基于互联网AS级多属性的区域网络节点影响力排序方法技术

基于互联网AS级多属性的区域网络节点影响力排序方法，包括：S1：获取AS(Autonomous System)网络数据，构建网络G；S2：AS节点影响力计算：计算二阶邻居节点影响力；S3：多属性融合算法排序：将S2得到的节点影响力与其本身属性进行加权融合后再排序；S4：性能评估。本发明专利技术关注邻居节点在整个网络中的影响，然后基于聚合两层邻居影响的逐层影响弱化策略计算节点重要性排序，将节点属性引入该方法，提出了一种基于多属性的节点重要性评估方法，并通过脆弱性分析实验验证了该方法的优越性，同时对不同区域网络的破坏性进行评估，探索区域破坏性差异与拓扑结构之间的关系。异与拓扑结构之间的关系。异与拓扑结构之间的关系。

【技术实现步骤摘要】
基于互联网AS级多属性的区域网络节点影响力排序方法


[0001]本专利技术涉及复杂网络
，特别涉及一种基于互联网AS级多属性的区域网络节点影响力排序方法。

技术介绍

[0002]在自然界以及人类社会中存在着大量复杂系统都可以通过不同的复杂网络加以表示。一个典型的网络是由许多节点和连边组成的，节点用来代表系统中不同的个体，而边则用来表示个体之间的关系。互联网在AS(Autonomous System) 级复杂网络中的网络节点重要度分析一直都是一项重要的研究课题，对于研究国家区域的AS级网络的稳健性分析方面具有重要应用。目前，在复杂网络中节点重要性排序的研究中，主要以节点的度、节点之间的最短路径、节点的位置、网络的鲁棒性、网络全局信息等网络拓扑结构方面进行研究。然而，仅仅关注网路结构信息会导致考虑不周全，最终导致分析结果不够严谨准确。所以，本文所研究的网络节点重要性要从两个方面进行深入研究，即网络拓扑结构信息与网络节点内部属性。
[0003]专利号201510373034.X公开了一种基于集团度的复杂网络重要节点排序方法及模型演化方法，通过集团度来计算节点的重要性值得到的节点重要性顺序更符合网络的实际情况模型演化所得到的模型的平均路径长度和聚类系数性能都具有明显优势。专利号201710481040.6专利技术基于紧密度和结构洞计算的节点重要性值，得到的节点重要性排序能更准确和有效的评估节点的重要程度，对于大规模真实复杂网络可获得理想的计算效率和结果。专利号201820203964.4 一种基于嫡变的复杂网络节点重要度的排序方法，将嫡变作为节点重要性的度量，并对排序结果进行性能评估。
[0004]上述方法均只从某个或者两个结构方面评价节点重要性或对节点进行排序，然而，事实上，网络节点的重要性不仅和节点局部属性、与其在网络中所处位置以及节点之间的相互依赖程度密切相关，而且与节点自身的特定属性也密切相关。仅凭借拓扑结构属性在不同的网络中研究节点影响力的计算方法，不足以准确的表示节点自身的特性，AS网路中节点的重要性与网络的整体信息相关，需要从不同的角度去分析，利用节点的多个指标来进行综合评定。通常情况下，人们普遍认为带有度指标排序算法更能体现出节点的影响力，但这忽略了两个关键的问题：一方面，虽然一些节点拥有较少的邻居，但他们的邻居却拥有更高的影响力。另一方面，节点内部的属性如AS拥有的前缀块数量、AS拥有的用户数量等属性也对其重要性有一定的影响。综上所述，基于互联网AS级多属性的区域网络节点影响力排序方法，综合考虑了节点的多层结构信息和节点自身的属性，通过网络核心规模、破碎度、连通分量等多种方式评价，能够更加准确高效的评估网络中的关键节点。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于互联网AS级多属性的区域网络节点影响力排序方法，通过网络结构属性与节点自身属性融合，使得网络中关键节点
的排序更加符合实际且更加高效精准。
[0006]本专利技术实现上述专利技术目的所采用的技术方案如下：
[0007]本专利技术的基于互联网AS级多属性的区域网络节点影响力排序方法，包括以下步骤：
[0008]S1：构建网络：获取AS(Autonomous System)网络数据，构建网络；
[0009]S2：计算AS节点影响力：计算二阶邻居节点影响力；
[0010]S3：排序多属性融合算法：将上述得到的节点影响力与节点本身属性进行加权融合后再排序；
[0011]S4：评估性能。
[0012]进一步的，所属步骤S1具体包括：
[0013]S1.1：利用爬虫技术获取CAIDA官网中的基于AS级的全球互联网连通数据，数据包括AS节点及其连边信息，同时获取每个节点的属性，比如每个AS 所属国家、前缀块数量等固有属性；
[0014]S1.2：构建点对应属性的字典，调整数据格式并通过节点的国家属性和节点间的连边信息创建区域级网络图G；假设AS网络G＝{V,E}，其中V表示网络的节点集，E表示链路集，且G包含N个AS节点和M条边。
[0015]进一步的，所述步骤S2具体包括：
[0016]S2.1：计算节点的贡献概率，在网络G中，通过筛选过滤，整理出对应国家网络节点图G计算节点的贡献概率p：
[0017][0018]其中d(v
i
)是节点v
i
的度，d(v
i
)用作其影响的指标；
[0019]S2.2：计算节点的介数中心性：
[0020][0021]g
jk
为节点j和k之间的最短路径，g
jk
(v
i
)表示节点j和k经过节点v
i
的最短路径；
[0022]S2.3：计算节点的度中心性：
[0023][0024]N为AS网络G中总节点个数，d(v
i
)为当前节点的度值；
[0025]S2.4：S2.4：关注节点的两层邻居结构，以不同的权重聚合一阶邻居和二阶邻居节点的度中心性可以得到当前节点v
i
的影响力，从结构方面计算节点的影响力，公式如下：
[0026][0027]其中k为节点v
i
的最近邻居节点集，Q为节点v
i
的次最近邻居节点集，DC 和BC分别为网络G的度中心性和介数中心性。
[0028]进一步的，所述步骤S3具体包括：
[0029]S3.1：将上述方法应用于以国家属性进行划分的区域级AS拓扑图G；；
[0030]AS级的互联网拓扑通常使用复杂网络建模，其中每个节点是一个AS，每个链接代表两个AS之间的业务关系；这些关系反映了当流量在AS之间交换时谁付费，并且对于互联网系统的正常运行是至关重要的；因为关系通常被分为三种类型：(1)C2P，(2)P2P，以及(3)S2S；C2P关系中的客户向提供商支付接入互联网的费用，其他两种类型，P2P和S2S，通常是免结算的，这意味着P2P 和S2S关系中的每一方都不交换金钱，更喜欢双赢的合作关系；
[0031]S3.2：使用上述CAIDA网站提供的AS关系数据集，从中可以获取到当前国家AS网络G中每一个AS的provider、customer、sibling的数量，并将每个节点的customer值作为本AS的节点属性，对于节点v
i
，有节点邻居影响力 NI(v
i
)和节点本身的customer属性OI(v
i
)，对于OI(v
i
)，公式如下：
[0032]mul(v
i
)＝μ1NI(v
i
)+μ2OI(v
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0033]其中，μ1为邻居节点影响力的权重，μ2为节点本身属性的权重；从商业角度来说，拥有的customer越多，也就证明了该节点在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于互联网AS级多属性的区域网络节点影响力排序方法，其特征在于，包括以下步骤：S1：构建网络：获取AS(Autonomous System)网络数据，构建网络；S2：计算节点影响力：计算基于二阶邻居的节点影响力；S3：排序多属性融合算法：将S2得到的节点影响力与其本身属性进行加权融合后再排序；S4：评估性能。2.如权利要求1所述的获取AS网络数据，构建网络，其特征在于：所属步骤S1具体包括：S1.1：利用爬虫技术获取CAIDA官网中的基于AS级的全球互联网连通数据，数据包括AS节点及其连边信息，同时获取每个节点的属性，比如每个AS所属国家、前缀块数量等固有属性；S1.2：构建点对应属性的字典，调整数据格式并通过节点的国家属性和节点间的连边信息创建区域级网络图G＝{V,E}，其中V表示网络的节点集，E表示链路集，且G包含N个AS节点和M条边。3.如权利要求1所述的一种基于互联网AS级多属性的区域网络节点影响力排序方法，其特征在于：所述步骤S2具体包括：S2.1：基于网络图G，计算节点的贡献概率p：其中d(v
i
)是节点v
i
的度；S2.2：计算节点的介数中心性：g
jk
为节点j和k之间的最短路径，g
jk
(v
i
)表示节点j和k经过节点v
i
的最短路径；S2.3：计算节点的度中心性：N为AS网络G中总节点个数，d(v
i
)为当前节点的度值；S2.4：关注节点的两层邻居结构，以不同的权重聚合一阶邻居和二阶邻居节点的度中心性可以得到当前节点v
i
的影响力，从结构方面计算节点的影响力，公式如下：其中，p(v
i
)表示当前节点相邻点的贡献概率，BC(v
i
)表示当前节点的介数中心性，DC(v
j
)表示节点的度中心性。4.如权利要求1所述的一种基于互联网AS级多属性的区域网络节点影响力排序方法，其特征在于：所述步骤S3具体包括：S3.1：将上述方法应用于以国家属性进行划分的区域级AS拓扑图G；S3.2：使用上述CAIDA网站提供的AS关系数据集，从中可以获取到当前国家AS网络G中
每一个AS的provider、customer、sibl...

【专利技术属性】
技术研发人员：宣琦，张璐，张丽娜，彭松涛，阮中远，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：