.1-055101.4.
[17]PERRA N, GONCALVES B, PASTOR-SATORRAS R, et al. Activity driven modeling of time varying networks[J]. Scientific Reports, 2012(2):469.1-469.7.

时序网络演化速度对传播的影响分析

Effects analysis of network evolution speed on propagation in temporal networks

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	方介泼, 陶重犇. 应对零日攻击的混合车联网入侵检测系统[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2763-2769.
[2]	徐航, 杨智, 陈性元, 韩冰, 杜学绘. 基于自适应敏感区域变异的覆盖引导模糊测试[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2528-2535.
[3]	邓淼磊阚雨培孙川川徐海航樊少珺周鑫. 基于深度学习的网络入侵检测系统综述[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[4]	姚梓豪, 栗远明, 马自强, 李扬, 魏良根. 基于机器学习的多目标缓存侧信道攻击检测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1862-1871.
[5]	朱亮慕京哲左洪强谷晶中朱付保. 基于联邦图神经网络的位置隐私保护推荐方案[J]. 《计算机应用》唯一官方网站, 0, (): 0-0.
[6]	李向军, 王俊洪, 王诗璐, 陈金霞, 孙纪涛, 王建辉. 基于多模型并行融合网络的恶意流量检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(S2): 122-129.
[7]	徐精诚, 陈学斌, 董燕灵, 杨佳. 融合特征选择的随机森林DDoS攻击检测[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3497-3503.
[8]	霍珊珊, 李艳俊, 刘健, 李寅霜. 密码组件安全指标测试工具设计与实现[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3156-3161.
[9]	郭祥, 姜文刚, 王宇航. 基于改进Inception-ResNet的加密流量分类方法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2471-2476.
[10]	江魁, 余志航, 陈小雷, 李宇豪. 基于BERT-CNN的Webshell流量检测系统设计与实现[J]. 《计算机应用》唯一官方网站, 2023, 43(S1): 126-132.
[11]	郑超, 邬悦婷, 肖珂. 基于联邦学习和深度残差网络的入侵检测[J]. 《计算机应用》唯一官方网站, 2023, 43(S1): 133-138.
[12]	孙怡亭, 郭越, 李长进, 张红军, 刘康, 刘俊矫, 孙利民. 可编程逻辑控制器的控制逻辑注入攻击入侵检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1861-1869.
[13]	胡海岩, 康巧燕, 赵朔, 王建峰, 付有斌. 基于节点综合重要度排序的服务功能链部署优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 860-868.
[14]	程靖云, 王布宏, 罗鹏. 基于深度语义融合的代码缺陷静态检测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3170-3176.
[15]	毕文婷, 林海涛, 张立群. 基于多阶段演化信号博弈模型的移动目标防御决策算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2780-2787.