TY - JOUR A2 - Jiang, Yi-Zhang AU - Hu, Hangyu AU - Zhai, Xuemeng AU - Fei, Gaolei AU - Hu, Guangmin PY - 2021 DA - 2011/05/29 TI - ITDPM:基于生成式对抗学习(Generative Adversarial Learning)的网络拓扑动态传播模型SP - 2390466 VL - 2021 AB -网络信息传播分析在网络漏洞分析领域中发挥着越来越重要的作用，以防范潜在的风险和威胁。影响源节点的识别是信息传播分析的重要问题之一。传统的方法主要集中在提取程度高或局部聚类系数高的节点。然而，这些节点并不一定是现实世界中许多复杂网络中的高影响力节点。为此，提出了一种基于网络拓扑动态传播模型(ITDPM)的高影响力节点检测方法。该模型包括两个处理阶段:生成式对抗网络(GANs)的生成和鉴别阶段。生成阶段根据改进的网络控制理论和节点重要性特征生成最优源驱动节点，鉴别阶段训练信息传播过程，并将输出反馈给生成阶段进行迭代优化。基于生成式对抗学习，通过网络信息的动态传播，在每一步更新最优源驱动节点。我们将该方法应用于随机生成的复杂网络数据和真实网络数据; the experimental results show that our model has notable performance on identifying the most influential nodes during network operation. SN - 1058-9244 UR - https://doi.org/10.1155/2021/2390466 DO - 10.1155/2021/2390466 JF - Scientific Programming PB - Hindawi KW - ER -