基于层级流介数的指控网络关键节点识别方法与流程

技术特征：

1.基于层级流介数的指控网络关键节点识别方法，其特征在于，具体步骤如下：

S1：建立指控网络模型；

S2：计算指控网络中各个节点的层级流介数；

S3：根据节点层级流介数值区分节点关键程度。

2.根据权利要求要求1所述基于层级流介数的指控网络关键节点识别方法，其特征在于，建立指控网络模型具体是：将指挥实体抽象成节点，实体之间的关系抽象成边，建立指控网络模型，并用G＝(V,E)来描述，有n个节点，m条边，V＝{v₁,v₂,v₃,…,v_n}表示节点集合，E＝{e₁,e₂,e₃,…,e_m}代表边的集合，G的邻接矩阵为A＝[a_ij]，A中元素a_ij定义为：

3.根据权利要求要求1所述基于层级流介数的指控网络关键节点识别方法，其特征在于，计算指控网络中各个节点的层级流介数的步骤具体是：

a：初始化指控网络模型，整个网络中每次仅有单个节点发送信息，其他节点接收信息，节点信息量为

H₀＝[1,1,…,1,1]_N

其中N为节点个数；

b：信息游走过程中，若节点v_j的度为k_j，那么与节点v_j直接相连的任意一个节点v_i接收到信息量均为1/k_j，同时v_j节点的信息量置零，经过1次迭代后，节点v_i拥有的信息量为：

H_n(v_i)＝H_n-1(v_j)/k_j n＝0,1…,D

其中，迭代过程中i≠j，H_n-1(v_j)为节点v_j前一次迭代后拥有的信息量，n为第n次迭代，且迭代次数小于等于网络层级D；

c：假定A为所有与v_i节点直接相连的节点集合，则在n次信息流动后，遍历集合A得到节点v_i拥有信息量为H_n(v_i)：

(n＝1,2,…,D)且v_j∈A

d：统计指控网络每个节点在D次信息传播后收集的信息总量，即得到每个节点的层级流介数，可得：

H_D＝[H_D(1),H_D(2),…,H_D(N)]。

4.根据权利要求要求3所述基于层级流介数的指控网络关键节点识别方法，其特征在于，对步骤d对中各元素进行归一化处理：

$\stackrel{\‾}{H_D\left(v_i\right)}=H_D\left(v_i\right)/\stackrel{N}{\mathrm{\Σ}}{H}_D\left(v_i\right)$

经过归一化每个节点最终信息总量可以得到节点关键度矩阵H，

$H=\left[\begin{array}{ccccc}\stackrel{\‾}{H_D\left(v_1\right)}& \stackrel{\‾}{H_D\left(v_2\right)}& \stackrel{\‾}{H_D\left(v_3\right)}& \mathrm{......}& \stackrel{\‾}{H_D\left(v_N\right)}\end{array}\right].$

5.根据权利要求要求4所述基于层级流介数的指控网络关键节点识别方法，其特征在于，矩阵H为所有节点的关键程度的集合，按照数值大小为矩阵H排序，数值越大则节点越关键，指控网络中的最关键的节点即为矩阵H中最大值所对应的节点。

6.根据权利要求要求1所述基于层级流介数的指控网络关键节点识别方法，其特征在于，上述方法还包括：S4：确定识别精度的步骤,具体为：对指控网络模型进行蓄意攻击，分别逐个删除根据介数、近似流介数、层级流介数和特征向量算法识别出的关键节点，并利用最大连通子图比值和网络效率这两个指标来衡量删除关键节点对指控网络的影响，进而对比不同算法的识别精度。

7.根据权利要求要求6所述基于层级流介数的指控网络关键节点识别方法，其特征在于，不同算法识别出的关键节点受到蓄意攻击后，网络效率的计算公式如下：

$L=\frac{1}{N(N-1)}\underset{i\>j}{\overset{N}{\Σ}}\frac{1}{d_{ij}}$

其中，d_ij表示节点i与j之间的最短路径长度，N为指控网络节点总数；所述网络效率反映的是指控网络遭到蓄意攻击之后任意节点间的距离疏远程度，网络效率值越大，网络性能越好。