导读:本文包含了复杂网络结构论文开题报告文献综述及选题提纲参考文献，主要关键词:复杂网络,结构可控性,可控性节点分类框架,疾病相关基因
复杂网络结构论文文献综述
王婉宁[1]（2019）在《基于复杂网络结构可控性的致病基因识别方法研究》一文中研究指出复杂网络指从真实复杂系统中抽象出的具有拓扑结构的一类网络,如社交网络、交通网络、生物网络等。近年来,随着控制理论的发展和成熟,复杂网络的结构可控性研究逐渐成为一个热点。已有研究表明,复杂网络的结构可控性分析在识别潜在致病基因和药物靶标方面具有实际应用价值。本文基于复杂网络结构可控性模型,提出了一种新的可控性节点分类框架,并将该框架应用于人体组织特异的调控网络中,系统性地检测具有显着生物意义的致病基因,为进一步的疾病诊疗提供工具平台。论文的主要内容如下:首先,基于结构可控性模型提出新的可控性节点分类框架。针对复杂网络,从控制的不同角度可以对网络节点有不同的分类方法:(1)基于可控性的节点分类方法;(2)基于控制能力的节点分类方法;(3)基于控制功能来源的节点分类方法;(4)基于控制边鲁棒性的节点分类方法。据此,构建一个四维向量,其中每个分量表示一种节点分类方法。其次,发现了候选疾病基因。针对32个人体组织特异的调控网络,应用可控性节点分类框架将基因分为控制角色差异的不同类型;接着对每种类型的基因在已知功能的金标准数据集上进行统计显着性分析、验证,发现了一类新的具有显着生物意义的基因类型,并将其定义为候选疾病基因。更进一步,根据组织和疾病的对应关系,从候选疾病基因中筛选出组织相关疾病特异基因,通过分析组织上的疾病特异基因的组织差异性以及文献挖掘和GO条目验证,说明了筛选出的疾病特异基因确实与组织疾病关系密切。本文基于复杂网络结构可控性模型,提出了一种新的可控性节点分类框架。并将该框架应用于人体组织特异的调控网络中,找出了具有生物意义的基因类型即候选疾病基因,同时进一步分析了候选疾病基因与疾病的相关性,实验结果表明本文提出的可控性节点分类框架有助于识别疾病相关基因。(本文来源于《西安理工大学》期刊2019-06-30）
王戈,于强,YANG,Di,张启斌,岳德鹏[2]（2019）在《基于复杂网络分析法的层级生态网络结构研究》一文中研究指出以西北典型半干旱城市包头市为研究区,运用复杂网络的评价指标对包头市复杂层级网络的拓扑结构与空间鲁棒性进行评价,提取了第1、2、3级生态源地和第1、2、3层生态廊道,并识别了重要生态节点,构建了包头市层级生态网络。结果表明:第1、2、3层生态源地数量分别为8、31、123,生态廊道数量分别为8、35、151,重要生态节点数量分别为7、28、47。通过拓扑结构与空间鲁棒性分析可知:第1层生态网络连通度最低,核数为2,结构简单但重要性最高,其稳定性影响整个层级生态网络的稳定;第2层生态网络由于增加连通性较低的生态节点,可增加小尺度的生态稳定性,但对大尺度层级生态网络稳定性提升没有明显作用;第3层生态网络核数为4,生态网络连通性最高且结构复杂。在第1、2、3层网络恶意攻击比随机攻击的破坏性均更强。第2、3层生态网络中源地节点数量较多,但低等级源地比例高,对增强网络的抗打击能力与恢复能力效果不明显。(本文来源于《农业机械学报》期刊2019年07期）
马麒超[3]（2019）在《复杂网络结构下高阶多智能体系统的分析与综合》一文中研究指出随着智能微芯片、高效无线通信和能源存储、管理技术的发展,以及复杂多样需求的涌现,分布式自主系统越来越多地受到重视,多智能体系统就是其中之一,其协同一致控制有着广泛的应用,比如多无人机编队巡航。这里的一致控制指的是系统中某个参数,比如速度、位置等,在控制器的作用下随着时间演化到相同的平衡点或者轨迹上。多智能体系统的拓扑结构往往具备复杂的特性,如动态性和层次性。而当多智能体系统由于网络结构特性存在多个分类时,一致控制则引出了聚类一致。R前多智能体系统在具有复杂网络结构特性下的研究结果大多建立在简单动力学模型或者较理想的连通性假设条件下。因此,本文着力于处理复杂条件下一般系统的协同控制问题,包含两个方面:(1)拓扑结构具有多个分类下的群体同步控制;以及(2)拓扑结构具备动态性下的协同控制。本文具体的工作和创新如下:1)宽松动态拓扑条件下高阶多智能体系统同步分析。对于部分耦合的线性多智能体系统,在通信拓扑较为宽松情形下的同步分析尚未建立起有效的分析方案。论文提出一个新颖的“子空间”方法,从分析由拓扑决定的特定子空间的收敛性开始,结合拓扑结构的联合连通特性,构建一个有效的分析框架。该方法从系统动力学和网络连通特性的角度理解和刻画多智能体系统的演化,克服了Lyapunov函数法对于负定性要求的不足,在无向图中给出了实现同步的充分必要条件。2)动态拓扑下的包围控制分析。在拓扑存在动态性的情形下,高阶系统的包围控制难于分析,挑战性在于无法构建合适的误差系统,从而将其转化为稳定性问题。论文从线性系统的特性出发,揭示了同步和包围控制的内在联系,将一类包围控制问题转化为同步问题。然后结合内模原理,设计动态控制器解决了异构线性系统的输出包围控制问题。论文同时针对个体存在特定优化目标的情形,引入强化学习算法在实现个体最优的同时达到包围控制。3)针对类间异构的多智能体系统进行群体同步分析。在给定的网络中依据拓扑结构对节点分类,考虑不同类之间的节点动力学存在差异,设计基于类间差异的静态反馈控制器并进行群体同步分析。分别从一般线性系统和非线性振子出发,系统地处理了线性耦合以及非线性耦合情形,并探讨动力学系统特性、系统耦合方式以及连通特性对系统演化的影响,提出一种通用的分析框架。特别地,论文阐明了类内拓扑结构、耦合强度和动力学对于整个系统演化的作用。4)完全异构动力学情形下的输出群体同步控制器设计与稳定性分析。针对个体动力学两两异构甚至维数相异的情形,论文从此类问题的可解性入手,基于内模原理给出了控制器存在的必要条件。然后基于此条件设计输出驱动的动态控制器,并分别探讨了动态控制器状态可用与否情形下群体同步的稳定性问题。论文基于内模原理,结合矩阵理论和小增益定理,建立了统一、有效的分析框架,给出了关于系统动力学、拓扑结构等因素的充分条件以实现输出群体同步,5)存在不确定性及扰动情形下群体一致鲁棒性分析。论文对多智能体系统中存在的不确定性以及输入扰动进行建模,分析耦合、扰动、不确定性以及动力学系统如何相互作用决定系统的演化。论文通过设计合理的势能函数,引入H∞性能指标,刻画系统存在未知扰动情况下群体一致的鲁棒性能。此外,针对系统存在的不确定性,论文进一步设计分散式/分布式自适应控制律来抑制不确定性并实现上述H∞性能指标。(本文来源于《中国科学技术大学》期刊2019-06-04）
司璀琪[4]（2019）在《基于复杂网络结构表征学习下的链路预测》一文中研究指出复杂网络作为描述关联性数据的模型在近些年被广泛的使用。在复杂网络的研究领域中,链路预测本质上是挖掘网络产生连边的驱动力,是研究具有网络结构的数据演化和分析结构化数据特性不可或缺的重要工具。同时,链路预测在很多方面具有广泛的应用,比如指导系统生物学实验,和社交网络的推荐等问题中。然而,随着网路数据规模的急剧增加,网络数据平均质量明显下降和网络本身复杂的拓扑结构,都导致了链路预测研究存在着很多问题有待解决。比如如何在噪声存在的情况下,更好的对网络节点的相关关系进行表示学习,或者如何在稀疏的高维的复杂网络数据中,更多地、更准确地捕获网络结构的特性,以得到更加准确的预测结果。针对上述问题,本文首先利用网络中组演化的相关理论设计了鲁棒性较强的链路预测算法;其次基于网络具有的模块特性,对网络内节点的相互关系进行分类的、判别的描述,利用节点的关系表征设计了较适用于具有模块结构的链路预测算法;接着,为了使提出的链路预测算法能够适用于更多类型的网络,我们结合复杂网络的全局结构特征和局部结构特征,来得到更加准确的预测结果;最后,通过深度学习下的复杂网络高级特征来描述结构的相似性,联合复杂网络节点的自表示特性,提出一种鲁棒性较强且精度较高的链路预测方法。本文主要贡献如下:1)提出了一种基于组演化的链路预测算法。通过量化组演化过程中网络节点的稳定性和活动性,刻画网络类内和类间的关系并结合这两种关系的链路预测算法。实验表明,在真实网络中,该算法取得了更好的预测结果。特别是,由于该算法更加适用于稀疏网络,在预测蛋白质网络中原子的直接相互作用关系上,取得更加准确的预测结果。并且,由于该模型对噪声具有较强的鲁棒性,当真实网络中的噪声比例高达50%时,该算法取得稳定的预测结果。2)提出了一种复杂网络低秩表示和稀疏表征相结合的链路预测模型。该模型集合了低秩表示和稀疏表示的优点,利用低秩表示近似表征网络中节点的类内相似信息,同时通过稀疏表示表征节点类间的关联信息,两者的结合得到了一种能够很好地刻画网络连接关系的模型。实验表明,模型使用子空间聚类的思想拟合观测矩阵的结构特性是可行的。3)提出了一种基于网络模块化结构的链路预测算法。在第叁章的基础上,该模型通过描述复杂网络类内和类间链路的特点和相互作用的关系,在利用低秩约束类内节点的相关性的同时,通过类内类间节点关系的制约性,判别性的学习能够表示类间节点之间的表达系数。通过准确的描述这两种关系,具有模块结构的网络包含的连接关系可以更好的被刻画。实验表明,结合类内类间节点之间的制约关系来刻画节点之间的表示关系是可行的,特别地,通过在合成数据和真实数据上的实验,这种模型具有稳定的鲁棒性和较强的竞争力,在具有模块结构的网络中该算法能取得更加准确的预测效果。4)提出了一种结合复杂网络全局结构特性和局部结构特性的网络结构表征模型。由于复杂网络结构的稀疏性和节点的可聚类性,通常通过低秩表示来重构网络的全局信息,同时由节点相似度矩阵的图正则来表征网络的局部特性。联合的表征复杂网络结构的局部信息和全局信息可以更加全面地重构观测网络。充分的实验结果说明,提出的模型绝大多数的网络上都具有较强的竞争力。5)提出了一种基于深度自编码模型下复杂网络深度信息的结构相似性与网络自表示联合学习的链路预测算法。该模型通过迭代的学习复杂网络的自表示系数并修正深度信息下的结构相似性,以逼近实际的复杂网络结构,来获得更好的链路预测效果。特别地,由于该算法能够很好的挖掘网络的高级特征,对于我们研究中较难的数据也具有较准确的预测效果。充分的实验结果证实了改算法的可靠性,同时,大量的对比实验说明了联合的网络结构表征不仅解决了传统算法中单一结构特性识别的局限性,同样解决了稀疏网络中的数据不平衡性对深度神经网络模型训练效果的影响。综上所述,本文主要考虑在已知无向的复杂网络数据的条件下,如何表征网络的模块结构特性,如何结合地表征的网络类内和类间信息来描述节点之间的关系,如何更加全面的结合网络局部的和全局的结构特性来逼近真实的网络结构,如何联合深度学习下的网络表示学习和传统的机器学习方法提取更有利于进行链路预测的网络结构的判别性特征在内的四个相关工作。同时,通过大量的实验分析并验证了本文提出的所有方法的可行性以及相对应的现有方法所具备的优势。(本文来源于《西安电子科技大学》期刊2019-06-01）
李兰茜[5]（2019）在《基于复杂网络结构的链路预测技术研究》一文中研究指出随着互联网的迅猛发展,现实世界网络的结构愈加复杂。在对复杂网络的众多研究中,链路预测研究成为挖掘网络结构和演进机制的关键性工具,在众多学科中应用广泛。作为一个长期存在的实用科学问题,链路预测研究帮助我们从理论上深入理解复杂网络演化的机制,并且在识别丢失和虚假链路方面有着重要应用。在过去二十年里,网络科学成为理解诸多真实世界网络系统结构的新架构。链路预测作为分析网络结构的重要研究分支,吸引了各领域众多的研究者。不同领域学者通过将各学科技术应用于链路预测研究来提升预测模型的整体预测精确性。本文致力于进一步挖掘网络结构特点,提出了叁种链路预测模型。本文主要创新点和工作如下:(1)提出了基于非均衡合作效应的链路预测模型。传统基于网络结构的链路预测模型大都没有考虑端点关系的异构性,使得这些模型无法有效应用于各类网络。本文挖掘网络中存在的非均衡合作关系,分析此效应对于节点间潜在连边形成的影响。通过引入度异构性指数H,在不同网络中对大度节点进行惩罚,提出了基于非均衡合作关系的链路预测模型。本研究在十二个公开真实网络数据集上进行了大量验证,结果表明,基于非均衡合作效应的链路预测模型能自适应于各种异构网络,有效提升了链路预测的综合性能。(2)提出了基于节点中心度的链路预测模型。已有的链路预测模型多数使用节点度作为节点影响力的量化指标,但节点度利用的网络信息有限,对于节点影响力的衡量不够准确,从而影响了这些链路预测模型的预测精度。本文引入紧密中心度和介数中心度来量化节点重要性,并提出了基于节点中心度的链路预测模型。所提模型权衡了量化准确度和计算复杂度。经过六个真实网络数据集上的反复验证,结果表明,基于节点中心度的链路预测模型有效地提升了预测准确性。(3)提出了基于路径传递性的链路预测模型。现有基于路径的链路预测模型大多是简单考虑两端点间的路径数,很少对路径结构进行分析。不同结构的等长路径对于两端节点的相似性传递能力存在不可忽视的差异。基于此本文提出了基于路径传递性的链路预测模型。此模型认为长度短且过渡节点为小影响力节点的路径具有更强的端点相似性传递能力,并根据不同的网络结构研究路径异构性。通过在六个网络数据集上仿真实验,验证了所提模型有效地提升了预测准确性。(本文来源于《北京邮电大学》期刊2019-05-31）
董璊[6]（2019）在《复杂网络结构特性及其鲁棒性研究》一文中研究指出随着大数据和互联网时代的到来,生活中的复杂系统规模逐渐扩大,复杂系统中常常因为各种事故而导致信息丢失,复杂系统丢失部分信息后网络依然保持原有的工作能力的性质称为复杂网络的鲁棒性。在复杂网络鲁棒性分析的过程中,需要考虑网络整体结构以及各个节点在网络中的中心性指标。复杂网络的结构特性和节点中心性研究在计算机科学、生物学和经济学等学科中被广泛应用。在研究复杂网络的鲁棒性时,通常应用反向思维来进行研究,比如我们通常会寻找相对较好的节点中心性序列并根据节点中心性序列删除网络中的节点(好的节点中心性序列可以使网络在丢失少数节点时网络就崩溃)来判断节点中心性序列的好坏,以此来确定哪些节点在复杂网络中更重要。找到这样的节点进行保护就可以提高网络的鲁棒性,复杂网络中的重要节点对网络同步、疾病传播、交通导航和级联故障等起重要作用。本文首先研究了网络的演化过程,采取最大连通子图的直径和最大连通子图的平均路径长度作为衡量的标准,全面地分析了具有相同度分布且聚类系数不同的同配网络、异配网络和中性网络的鲁棒性。然后结合图熵的知识提出了介度熵中心性(BE)算法,结合冯诺依曼熵提出了子图信息熵中心性(SN)和H信息熵中心性(NS)的算法。介度熵(BE)反映了节点本身与其邻居节点的相关性,并通过静态攻击和动态攻击的方式来评估介度熵中心性对网络鲁棒性的影响,仿真结果表明,在大多数网络中BE算法比传统的攻击策略具有更高的攻击效率,同时也有利于识别网络中节点的重要性。子图信息熵(SN)和H信息熵(NS)反映了节点多阶邻居之间的相关性,通过SIR模型计算节点对传播动力学中的影响值R,再通过Kendall τ系数计算序列R和序列C(节点中心性序列)的相关值确定中心性序列的好快,实验结果表明基于图熵和冯诺依曼熵所提出的新的中心性指数比传统的中心指标更好。本文主要成果如下:(1)分析了聚类系数指标对具有相同度分布网络的鲁棒性影响,实验中用网络最大连通子图直径和网络平均路径长度作为衡量的指标,结果表明聚类系数越大,网络的鲁棒性越差。且聚类系数在不同的网络中所体现出的作用也不同,在异配网中聚类系数对网络的鲁棒性的作用明显,中性网次之,同配网中受到聚类系数的影响最小。(2)分析了介度熵中心性指标和其他几种经典图熵中心性指标对复杂网络鲁棒性的影响,实验中以网络最大连通子图的相对大小作为衡量网络鲁棒性的指标,实验结果表明,本文提出的中心性指标BE都能够使网络的最大连通子图的相对大小快速减小,能够很好地识别网络节点的重要性;(3)使用冯诺依曼熵并结合子图中心性和超H指数中心性提出了子图信息熵(SN)和H信息熵(NS)两种新的中心性指标,分析了两种新指标在网络节点丢失时对网络的鲁棒性影响,并通过计算Kendall τ系数(Kendall τ系数用于计算序列R和序列C之间的相关性,其中序列R表示SIR标准模型中网络中每个节点的影响值,C代表网络中节点的中心序列)来确定中心序列的相对优越性。实验表明子图信息熵(SN)和H信息熵(NS)在多数网络中都表现良好。(本文来源于《兰州理工大学》期刊2019-05-23）
高子林[7]（2019）在《复杂动态网络结构平衡控制设计研究》一文中研究指出从数学图论的角度看,复杂动态网络由众多动态节点和连接线组成,“节点”代表网络系统中的“参与者”,“连接线”表示它们间相互作用的“外部关系(权值或强度)”。动态节点通过相互间的关系连接在一起并随时间演化发展。复杂动态网络作为复杂动态系统的一种图论模型,囊括了生物神经网络、计算机网络、传感器网络、社会经济网络等诸多现实网络,影响广泛而深远。在控制理论研究领域,复杂动态网络作为一类被控对象,节点同步和镇定控制是研究热点之一。从获得的研究结果来看,现有研究主要着重节点群体的受控动态行为,也就是说,节点群体是复杂动态网络同步和镇定行为表现的主体,而节点间的连接关系只起到辅助作用,它们通过与节点的耦合方式和强度影响着网络节点的行为,显然,对于具有时变连接关系的复杂动态网络而言,这些研究忽略了连接关系本身的动态行为。从大系统的角度看,复杂动态时变网络可以被认为是由两个相互耦合的子系统构成,即由节点子系统和连接关系(连线)子系统相互耦合构成,因而现有研究中的同步和稳定就可以视为节点子系统的动态行为。值得注意的是,由于耦合的存在,节点子系统的动态行为同样会导致连接关系子系统涌现出某些特征现象,例如,在符号网络/社会网络中,某些特例显示,个体间的连接关系有时会涌现出称之为结构平衡的动态特征现象。因此,着重研究连接关系子系统涌现出结构平衡的条件、机理和控制策略是有意义的,特别是在耦合作用条件下,探讨节点子系统如何有效地辅助连接关系子系统涌现出结构平衡更是一个有新意的研究课题。针对以上课题,本文利用矩阵微分方程描述复杂动态网络中时变连接关系之动态行为,主要研究和探讨受控节点子系统通过耦合作用促使连接关系子系统涌现出结构平衡现象的机理和控制策略,从以下几个方面开展研究工作:(1)从大系统视角下的复杂时变动态网络出发,以现有关于复杂动态网络同步和镇定控制研究的局限性为突破口,引出了节点子系统的动态变化通过耦合作用如何影响连接关系子系统动态行为这一研究课题。同时,针对动态网络的结构平衡机理和控制,阐述了本文的研究意义和内容。(2)在无控的前提下,探讨了基于节点动态耦合的连接关系子系统涌现网络结构平衡问题。提出了复杂时变动态网络平衡态的概念,并利用其设计了连接关系子系统中的耦合项,在某些数学条件的情况下,证明了节点的动态行为能够通过该耦合项使连接关系子系统渐近地达到结构平衡;最后给出的数值仿真验证了该设计的有效性。(3)在连接关系子系统的状态(权值或强度)难以被精确测量的前提下,提出了叁种基于受控节点动态耦合的复杂动态网络结构平衡控制方法。这叁种控制方法的目标是使连接关系子系统渐近逼近结构平衡,均着重节点子系统的控制器设计以及连接关系子系统的耦合项设计。数值仿真验证了理论结果的有效性。(4)在连接关系子系统的状态(权值或强度)难以被精确测量的前提下,提出了一种基于连接关系子系统状态观测器的复杂动态网络结构平衡控制方法。首先基于连接关系子系统的输出信息,为其设计了状态渐近观测器,然后利用观测器状态对连接关系子系统进行了结构平衡控制器设计。相应的数值仿真验证了理论结果的有效性。(本文来源于《广东工业大学》期刊2019-05-01）
马闯[8]（2019）在《复杂网络结构的重构、预测与挖掘》一文中研究指出一个复杂的真实系统可以通过简单的网络结构来描述,所以我们可以通过研究网络的结构来分析系统的性质。这里就涉及到如何得到网络的结构与如何去分析网络结构问题。因此本文将对网络结构的重构、预测与挖掘进行研究,具体内容为:(1)在已知动力学过程情况下,本文提出了一个基于平均场近似的极大似然估计方法(MM)的理论框架,可以针对离散的动力学时间序列完全重构网络。该框架主要包括叁个步骤:第一步根据动力学过程建立似然函数;第二步利用平均场近似的极大似然估计方法求解相关动力学参数;第叁步再利用平均场近似的极大似然估计方法把网络重构问题转化成求解线性方程组问题,即通过求解线性方程组可以得到每个节点的连边情况,从而获得网络的全部结构。然后通过在生成网络与真实网络上的实验表明我们的方法的可靠性与有效性。(2)本文还通过平均场近似的极大似然估计方法解决了多层网络的重构问题,并通过实验分析了网络结构、动力学参数以及噪音对网络重构的影响。(3)在未知动力学过程情况下,通过期望最大化算法(EM),本文提出了一套基于统计推断的理论框架,可以从离散的二值动力学时间序列中重构每个节点的邻居情况。然后通过真实网络与生成网络上的实验验证本文方法的可靠性与有效性。该方法不需要有关于动力学的任何先验知识,不需要参数,而且在噪音的情况下依然可以很好的重构网络。(4)在没有时间序列,只知道节点终态信息的情况下,本文提出了一个基于极大似然估计的框架重构每个节点的邻居情况。该方法可以从各种二进制终态信息(有没有收到谣言、有没有感染疾病等)中重构网络,而且当我们增加信息量(信号接收时间,或疾病感染时间),该方法还可以进一步提高网络重构精度。接着,本文还给出了两个定理以此来提高了网络重构的性能。最后,通过对网络重构受随机扰动影响的分析,利用分组预测来提高算法的鲁棒性。(5)在网络结构的预测方面,通过对不同的网络结构分析,发现不同的网络具有不同的结构特征,而且同一网络内的不同模块也有可能存在不同的特征。因此,在本文中我们定义了一个可以结合多种特征的逻辑回归函数,然后通过已知结构学习不同特征的权重,以此预测网络未知结构的连边概率。最后,实验验证该方法要优于其他链路预测的相似性指标。(6)在网络结构的挖掘方面,本文主要对网络的核边(core-periphery)结构进行探测。首先提出了一个基于叁元模体的核边结构的探测方法。该方法主要分为叁个步骤:第一步根据节点和边的属性定义叁元模体;第二步得到网络的模体矩阵;第叁步通过求解模体矩阵的最小电导率寻找最优类别以此实现核边结构的划分。这个方法可以探测网络不同类型的核边结构:单核边结构和多核边结构或局部核边结构和全局的核边结构。(7)本文还分析了经典的随机块模型在处理核边结构与社团结构探测问题上的不足,即推断中BP算法的近似在处理核边结构中存在严重的不合理性。因此,本文在没有增加任何计算复杂度的基础上对算法进行了修正。最后在社团结构与核边结构的探测问题上验证了修正后的BP算法的结果,发现在稀疏的社团结构上,修正后的BP算法与经典BP算法具有同样的性质,在稠密的社团结构以及核边结构中,修正后的BP算法会表现得更好与更稳定。(本文来源于《安徽大学》期刊2019-05-01）
熊永芳[9]（2019）在《带层次式网络结构的复杂业务系统组织结构发现算法研究》一文中研究指出随着大数据、云计算、人工智能技术的飞速发展,互联网数据中心(Internet Data Center,IDC)的规模也随之爆炸式增长,作为数据中心安全运行保障的运维管理就显得至关重要。早期的手工运维在业务快速增长、人力成本高的时代难以维系,自动化运维取代人去执行简单重复的工作,提高了运维效率,但随着业务服务复杂多样,基于规则指导的自动化运维日显不足,系统复杂度不断升级、系统架构不断演化,现有的技术使运维部门很难准确、迅速地把控系统架构与系统变更,无法自动感知系统实际变更导致的配置管理数据库(Configuration Management Database,CMDB)中的数据失效问题。然而数据中心每时每刻产生大量的服务器日志数据,如果可以基于这些数据有效地分析出业务系统的组织结构,实现业务系统架构自动化梳理,就能改变传统手工运维的不足,提高运维效率和系统架构图信息时效性。本文基于数据中心采集到的服务器日志数据进行分析,服务器在业务驱动下相互之间会建立TCP连接进行通信协作,因此TCP网络可以反映服务器之间的业务功能逻辑关系。通常业务系统中的服务器以集群的形式对外提供功能服务,并且不同服务器集群在业务处理流程中存在先后顺序之别,因此,复杂业务系统的组织结构是一种带有层次式的网络结构。所以本文将这种带层次式网络结构的复杂业务系统组织结构发现问题分解成服务器集群发现与服务器集群层次发现两个子问题,提出一种基于服务器日志数据的集群发现和层次发现的方法(Cluster Discovery and Hierarchy Discovery,CD-HD)。CD-HD方法基于大数据平台采集的服务器日志数据,首先利用服务器属性和已知的部分服务器的类别标签信息,进行基于服务器属性判断服务器是否属于相同类别的迭代分类器训练,分类器用于判断所有没有类别标签信息的服务器间关系;然后在服务器TCP网络上,计算服务器通信行为模式的相似性,结合分类器对服务器间关系的判断,构建服务器相似度网络,在该相似度网络上,借助社区发现的方法进行服务器集群发现。最后根据业务流确定服务器集群在业务系统中的功能层次,从而实现复杂业务系统组织结构发现。在来自某大型数据中心的真实服务器日志数据集上进行实验,实验结果表明,本文所提出的方法能够有效解决运维领域的复杂业务系统组织结构只能依靠手工绘制的痛点,实现业务系统架构自动化梳理。(本文来源于《北京交通大学》期刊2019-05-01）
陈玲玲[10]（2019）在《遗传算法在复杂网络结构可控性问题中的应用》一文中研究指出近年来,复杂网络问题得到了人们的普遍关注,其中结构可控性问题已经成为目前研究的热点问题之一.但是这方面的研究仍然处于起步阶段,依旧存在许多问题有待解决.2011年,Liu等人在《Nature》上发表了复杂网络的结构可控性理论,给出了最小驱动节点数目的判据,在复杂网络可控性方向做出了开创性工作,引起了多领域学者的广泛关注.本文首先对复杂网络的研究背景及国内外研究现状进行了简要的介绍.之后介绍了图论、复杂网络的基本模型和结构可控性基础理论,以及遗传算法、数学规划等基本问题.论文的主要工作是以图论、控制理论、优化理论为基础,提出了基于遗传算法的复杂网络结构可控性优化框架,并将罚函数整合到优化目标函数中,实现对约束条件进行处理,将确定复杂网络最少驱动节点数目的问题转化成寻找图的最大匹配边,进而确定未匹配节点的数目.本文提出的算法适用于任意结构的复杂网络,并通过实例验证了该方法的可行性,为解决网络可控性优化问题提供了新思路.(本文来源于《吉林大学》期刊2019-05-01）
复杂网络结构论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
以西北典型半干旱城市包头市为研究区,运用复杂网络的评价指标对包头市复杂层级网络的拓扑结构与空间鲁棒性进行评价,提取了第1、2、3级生态源地和第1、2、3层生态廊道,并识别了重要生态节点,构建了包头市层级生态网络。结果表明:第1、2、3层生态源地数量分别为8、31、123,生态廊道数量分别为8、35、151,重要生态节点数量分别为7、28、47。通过拓扑结构与空间鲁棒性分析可知:第1层生态网络连通度最低,核数为2,结构简单但重要性最高,其稳定性影响整个层级生态网络的稳定;第2层生态网络由于增加连通性较低的生态节点,可增加小尺度的生态稳定性,但对大尺度层级生态网络稳定性提升没有明显作用;第3层生态网络核数为4,生态网络连通性最高且结构复杂。在第1、2、3层网络恶意攻击比随机攻击的破坏性均更强。第2、3层生态网络中源地节点数量较多,但低等级源地比例高,对增强网络的抗打击能力与恢复能力效果不明显。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
复杂网络结构论文参考文献
[1].王婉宁.基于复杂网络结构可控性的致病基因识别方法研究[D].西安理工大学.2019
[2].王戈,于强,YANG,Di,张启斌,岳德鹏.基于复杂网络分析法的层级生态网络结构研究[J].农业机械学报.2019
[3].马麒超.复杂网络结构下高阶多智能体系统的分析与综合[D].中国科学技术大学.2019
[4].司璀琪.基于复杂网络结构表征学习下的链路预测[D].西安电子科技大学.2019
[5].李兰茜.基于复杂网络结构的链路预测技术研究[D].北京邮电大学.2019
[6].董璊.复杂网络结构特性及其鲁棒性研究[D].兰州理工大学.2019
[7].高子林.复杂动态网络结构平衡控制设计研究[D].广东工业大学.2019
[8].马闯.复杂网络结构的重构、预测与挖掘[D].安徽大学.2019
[9].熊永芳.带层次式网络结构的复杂业务系统组织结构发现算法研究[D].北京交通大学.2019
[10].陈玲玲.遗传算法在复杂网络结构可控性问题中的应用[D].吉林大学.2019