渡船节点识别模型移动Ad Hoc网络的安全

文摘

机会网络是一种特殊类型的无线移动ad hoc网络不需要任何基础设施,没有稳定的节点之间的联系,依靠完整的数据转发节点相遇。渡船节点的能量消耗不平衡在一个投机取巧的网络会导致网络性能急剧下降。因此,识别渡船节点组中扮演一个重要的角色在提高机会网络的性能和延长其生命。现有的研究一直未能准确识别渡轮在机会网络节点集群。为了解决这个问题,k-core和结构洞的概念相结合,和一个新的评价指标,即重要性等级,提出了本研究在分析动态网络中节点的重要性。在此基础上,一艘渡轮集群识别模型设计准确识别渡船节点集群。模拟的结果进行验证该模型的性能表明,模型识别的准确性渡船节点集群是100%。

1。介绍

机会网络是一种无线移动ad hoc网络,不需要一个完整的联系的节点和断开连接的子域之间实现通信1]。与传统的网络相比,在机会网络中,信息依赖遇到机会带来的节点运动和发送网络中的敌手,直到他们到达目标节点。机会网络是广泛应用于野生动物跟踪、车载网络,偏远地区,和通信在严酷的环境下2]。

由于一个机会网络的通信区域分散的大多数时候,渡轮断开连接的地区之间的节点放置为了实现分散的地区之间的交流和提高机会网络的整体性能。渡船节点在不同地区之间移动连接到不同的领域。目前,研究在渡轮节点主要包括路由算法基于节点(3- - - - - -12),渡轮节点运动路径规划(13- - - - - -19),和渡轮节点网络信号覆盖20.- - - - - -23]。

在机会网络的实际应用场景,渡轮节点扮演着至关重要的角色在维护分离区域的节点之间的通信。在网络操作,如果一艘渡轮节点退出网络服务由于网络攻击,不同地区之间的沟通可能会削弱甚至切断。因此,确定一个渡船集群节点从一个陌生的网络环境和保护这些节点发挥重要作用在维护网络安全、提高网络性能。一些研究已经进行渡轮在机会网络中节点标识,并在这些研究的主要思想的使用节点重要性评估指标在一个复杂的网络发现渡轮在机会网络节点。现有的节点重要性评估指标主要包括学位中心,中间性中心,k-core指标。的一项研究[24使用学位中心)提出测量节点的重要性和节点估计网络中节点的位置根据邻居节点的数量。弗里曼(25和吴作栋等。26]提出的中间性中心指标来评估节点的重要性,通过使用最短路径节点的网络。Kitsak et al。27)提出了一个基于节点重要性评估指标的重要性在整个网络节点的位置和使用核的数量得到k-core分解为基础判断节点的重要性。然而,这种方法只适用于复杂网络的静态拓扑和不能用于投机取巧与不断变化的网络拓扑。在一个不断变化的网络,节点的度不断变化,很难找到一个节点总是中心的网络使用方法基于学位中心(28]。在移动节点组成的一个网络,通过节点到其他节点的最短路径是不断变化的。在这种情况下,介数中心指标无法准确确定的次数一个节点的最短路径。网络中涉及到一个单一的传播源,k-core指标比学位更准确的向心性和中间性中心指标识别网络中节点与更大的影响力。然而,这种方法在涉及多个复杂网络传播来源是无效的。由于机会网络的特点,比如它的动态变化的拓扑结构,不断运动的节点,多个传播源,没有上述节点重要性评估指标适用于识别渡轮在这样网络节点集群。

,目的是解决现有方法的这些缺点,结构洞的节点和k-cores的概念已经在这项研究中,结合和渡船重要性等级(杉木)提出了指标,全面分析了当地和全球网络中节点的重要性。在变化和multipropagation源机会网络,动态节点的重要性可以准确地评估拟议的冷杉指标。在此基础上,一个FIR-based机会网络渡轮集群节点识别模型已经被开发出来,它将网络的操作信息在一段时间内成等长时间片。在每一个时间片,计算节点可以有重大影响的基础上,冷杉指标,选择和渡船节点集群网络中根据节点中选择不同的时间片。

2。相关工作

因为机会网络不稳定的网络拓扑的特点,不规则节点运动,nonfixed连接,和不可预知的遭遇29日,30.],现有采矿方法基于静态关键节点复杂网络分析技术不能用于渡轮在机会网络中节点的发现和选择。在现有的复杂网络的关键节点挖掘算法,研究人员主要使用中心程度等指标,中间性中心,near-centrality,计算特征向量中心从不同的角度在复杂网络中节点的重要性。在机会网络中涉及稀疏节点、关键节点挖掘算法基于中心程度指数无法找到桥节点(31日]。关键节点挖掘算法基于中间性中心指标高时间复杂度(32),和一个节点的特征向量中心忽略了影响相邻节点的变化对节点的重要性。因此,基于复杂网络的关键节点发现算法不能适用于渡轮在机会网络中节点的发现。

关键节点挖掘算法基于节点度中心指数分析了邻居节点的数目和本地关键节点的重要性,但是忽略了全球网络拓扑节点的重要性(31日]。中心度指标的基础上,陈(33)提出了一种半局部中心关键节点识别方法,这部分改善程度中心方法通过计算中所有节点的度之和一定数量的啤酒花。这种方法部分改善情况程度中心方法落入局部最优解。基于学位中心和节点删除法,并结合当地社会网络的连通性和节点之间的最短路径,李等人提出了一个连接中心指数来衡量网络中节点的影响(34]。他们的方法整合全球和本地网络中节点的重要性,更全面描述节点的重要性。然而,由于其计算复杂度高,他们的方法不能用于渡轮在机会网络中节点的发现在动态拓扑。

中间性中心指数考虑节点的重要性,从全球的角度来看,可以有效地判断桥节点在网络中(25]。随机抽样的快速近似算法基于最短路径可以快速计算介数中心和评价的重要性,在大型网络中所有节点(35]。关键节点发现算法基于中间性和亲密中心靠近中心使用的最短路径分析的关键节点(36]。在一个机会网络与社会属性,可以挖掘基于关键节点的融合节点的重量在社会关系和其在网络拓扑的地位37]。然而,没有一个上述关键节点的挖掘算法可以完成渡轮的发现和选择节点在机会网络中,网络拓扑结构的动态变化。

Kitsak et al。27)提出,一个节点的重要性取决于整个网络节点的位置。他们计算基于k层核心节点的数量和使用k-core指数来描述节点的传播能力,可以准确地识别网络中最具影响力的节点。然而,这种方法不适合投机取巧与多个传播来源网络。波特提出了结构洞理论(38),指出一个节点有较大的结构洞扮演更重要的角色在周围节点的通信网络。结构洞理论可以计算多个节点之间的结构关系和解决问题k-core指数不能反映结构特点的邻居。张、张(39)估计的重要性节点通过计算它们之间的结构,充分考虑网络结构的影响在节点的重要性。苏et al。40)相结合的结构洞节点及其邻居的重要性,全面考虑邻居节点的数量和邻居之间的拓扑结构。此外,他们的方法结构洞来确定关键节点,和计算范围从邻近的节点扩展到周边地区。然而,在这些研究中,落入局部最优解的问题,无法避免。

网络中节点的重要性受到许多因素的影响,和现有的方法基于单一评价指标重要性无法找到网络的关键节点准确(41,42]。为了解决这个问题,周等人合并节点效率,节点的度,相邻节点形成一个重要性评价的重要性矩阵挖掘网络中的关键节点(43]。然而,这种方法没有考虑不相邻节点的影响在高相互依存的关键节点。文献[44)结合的概念结构洞和亲密中心索引获取节点的结构洞的影响矩阵,分析了全球和本地节点的重要性。然而,计算节点的时间复杂度亲密中心是相对较高的。文献[45)开采的关键节点,通过当地的融合行为,和全球节点和特点,基于时间片的方法,机会网络的动态拓扑转变成一个静态拓扑,它提供了一种新的方法,挖掘一个机会网络的关键节点。

总之,由于网络中节点的移动性,网络的拓扑结构也处于不稳定状态,并通过多个消息传播传播源。因此,现有的基于分析复杂网络的关键节点采矿方法不能直接应用到一个机会网络。为了自动找到并选择渡船在机会网络中,节点的Ferry_Importance_Rank(杉木)指数提出了这项工作。这个指数被用于评估动态在机会网络中节点的重要性的基础上,结构洞和k-core指数的重要性。此外,基于冷杉,一艘渡轮集群节点识别模型对机会网络,设计使用的分析机会网络的发现和选择可以执行渡船在陌生的机会网络中节点组。

本文的其余部分组织如下:部分3提供了一个描述的三个指标评估在机会网络中节点的重要性。提议的细节FIR-based渡轮机会网络节点识别模型,基于结构洞和k-core指数的重要性,已经在部分4。部分5提供了一组全面的仿真结果为各种机会网络场景。详细讨论分析的结果也在这一节中。总结目前的工作和它得到的结论部分6。

3所示。预赛

在本节中,一些初步知识,包括结构洞理论和k-core重要性理论,已审核。

定义1。结构洞
“结构洞”是一个社交网络的经典理论由伯特(38),这是通常用于评估节点在本地网络的重要性。如果B和C是节点的邻居节点和节点B和C不相邻,只能通过节点通信,节点之间存在一个结构洞B和C,或有一个结构洞节点A .较大的结构洞被一个节点的数量,其沟通能力越强。

3.1。计算方法估算结构洞的重要性

假设网络中节点的数量n;然后一个矩阵的维度n×n建立了。这个矩阵是用来表示网络中节点的连接状态。= 0意味着节点我和j断开连接,而= 1意味着节点我和j是相关的。

假设节点的程度吗我;然后计算使用方程(1),G是一组中的所有节点拓扑地图。 和邻接节点度吗我。这是所有的邻居节点的度的总和我用方程表示(2)。

在方程2,的相邻节点的节点集吗我。

网络节点的约束系数等多个因素有关的连接节点与其他节点和节点之间的结构和它的邻居。因此,学位和其邻居的拓扑结构, ,计算时应考虑网络约束系数节点。使用表达式计算了吗

节点形成结构洞的困难是由网络约束系数, ,的节点,也是衡量节点的结构洞的大小。网络节点的约束系数成反比的学位结构洞和计算使用 在哪里问是一个节点的邻居节点的十字路口我和j,不等于我或j。

节点的约束系数我是索引节点的重要性,结构洞和约束系数之和的比值计算网络中所有节点的使用

定义2。结构洞的约束系数
结构洞约束系数, ,的节点被定义为的比例结构洞索引值的节点重要性结构洞的和重要性所有节点相邻节点的索引值 。 用于测量节点的约束,形成结构洞。计算使用 在这项工作中,一个算法计算机会网络结构洞的重要性已被开发出来,如算法所示1,即计算结构洞的重要性(CSHI)算法。

定义3。K-core重要性
图论中一个经典的概念,k-core理论计算网络中节点的影响基于节点的程度。k-core分解的步骤如下:递归删除节点的度k或更少的网络中,并将k层的值分配给删除节点。重复这个过程,直到所有节点在网络k层分配值。k-core分解算法,大量的节点在同一网络层面,从而导致算法的无能当进一步计算节点的重要性。

3.2。计算K-Core重要性

在初始阶段, 记录每一个节点,节点最小的吗值从拓扑地图中删除被分配到这些节点。随后,剩余的节点更新 ,在哪里调整因子和吗 , 删除前一个阶段的程度,其余节点的程度。重复上述过程,直到所有节点获得价值。然后,节点的k-core指数吗 。

根据k-core重要性的计算方法,介绍了计算算法k-core指数在一个机会网络的节点,如算法所示2,即计算k-core重要性(CKCI)算法。

k-core节点的重要性我是指的比率的节点我和的总和的所有节点,可以计算使用方程(7)k-core索引后的节点我已知:

4所示。渡船基于冷杉为机会网络节点识别模型

机会网络的拓扑结构动态变化。因此,现有的挖掘算法基于静态网络关键节点指标不适用的机会网络。为了解决一个机会网络中关键节点的数据挖掘问题,我们已经将网络分成几个快照以同样的运行时,建立了一个投机取巧的静态拓扑网络快照,开采的关键节点在每一个快照,并确定渡船机会网络中的节点基于关键节点的频率选择。

使用一个单一的指标不能准确评估节点的重要性(41]。为了解决使用一个索引的缺点,指数提出了这项工作,这是一个指标的融合结构洞一个节点的重要性和k-core重要性。这个指标综合分析了局部和全局的重要性节点基于渡船的节点组选举网络。

4.1。渡船重要性排名算法

基于冷杉索引节点重要性评估模型已被用于测量一个机会网络中节点的重要性。该模型结合了k-core重要性, ,节点和结构洞的重要性, ,和计算索引。越大值,节点的重要性越高。使采矿的关键节点在一个机会网络的动态拓扑,FIR-based模型建立了一个分配快照跑步机会网络拓扑序列,进行关键节点矿业的基础上静态拓扑序列图,并计算每个节点的次数被选中作为一个关键节点。选中的节点是渡船节点,节点被选中的次数最高的渡轮所有节点之间是最重要的节点。的使用表达式给出指标计算

从分析验证该模型的模拟执行,发现当2,是1,节点重要性评估模型达到最佳性能。

的指数的计算方法是通过执行以下步骤:重量、结构洞 ,k-core指数, ,每个节点的节点集G计算使用的算法1和2。在这之后,k-core重要性, ,每个节点的计算根据方程中给出的表达式7。最后,冷杉重要性指数, ,的节点我在节点集G根据方程计算8。所示的计算过程的算法3,即计算渡轮重要性等级(CFIR)算法。

计算渡轮节点集群网络中,每个快照应该分开计算的关键节点。首先,拓扑中的所有节点输入成集G,所有节点的冷杉值G根据算法计算3。冷杉价值最高的节点拓扑地图,这对应于时间片,输入到轮渡节点集。快照中的所有关键节点计算使用上面描述的方法,最后的渡轮节点渡船网络中节点组。渡船节点识别算法显示了一个投机取巧的网络算法4,即渡船节点识别(FNI)算法流渡轮节点的集群识别算法(图所示1)

5。实验

机会网络环境(一)模拟器是一个重要的实验研究机会网络的仿真平台。在这项研究中,ONE1.4.1用于执行模拟,并ConnectivityDtnsim2Report报告。模拟环境的参数设置表中列出1。在这项研究中,三个不同的仿真场景设置和比较betweenness-based算法(称为风险模型)(35]。FIR-based模型提出了研究和VC模型被用于识别渡船节点在不同的场景中,和模型的性能确定节点在不同环境中进行了分析。

在这项研究中使用的三个模拟场景是一个投机取巧的网络和稀疏节点,一个机会网络节点密集,机会网络的星形分布的节点(称为场景1、2和3,分别)。场景1用于模拟节点稀疏地分布在操作环境中,例如,机会网络场景如草原、偏远乡村,或者农业和牧区。场景2是用于模拟操作环境与人口分布的节点,如校园环境和机会网络在城市环境。场景3是用于模拟操作环境中节点分布不均,比如一个机会网络在山里,森林,和其他场景,在地形限制。仿真环境设置在这个研究机会网络的覆盖各种实际应用场景,全面验证使用冷杉模型的影响在一个实际的操作环境。模拟环境的示意图如图设置2- - - - - -4。

图2显示一个机会网络的原理涉及相对稀疏的节点分布。在这种情况下,节点组的数量小,节点组的地理分布是稀疏的。图3显示一个机会网络的示意图与人口分布的节点。这个场景与场景1相比,有更多的节点组,人口分布和节点组。图4显示了一个星形的机会网络节点分布。这个场景是用来模拟一个场景节点的分布不规则由于地形的限制如山川河谷。使用机会网络的模拟进行了不同节点分布,结果因此获得数据所示5- - - - - -16。

数据5- - - - - -7显示的结果的比较FIR-based模型在本工作和VC开发模型选举渡轮在机会网络中节点组在不同的场景中。在数据5- - - - - -7在右上角,节点发现渡船节点集场景中,和蓝线代表场景中的其他节点。从仿真结果的分析机会网络中不同的场景,它可以观察到,当时间片长度小于200年代,FIR-based模型提出了工作的准确性较低矿业渡轮节点在不同的场景中。这是因为当时间片长度小于200年代,节点的分布是稀疏,渡船节点将被忽略,因为他们并不会形成有效的区域之间的联系。时间片的错误率明显降低大于500年代。当时间片长度大于1000年代,准确率更高,,认识到轮渡机会网络中的节点在上面三种情况是100%。

此外,FIR-based模型和VC模型被用于执行模拟1200年时间片在上面的场景中,1800和2400年代,分别。这些仿真的结果如图8- - - - - -16在下面。

数据8- - - - - -10的比较结果显示模拟场景1执行。在这方面,得到的仿真结果应用FIR-based模型和VC模型相比已经稀疏multiparallel机会网络的情况下,时间片的长度设置为1200时,1800和2400年代,分别和节点h43 g32、f21, e10设置为渡船节点。从图8,可以看出FIR-based模型可以准确地识别所有渡船节点,而VC模型只能识别其中的一些。因此,分析证明了使用FIR-based模型的有效性在机会网络中涉及稀疏节点。

数据11- - - - - -13是场景2的仿真结果。在这个模拟中,时间片长度设置为1200,1800和2400年代,分别和渡船节点设置为g10, h21,手机等,j43, k54和l65分别。从仿真结果可以看出,在场景2中,FIR-based模型和VC模型表现出类似的结果确定渡船节点。这是因为当机会网络中节点的分布密度,节点间的拓扑结构更稳定。在这种情况下,风险投资模型,它是基于中间性中心指标,可以达到更好的效果。当2400年代拍摄的时间片,g10渡轮节点的数量,h21,手机等,j43, k54,并l65 FIR-based模型2,3,13日,10日,6和4,命中率是5%,8%,34%,26%,16%,和11%,分别。此外,渡轮节点命中率越高,更重要的是它的角色在渡船节点组,它对网络的影响就越大。

场景3的机会网络中,节点的分布是星形的。FIR-based模型的仿真结果的比较和VC模型图所示14- - - - - -16。在场景3中,节点e10、f21 g32、h43, i44设置为渡船节点。仿真结果表明,FIR-based模型能够识别所有渡船节点,而VC i44模型只识别节点。这表明冷杉算法可以准确地找到渡船场景3机会网络的节点组。

总之,VC模型,它是基于中间性中心指标,只能识别所有渡船在机会网络中节点组涉及密集的节点,而FIR-based模型提出了工作是能够找到渡船在各种常见机会网络节点组。这有效地修复遗漏的问题挖掘算法基于现有的渡轮节点介数中心指标在场景1和3。FIR-based模型展览识别成功率100%渡船节点在这三个场景中,而VC模型只达到100%渡轮在场景2节点组织的识别。在场景1和3,渡轮节点组的识别率VC模型仅为25%。因此,可以看出,渡船在机会网络节点识别模型基于冷杉可以找到渡船机会网络中的节点有效和可靠的。

6。结论

基于结构洞和k-cores的重要性,一个冷杉指标提出了在本研究评估机会网络中节点的重要性。基于这一指标,FIR-based机会网络节点识别模型提出了。VC模型相比,基于中间性中心指数,FIR-based模型能够准确地识别渡船节点组在各种各样的应用程序场景。本地节点的重要性的分析已经完成在本研究中通过约束系数,结构洞和k-core节点的重要性已经被用于分析全球节点的重要性。此外,冷杉指标提出了融合属性和结构洞k-core节点的重要性,它可以评估一个机会网络中节点的重要性与动态拓扑变化,然后确定渡船机会网络中的节点。模拟结果进行验证提出模型已经证明FIR-based模型提出了工作可以准确、有效地识别渡船在机会网络中节点在低时间复杂度。此外,它解决了VC中失踪的渡轮节点的问题模型,并提供了一个机会网络的一个重要研究基金会自动识别渡轮节点,保护这些节点目标的方式,维护网络安全。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是由中国国家自然科学基金支持下拨款62061036,61841109,61661041和2019年内蒙古自然科学基金资助下ms06031和部分赛尔在格兰特NGII20170622创新项目。

引用

1. e·a·Abdellaoui Alaoui h . Zekkori, s . Agoujil”混合异构网络的延迟容忍网络的路由协议进行,”网络和计算机应用》杂志上文章ID 102456卷,148年,2019年。视图:出版商的网站|谷歌学术搜索
2. Y.-P。熊,L.-M。太阳,J.-W。妞妞,y . Liu“机会主义网络”软件学报,20卷,不。1,第137 - 124页,2009。视图:出版商的网站|谷歌学术搜索
3. c .道和j·高,“移动应用测试平台和环境建模:测试标准及复杂性分析,”学报2014年加入研讨会学术界和产业界对自动化测试的贡献,基于模型的测试加利福尼亚州圣何塞,pp。进一步,,美国,2014年2月。视图:谷歌学术搜索
4. p . a . Poole-Wilson g·a·兰格j . Cheng和t . Uehara“pH值对离子交换和功能的影响在鼠和兔心肌,”《美国生理学杂志》上,卷229,不。3、570 - 581年,1975页。视图:谷歌学术搜索
5. 瞿w . s . Li, c . Liu t·邱和z赵,“调查对水下传感器网络,高可靠性无线通信”网络和计算机应用》杂志上文章ID 102446卷,148年,2019年。视图:出版商的网站|谷歌学术搜索
6. k . Ikenoue k .建筑师,“基于数据传输路径的路由方法在DTN的环境中,”DTN环境中转移路径的程序。宽带和无线计算国际会议、交流和应用程序可汗,页544 - 552年,瑞士,2019年。视图:谷歌学术搜索
7. k . j . Buhmeyer a . r . Hutson w·李和f .曾助理医生南卡罗来纳州:一个进度报告,“南卡罗来纳医学协会杂志》(1975),卷71,不。11日,第338 - 337页,1975年。视图:谷歌学术搜索
8. 克鲁格,m . Helbig和j·塞茨,“海报:利用额外的节点混合DTN-MANET场景,”《12日挑战网络研讨会美国犹他州,第35 - 37页,雪鸟,2017年10月。视图:谷歌学术搜索
9. r . Vallikannu a .乔治,和s . k . Srivatsa“路由和充电方案与渡船节点在移动Adhoc网络网络”《2017年国际会议上智能计算和控制(I2C2)哥印拜陀,页1 - 4,印度,2017年6月。视图:谷歌学术搜索
10. z . Liu j . Li s Lv et al .,“EncodeORE:减少渗漏和实用性保存在order-revealing加密,“IEEE可靠和安全的计算,p . 2020。视图:出版商的网站|谷歌学术搜索
11. t . c . Wu Yoshinaga、d·巴亚尔和y,“学习适应anycast车辆延迟容忍网络”环境智能和人性化计算杂志》上,10卷,不。4、1379 - 1388年,2019页。视图:出版商的网站|谷歌学术搜索
12. 陈z Du, c .吴x, x, t . Yoshinaga和y,“与增强的缓冲区管理VDTN计划”,无线网络,26卷,不。3、1537 - 1548年,2020页。视图:出版商的网站|谷歌学术搜索
13. r . Anguswamy m . Thiagarajan和c h . Dagli”系统方法论的问题定义和框架移动ad hoc网络”第二届IEEE系统年会,页1 - 7,蒙特利尔,魁北克,2008年4月。视图:谷歌学术搜索
14. 王t·c·p·低,“减少消息延迟与普通消息渡轮航线(生产商∗)问题,”《IEEE 7日无线和移动计算国际会议上,网络和通信(WiMob),页380 - 387,纽约,美国,2011年10月。视图:谷歌学术搜索
15. a . s .阿里,k·r·马哈茂德·k·m·Naguib”优化为无线在D2D内容交付网络缓存策略,”网络和计算机应用》杂志上文章ID 102467卷,150年,2020年。视图:出版商的网站|谷歌学术搜索
16. k·k·艾哈迈德,移动代理和基于消息渡轮机制的路由延迟容忍网络大学先后马来西亚、Changlun,马来西亚,2018年。
17. 林c, h, y Hsu)黄,l .回族>,“全新消息转发与渡轮在实现容忍延迟网络,”学报2019年28日无线光通信会议(WOCC)2019年,页1 - 5,北京,中国。视图:谷歌学术搜索
18. c . Diwaker“shikha赛,”一个增强集群的基础在VANET使用多个渡轮节点运动模型,”国际期刊的管理和工程》第六卷,没有。10日,68 - 78年,2016页。视图:谷歌学术搜索
19. h . j . Li Yan, y . Zhang et al .,“多拷贝数据拥有多重云存储、高效的基于身份的可证明的”IEEE云计算,p . 2019。视图:出版商的网站|谷歌学术搜索
20. c .彭w·李,王z . et al .,“所有覆盖和低延迟渡轮在机会网络路由算法基于消息,“计算机应用研究,34卷,不。03年,819 - 823年,2017页。视图:谷歌学术搜索
21. 吴x, c . Zhang et al .,“集群路由协议基于改进PSO算法,系统”杂志在通信,40卷,不。12日,第123 - 114页,2019年。视图:谷歌学术搜索
22. 魏黄j . Li y, y . et al .,”可搜索的对称加密与向前搜索隐私,”IEEE可靠和安全的计算,p . 2019。视图:谷歌学术搜索
23. j . y, b。, z . Liu,比比Gupta,“ThinORAM:对实际的数据访问在雾计算环境中,“IEEE服务计算,卷99,p . 2019。视图:谷歌学术搜索
24. h . Zhao-Long l .朝阳区建国,r . Zhuo-Ming”分析自愿接种模型基于节点度信息,“《物理学报》,卷62,不。21日,第219590 - 218901页,2013年。视图:谷歌学术搜索
25. l·c·弗里曼,“一套措施基于中间性的中心,“人与人之间,40卷,不。1,35-41,1977页。视图:出版商的网站|谷歌学术搜索
26. K.-I。吴作栋,e .哦,b . Kahng, d . Kim“中间性相关性在社交网络中的重要性,”物理评论E Statal非线性和软物质物理学,卷67,不。1,文章ID 017101, 2003。视图:谷歌学术搜索
27. m . Kitsak l·k·盖洛s Havlin et al .,“识别复杂网络的影响力的传播者”自然物理》第六卷,没有。11日,第893 - 888页,2010年。视图:出版商的网站|谷歌学术搜索
28. 是的和n .京”效应的变量网络集群节点中心的准确性”《物理学报》,卷65,不。2、2016。视图:谷歌学术搜索
29. 张,机会网络路由算法研究基于细胞自动机的学习、陕西师范大学、西安,中国,2016。
30. 美国朋友”,评估网络负载和消息大小的影响在挑战移动机会网络环境中,“网络和计算机应用》杂志上卷。81年,47-58,2017页。视图:出版商的网站|谷歌学术搜索
31. z, j·刘,任z”分析自愿接种模型基于节点度信息,“《物理学报》,卷62,不。21日,第517 - 512页,2013年。视图:谷歌学术搜索
32. y的歌声,j .倪”效应的变量网络集群节点中心的准确性”《物理学报》,卷65,不。02年,379 - 386年,2016页。视图:谷歌学术搜索
33. l . d . Chen,研究。张,t·周”确定节点在复杂网络影响力。”自然史答:统计力学及其应用,卷391,不。4、1777 - 1787年,2012页。视图:出版商的网站|谷歌学术搜索
34. z z . Li Yang, h·王,“影响测量的节点基于社交网络的结构,“《电子学报》,44卷,不。12日,第2974 - 2967页,2016年。视图:谷歌学术搜索
35. m . Riondato和e . m . Kornaropoulos“中间性的快速近似中心通过抽样,”第七届ACM国际会议程序网络搜索和数据挖掘,页413 - 422,纽约,纽约,美国,2014年2月。视图:谷歌学术搜索
36. >、z . y . Zhang和m .歌”重要节点搜索算法基于最短路径中间状态,”计算机工程与应用卷,49号21日98 - 100 + 132,2013页。视图:谷歌学术搜索
37. g . h . Chen, p . Zhang et al。”新浪微博社交网络的关键节点挖掘算法基于hadoop云平台,“东南大学学报(自然科学版),48卷,不。4、590 - 595年,2018页。视图:谷歌学术搜索
38. r·s·伯特·m·肯达夫,s . Tasselli“社会网络分析:基础和前沿优势,”年度回顾的心理学,卷64,不。1,第547 - 527页,2013。视图:出版商的网站|谷歌学术搜索
39. h .张和m .张”节点重要性评估通信网络结构洞指标的基础上,“计算技术与自动化,35卷,不。01,101 - 103年,2016页。视图:谷歌学术搜索
40. 苏x和y的歌”,利用社区“结构洞”社交网络中识别关键传播者。”《物理学报》,卷64,不。02年,5 - 15,2015页。视图:谷歌学术搜索
41. h . Yu,刘,刘z和y . j .,“关键节点在复杂网络由多属性决策methon标识,”《物理学报》,卷62,不。02年,54 - 62年,2013页。视图:谷歌学术搜索
42. 高h . g .胡,x,“识别复杂网络中重要节点基于多属性的偏好信息的聚合,”浙江科技大学学报第41卷。。4、482 - 488年,2019页。视图:谷歌学术搜索
43. 李张x周,f, k . et al .,“找到重要节点在复杂网络节点重要性评估矩阵,”《物理学报》,卷61,不。05年,页1 - 7,2012年。视图:谷歌学术搜索
44. c·朱、王x和l .朱”小说的方法评估复杂网络中的关键节点,“混乱,孤波和分形卷。96年,43-50,2017页。视图:出版商的网站|谷歌学术搜索
45. j .蜀w . L .江和L . L刘”重要节点评估基于拓扑凝结的机会网络图,“北京邮电大学杂志》上,42卷,不。02年,页57 - 62,2019。视图:谷歌学术搜索

版权

版权©2021王志飞et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。