ITDPM:网络拓扑动态传播模型基于生成敌对的学习

文摘

网络信息传播分析是获得一个更重要的角色在网络脆弱性分析域对预防潜在的风险和威胁。识别影响源节点是一个最重要的问题来分析信息传播。传统方法主要集中在提取节点度高或本地集群系数。然而,这些节点并不一定高影响力的节点在许多实际的复杂网络。因此,我们提出一个新颖的方法检测高影响力的节点根据网络拓扑动态传播模型(ITDPM)。模型由两个处理阶段:发电机和鉴别器生成对抗网络(甘斯)。发电机阶段生成最优源驱动的节点,所以基于改进的网络控制理论和节点重要性特征,而鉴别器阶段列车信息传播过程和反馈发生器的输出进行迭代优化。基于生成的对抗性的学习,最优源驱动的节点是所以然后通过网络信息更新每一步动态传播。我们运用我们的方法随机生成的复杂网络数据和真实网络数据;实验结果表明,我们的模型有显著的性能确定最具影响力的节点在网络操作。

1。介绍

如今,从各种通信系统电网系统,可以看出每个人的生活都受到了影响,由今天的现实世界中的复杂网络(1- - - - - -5]。然而,尽管各种新兴网络技术给人类带来了越来越多的方便在许多领域,网络也容易受到潜在的风险和威胁。研究信息传播等传播的谣言,影响扩散,数据包转发,和流行的比例有着悠久的传统网络科学包括社交网络分析、网络拓扑分析和复杂生物网络分析。识别影响源节点,尽快使信息传播网络科学最重要的一个问题,许多研究人员并努力工作找到这样有影响力的节点(6- - - - - -11]。

与经典的传染病模型包括SI,姐姐,和爵士模型提出,研究人员开始关注网络结构对传播行为的影响。然而,大多数的分析是针对宏观统计特征的传播网络结构,忽略了实际连接的链接。研究影响力的节点的识别是基于明确的网络结构,以及最优影响问题是np困难(12]。人工智能近年来新兴的目标是使用机器学习解决困难的问题,如生成对抗网络(GAN) [13]。甘的理想是优化发电机通过不断冲突的结果和发电机之间的鉴别器。发电机优化的过程可以被视为一种生殖敌对的学习(14,15]。因此,与成熟的复杂网络理论和新的人工智能方法,有影响力的节点的标识的问题可以得到解决,效率。

在本文中,我们提出一个网络拓扑动态传播模型(ITDPM)找到有影响力的节点在网络拓扑。模型由两部分组成:发电机和鉴别器像甘斯。发电机旨在识别影响力节点尽快使信息传播在互联网拓扑在当前阶段。两个著名的理论方法在网络科学使用和修改的自适应网络拓扑结构的特点:网络可控性和节点重要性参数。鉴频器的设计目的是模拟信息传播和评估性能基于影响力的生成器生成的节点。传播的性能将会反馈到发电机帮助模型更新有影响力的节点的集合。传播率和覆盖率作为通用评估发电机的性能参数和确定模型的停止条件。路由攻击传播进行基于实验模拟和真实的网络拓扑显示的性能ITDPM影响力的节点的识别。实验结果显示显著的性能确定最优影响力的节点,使信息传播尽快通过我们的模型。

总结了本研究的主要贡献如下:(1)根据最小输入定理,我们可以发现最小的一组驱动节点在网络拓扑,以确保信息传播的速度和广度从这些节点可以达到最快的速度。(2)本文利用ITDPM作为一个有效的工具来确定最优影响力的节点在网络拓扑。模型由两个处理阶段:发电机和鉴别器像甘斯。(3)实验结果表明,与传统方法相比,我们的方法有效地确定最优影响力的节点在网络拓扑,也有助于改善网络安全管理提高关键节点的安全策略。

本文的其余部分组织如下:部分2简要调查网络脆弱性分析和氮化镓的相关工作。部分3介绍了预赛中关键节点的检测和问题定义网络拓扑。使用最优影响力的ITDPM框架节点识别中讨论部分4。部分5介绍了实验模拟路由信息传播和攻击。最后,部分6给出了结论并提出了未来可能的工作。

2。相关工作

对流行病的研究提供了强大的模型分析信息传播,如硅、SIS和爵士模型(16,17]。然而,这些模型并不关心具体的网络结构。因此,影响力的节点的识别问题的基于网络的实际结构近年来已成为一个重要问题。在[6),问题找到有影响力的节点的最小集合映射到优化渗透在随机网络中,产生的能量最小化的多体的系统,在互动的形式是固定的nonbacktracking矩阵网络。在[18),有影响力的节点通过H-indices家族被确定。收敛到coreness可以保证即使在异步更新过程,允许一个分散的本地方法来计算节点的coreness大规模发展网络。在[19),最佳的渗滤理论是用来预测随后对于全球一体化的目标节点在啮齿动物记忆网络。在[20.),一个节点信息维度提出了综合当地维度在不同拓扑距离尺度。在[21),关注节点的传播能力是准确的特点分配不同的权重为每个类的邻居和总结了邻居的贡献。

然而,氮化镓在人工智能领域的被广泛用于各学科(解决困难的问题22]。在[23),氮化镓是用来预测社会合理的期货和鼓励多样化的预言小说各种损失。在[24),一个新颖的方法来融合使用GAN提出了两种类型的信息,称为FusionGAN。在[25),提出了一种新的GAN-based模型计算为每个大转移概率,这是欺诈,使得银行可以采取适当措施,防止潜在骗子把钱如果概率超过一个阈值。我们所知,很少有甘的作品应用于互联网拓扑结构或复杂的结构。

3所示。问题定义

在现实世界中,网络拓扑结构,网络数据包交付基于特定的路由协议,如边界网关协议、TCP和ICMP。可以使用数据包的转发路径的传播路径信息,因为数据包本身可以成为网络信息传播的载体或一些恶意攻击。因此,我们可以模拟的转发路径网络拓扑形成复杂网络的节点和边。图1显示了路由的例子真正的词CAIDA研究所(26]。的定义如下所示。

定义1。因特网路由传播网络。给定一个有向网络 ,在那里V是指节点和集E指的是定向边中节点,路由器和主机是抽象的节点和路由器的转发路径到路由器抽象的优势这意味着节点指向的节点 。针对网络表示互联网路由传播网络。
图2显示了一个图模型的例子网络路由传播网络的构建基于数据从CAIDA27]。的主机是隐藏的可视化。尽管现实世界的转发路径基于网络拓扑抽象理论的网络,他们不能处理由机器或直接参与计算操作。在网络科学,邻接矩阵解决了问题,一个二维矩阵来表示网络。因此,我们使用邻接矩阵来描述互联网路由传播网络,表示如下。

定义2。转移邻接矩阵。给定一个邻接矩阵导演的网络 ,在哪里是指节点的数量 ,的元素 如果有一个边缘指向从节点到节点和其他方面 。的邻接矩阵捐赠是邻接矩阵转移只有互联网路由传播网络的邻接矩阵。的元素是指路由器和主机之间的数据包转发路径。
因特网路由传播网络可以抽象为一个复杂的网络,通过转让邻接矩阵表示。我们的目标是找到源节点,使传播的信息尽快。因此,一个传播模型必须建立模拟和分析传播过程。由于路由器协议是定期更新在一个特定的时间间隔,在理想的情况下,我们假设通过每次更新信息传播。因此,我们的主要问题可以概括如下。

问题1。传播模型建设。鉴于互联网路由传播网络邻接矩阵及其转移 ,第一个问题是构建一个传播模型来模拟信息的传播过程。假设的信息传播到每个特定路由更新的时间间隔。

问题2。有影响力的节点的识别。考虑到传播模型,问题是要找到一组最优的源节点,使信息传播尽快。等一组表示源节点影响力的节点的集合 。
这两个问题,我们构建ITDPM作为传播模型确定有影响力的节点 。在下一节中讨论的详细模型。

4所示。网络拓扑动态传播模型

在本节中,详细描述我们的ITDPM。ITDPM的主要思想是基于生成敌对的学习。它由两部分组成,包括发电机和鉴别器像甘斯。然而,没有网络的模型。因此,生成和歧视过程可以被视为一种生殖敌对的学习。ITDPM如图的组件3。

的两个主要组件ITDPM生成器和鉴频器。发电机的任务是分析互联网路由网络传播和识别有影响力的节点,使传播的信息尽快。有影响力的节点的方法识别结合网络可控性和节点在复杂网络中重要参数。两种理论已经被修改自适应网络拓扑结构的特点。鉴频器旨在模拟信息传播过程和计算扩散参数对发电机的性能进行评估。剩下的拓扑将反馈发生器找到其他更好的源节点。有两种情况导致的反馈:(1)性能使不是需求包括传播速度慢和低覆盖率;(2)传播停止由于定向网络的结构。这两种情况下会导致信息传播在互联网停滞。

ITDPM得到最优影响力的节点R经过几次的生成和歧视。发电机的输出是有影响力的节点在每次传播阶段。鉴频器的输出参数,可以评估的性能信息传播基于发电机的有影响力的节点。两个总体参数用于ITDPM:传播速度曲线和覆盖率。其他判别参数可以被添加到鉴别器生成器的性能评估和确定模型的停止条件,如传播延迟和丢包率的路由攻击传播网络。ITDPM将停止和输出最终的最优影响力的节点。

4.1。发电机阶段

发电机旨在识别影响力在互联网路由节点传播网络。给定一个有向网络路由传播网络G,主要任务是识别源路由器的数据包转发。第二个任务是筛选最优节点从源路由器可以使信息传播尽快。因此,两位知名的网络科学的理论方法和修改用于自适应网络拓扑结构的特点:网络可控性和节点重要性参数。我们第一次给发电机的两个理论的细节。

以下4.4.1。网络可控性

网络可控性也称为结构可控性(28]。最真实的网络系统的拓扑结构是唯一已知的条件,和连接的权重通常是未知的。结构可控性是研究如何确定最小数量的驱动程序来控制整个网络节点的未知力量下节点之间的交互。因此,最低输入定理提出了让司机节点。证明,为了完全控制一个有向网络 ,最小数量的输入节点(或相当于最小数量的驱动节点)最大匹配的大小有关 。因此,我们首先介绍网络匹配的概念。

4.1.2。网络匹配

是一个独立的边缘没有常见的节点集。一个节点相匹配,如果在匹配的事件是一个优势。为一个有向网络,边子集如果没有匹配两条边在吗共享一个共同的开始节点或一个共同结束节点。一个节点相匹配,如果这是一个结束节点匹配的优势。

在这两种网络,最大大小称为最大匹配的匹配。一般来说,可能有很多不同的最大的匹配一个给定的网络。最大匹配叫做完美如果所有节点匹配。因此,分析网络的结构可控性,指导网络需要转移到两偶图 。两偶图包含两种节点:开始节点的集合年代和结束节点的集合 。节点之间的边只存在在不同的两组。无与伦比的节点和匹配起始节点两偶图的最大匹配的节点。两偶图的过程转移和匹配如图4。

司机节点集包含两类:传播链接的源节点和分支上的节点连接。传播的源节点链接是我们的目标节点。因此,最低输入定理是改为只有根节点的最大匹配两偶图如图4。它很容易找到根节点,因为每个匹配的边缘由起始节点和结束节点。的根节点的联系可以追溯到找到匹配的开始节点和结束节点之间的两条边。

根节点发现通过修改后的最小输入定理的源节点是直接在一个有向网络的链接。在互联网路由传播网络,这些节点的起始节点数据包转发。换句话说,他们是信息传播的源节点,表示设置年代。

4.1.3。节点重要性参数

随着网络科技的发展,一些参数来描述节点的重要性,提出了在过去几十年。在本文中,两个节点重要性参数最佳匹配网络拓扑的特点是用来衡量源节点的影响 。这里指的影响影响源节点的信息传播速度和覆盖整个网络拓扑。这些节点的介数中心和重要参数k壳。两个参数的基本概念如下。

中间性的中心是一个参数影响测量节点的每一对节点之间链接的信息假设主要信息传播在它们之间的最短路径,表示如下: 在哪里指的是节点的最短路径到节点和是指所有最短路径节点的数量到节点通过节点 。

k层分解是一个扩展的重要性排名基于节点度的节点。的过程k壳牌分解迭代删除节点的度=k之前没有这样的网络中的节点 。的k壳节点包含的节点删除k次了。

图5显示了介数中心和k壳。大多数的介数中心符合要求路由协议(RIP、OSPF的最短路径传播。的k壳匹配网络的层次结构拓扑。大的节点k壳往往是核心路由器在网络拓扑。因此,由数据包转发的信息可以传播更快的从节点介数中心和都高k壳。

为了测量节点的影响源节点的集合 ,归一化方程的两个节点重要性参数用于描述这种影响 ,表示如下: 在哪里和是平衡系数的权重两个参数。

4.1.4。发电机的过程阶段

当计算的影响每个源节点在 ,的我要有影响力的节点可以被定义为最高k影响源节点在源节点的集合 。每一步的传播,当前最优影响力的节点是通过改进的方法在网络科学产生和转移到鉴频器的模拟性能传播。有影响力的节点更新后鉴别器发送一个新的网络拓扑结构。

4.2。鉴频器阶段

鉴频器的主要任务是模拟的信息传播和评估性能基于影响力的生成器生成的节点。传播的性能将会反馈到发电机帮助模型更新有影响力的节点的集合。ITDPM假设信息传播通过路由器的每个更新协议在一个特定的时间间隔。因此,每个间隔可以被视为一个时间单位的传播。传播的信息从一个节点到另一个时间单位。与理想的假设,很容易传播过程的模拟和评估性能。我们首先介绍传播的两个通用参数评估。

4.2.1。准备评价

两个参数是传播率和覆盖率。两个参数只需要基本的抽象节点和传播链接。他们不需要任何其他节点属性和边等具体要求。因此,这两个参数的通用测量评估。

传播率是指节点传播的数量每时间单位表示 在哪里是传播节点的数量。平均传播速度 。

覆盖率是指传播节点的数量比网络中节点的总数,表示

传播率描述了传播的速度,和覆盖率代表传播的广度。这两个参数综合评价一般意义上的传播过程。一些特定的情况下,一些其他参数可以用来评估传播延迟和丢包率等性能的路由攻击传播。

4.2.2。鉴频器的过程阶段

鉴频器将决定是否成功传播的价值根据传播率和覆盖率 。如果两个和超过指定的阈值,决定参数将1表明,这是一个成功的传播。否则,决定参数将0,发电机将更新传播根基于剩余的网络结构由这些节点不传播。

5。实验结果

为了显示我们的性能ITDPM影响力的节点的识别,实验路由攻击传播进行基于模拟和真实的网络拓扑。假定攻击可能导致路由器不可行和攻击将更新数据包的路由协议。NS-3模拟器的模拟网络拓扑生成3000个节点和4513年导演的边缘。通过路由器的转发路径计算表中每个路由器的模拟网络拓扑。真实的网络拓扑生成基于的数据。它是CAIDA的互联网拓扑结构和包含26475个节点和27562个边缘。表1显示详细的拓扑参数的模拟数据和真实数据。网络都是导演。模拟网络拓扑结构就像一个小型的本地网络拓扑结构和网络拓扑是大规模的全球网络。

两种方法比较与我们ITDPM识别影响力节点攻击尽快传播:随机识别(RI)和最高学位鉴定(MDI)。国际扶轮选择n随机节点作为根节点传播攻击信息。MDI是选择最高n最大节点的出度。有影响力的节点的数量限制在0.5%的网络拓扑中的节点总数。因此,在模拟网络拓扑结构,n不大于15,在现实世界的拓扑,n小于130。使两种方法得到的最优影响力的节点,的价值n选择范围的上限。

覆盖率曲线是用来评估性能的传播。传播节点的覆盖率曲线描述了覆盖时间单位。的导数曲线传播率。曲线可以计算在模拟网络拓扑和现实世界的拓扑。特别是,在模拟环境中,两个参数可以计算描述攻击的影响:丢包率和传播延迟。这两个参数可以描述网络拓扑结构损伤的程度。因此,两个参数来评估计算模拟网络拓扑作为额外的措施。

报道的比较结果曲线模拟网络拓扑和实际拓扑如图6。结果显示我们的方法更好的性能。1000年的模拟网络拓扑节点,攻击可能传播几乎所有节点4时间单位与我们的方法在7和11个时间单位,分别与MDI和RI。在小规模的网络,它只需要一个迭代ITDPM找到最优影响力的节点,这表明了算法的有效性。在现实世界的拓扑与26475个节点,100年之后的时间单位,覆盖率的方法几乎是线性的。在100年之前的时间单位,ITDPM保持快速传播率的结果。每个跳跃的红色曲线代表发电机之间的对立和鉴频器。发电机更新后的传播速度将跳有影响力的节点的集合。

比较结果的传播延迟的丢包率和模拟网络拓扑如图7。两个参数评估性能的攻击。如试验结果所示,我们的ITDPM显示最佳的性能在所有三个方法。丢包率和传播延迟显示很强的相关性与图中所示的覆盖率6。ITDPM达到相当高的包丢失点第二个时间单位,这意味着攻击基于我们ITDPM打破了拓扑快速和完全。在4个时间单位,所有数据包丢失在近100%覆盖率的传播节点。的丢包率和覆盖率的增加,基于我们的传播延迟ITDPM生长指数在第三次单位非常高。之后,它就变成了正无穷,因为大多数的节点是不可到达的。

6。结论和预期

通用参数和具体参数的结果表现出明显的偏好信息传播分析和有影响力的节点的识别ITDPM。快速覆盖率表明,我们的方法可以找到源节点,使传播的信息尽快。发电机之间的对立的过程和鉴频器可以更新影响力节点基于当前网络拓扑结构,以帮助信息传播得更快。我们ITDPM工作有效的攻击传播网络路由拓扑基于丢包率和结果的传播延迟。具体参数表明网络拓扑是有效地破碎的基于我们ITDPM。

一般来说,我们ITDPM是传播的理论模型分析和有影响力的节点的识别基于生成敌对的学习。它可以用于任何传播问题根据实际网络结构,如社交网络影响力和谣言的传播。我们的模型的基本任务是要找到有影响力的节点,使信息传播尽快。我们的未来工作是致力于改善发电机和鉴别器得到更有效的信息传播模型分析。

数据可用性

数据集用于获得结果在这个手稿是可用的http://snap.stanford.edu/。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(没有。62071095)和四川科技项目拨款2019 yfg0456。

引用

1. j . Su z, a . x, y, y陈,“Capture-aware移动RFID标签的识别与不可靠的渠道,”IEEE移动计算1卷,2020年,(媒体)。视图:出版商的网站|谷歌学术搜索
2. j . Su A . x, z,和y陈,“RFID识别分区方法,”IEEE / ACM交易网络,28卷,不。5,2160 - 2173年,2020页。视图:出版商的网站|谷歌学术搜索
3. j . Su r·徐Yu, b . Wang和j·王,“空闲插槽跳过机制与增强的碰撞检测,基于标记识别算法”KSII交易网络和信息系统,14卷,不。5,2294 - 2309年,2020页。视图:谷歌学术搜索
4. j . Su r·徐Yu, b . Wang和j·王,“检测软件定义网络的冗余规则,”KSII交易网络和信息系统,14卷,不。6,2735 - 2751年,2020页。视图:谷歌学术搜索
5. j . Su z, A . x, z傅,和y陈,“时间和精力saving-based帧调整策略(TES-FAS)标记识别算法超高频射频识别系统中,“IEEE无线通信,19卷,不。5,2974 - 2986年,2020页。视图:出版商的网站|谷歌学术搜索
6. f·马龙和h·a·Makse”影响力最大化通过优化渗透,在复杂网络”自然,卷524,不。7563年,第68 - 65页,2015年。视图:出版商的网站|谷歌学术搜索
7. m . w . Chen江,江c . et al .,“关键节点检测问题在无向加权网络,对于复杂网络”自然史答:统计力学及其应用,538卷,2020年。视图:谷歌学术搜索
8. m . Lalou m . a . Tahraoui和h . Kheddouci”网络的关键节点检测问题:一项调查,“计算机科学评论28卷,第117 - 92页,2018年。视图:出版商的网站|谷歌学术搜索
9. d·桑托斯,a . de Sousa和p•蒙泰罗“紧凑模型在电信网络关键节点检测,”电子票据在离散数学卷,64年,第334 - 325页,2018年。视图:出版商的网站|谷歌学术搜索
10. g . Alozie a . Arulselvan k Akartunali et al .,“有效的方法基于距离的关键节点在复杂网络中检测问题,“SSRN电子杂志,131卷,2021年。视图:谷歌学术搜索
11. m . Ficco m . Choraś,r . Kozik”仿真平台网络安全脆弱性分析的关键基础设施,“计算机科学期刊22卷,第186 - 179页,2017年。视图:出版商的网站|谷歌学术搜索
12. d·肯普j . jonkleinberg和E缓慢地,“通过社交网络传播的影响,最大化”第九届ACM SIGKDD学报》国际会议上知识发现和数据挖掘华盛顿特区,页137 - 146,美国,2003年8月。视图:谷歌学术搜索
13. j·格拉汉姆·古德费勒,j . Pouget-Abadie m . Mirza et al ., 2014年,生成对抗的网络。
14. 答:他们是t .白色,诉Dumoulin, k .容易引起b·森古普塔和a . a . Bharath”生成对抗网络:概述”,IEEE信号处理杂志,35卷,不。1,53 - 65年,2018页。视图:出版商的网站|谷歌学术搜索
15. 何鸿燊和s . Ermon“生成敌对的模仿学习,”30学报》国际会议上神经信息处理系统西班牙巴塞罗那,页4572 - 4580,,2016年12月。视图:谷歌学术搜索
16. r . Pastor-Satorras和a . Vespignani”在无标度网络流行蔓延,”物理评论快报,卷86,不。14日,第3203 - 3200页,2001年。视图:出版商的网站|谷歌学术搜索
17. m . Boguna和r . Pastor-Satorras流行病传播相关的复杂网络,”物理评论E,卷66,不。4、文章ID 047104, 2002。视图:出版商的网站|谷歌学术搜索
18. l . Lu t·周问:m . Zhang et al .,”h指数的程度和coreness网络节点及其关系,“自然通讯,7卷,不。1、1 - 7,2016页。视图:出版商的网站|谷歌学术搜索
19. g·德尔·费拉罗,莫雷诺,b . Min et al .,“找到有影响力的节点集成在大脑网络使用最优渗流理论,“自然通讯,9卷,不。1、1 - 12,2018页。视图:出版商的网站|谷歌学术搜索
20. t .扁和邓y”,识别影响复杂网络中节点:一个节点信息维的方法,”混乱:一个跨学科的非线性科学》杂志上,28卷,不。4、文章ID 043109, 2018。视图:出版商的网站|谷歌学术搜索
21. l . c . Li王,金黄色的太阳,c .夏”识别基于分类的有影响力的传播者的邻居在现实世界的复杂网络,”应用数学和计算卷,320年,第523 - 512页,2018年。视图:出版商的网站|谷歌学术搜索
22. 吴x,徐k, p .大厅”的调查与生成对抗网络图像合成和编辑,“清华科技,22卷,不。6,660 - 674年,2017页。视图:出版商的网站|谷歌学术搜索
23. a·古普塔j·约翰逊,l .菲菲et al .,”甘社会:社会接受轨迹生成对抗网络”《IEEE计算机视觉与模式识别会议盐湖,页2255 - 2264年,但是,美国,2018年6月。视图:谷歌学术搜索
24. j .侯d, w . Wu j . Ma和h .周”生成敌对的红外和可见光图像融合网络基于语义分割,“熵,23卷,不。3,376页,2021年。视图:出版商的网站|谷歌学术搜索
25. Y.-J。郑,X.-H。周,W.-G。盛,y雪,S.-Y。陈,“生成敌对的基于网络的电信欺诈检测接收银行”神经网络卷,102年,第86 - 78页,2018年。视图:出版商的网站|谷歌学术搜索
26. 克赖夫d·克拉克和k,将网络的知识网络结构:测量、认识论和技术https://www.caida.org/projects/kismet/。
27. 克赖夫k,将网络应用互联网数据分析中心http://www.caida.org/home/。
28. y y。刘,j j。Slotine, A.-L。“复杂网络的可控性,”巴斯自然,卷473,不。7346年,第173 - 167页,2011年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Hangyu胡锦涛等。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。