基于復雜網(wǎng)絡理論的信息網(wǎng)絡關鍵技術的研究.pdf

1、有關復雜網(wǎng)絡理論的研究近年來已經(jīng)取得了一些進展，但總的來說大部分相關研究成果仍未能在信息網(wǎng)絡應用領域得到實用，許多相關技術仍然有待優(yōu)化、改進。論文在前人研究基礎之上，圍繞信息網(wǎng)絡領域中的接納控制、QoS組播路由、惡意軟件傳播、P2P網(wǎng)絡中特定業(yè)務識別等問題進行深入研究，論文的研究成果概括如下。
　　 構建了一個復雜網(wǎng)絡仿真平臺SPCN，可以根據(jù)需要以鄰接矩陣形式或者節(jié)點信息網(wǎng)絡模型方式輸出大規(guī)模的ER模型、BA模型、NW模型，同

2、時可以計算節(jié)點度分布、平均路徑長度、聚度系數(shù)等網(wǎng)絡統(tǒng)計特性，提出了實現(xiàn)與優(yōu)化的算法。提出一種用于表達網(wǎng)絡的節(jié)點信息網(wǎng)絡模型方法，該方法占用存儲空間小，結構靈活，解決了鄰接矩陣方式表達網(wǎng)絡拓撲信息時計算機處理能力的局限性，為大規(guī)模復雜網(wǎng)絡及復雜網(wǎng)絡上的傳播動力學的仿真，以及離散傳播動力學模型的建立，提供了有效的研究平臺。
　　 針對復雜網(wǎng)絡提出一個新的概念-節(jié)點活躍度，表達節(jié)點吸引并與其它節(jié)點進行連接的能力，對于節(jié)點與其它節(jié)點是否

3、進行連接起關鍵性作用，節(jié)點的活躍度越高，連接概率越大。結合活躍度權重值提出一個基于復雜網(wǎng)絡的接納控制算法，不同帶寬資源條件下采用不同的接納策略，同時在系統(tǒng)中所有業(yè)務所占系統(tǒng)最大帶寬超過設定的帶寬門限時，通過一定的自適應緩存分界參數(shù)調(diào)整來實現(xiàn)相應合理的接納條件限制。經(jīng)過相應的自適應過程，使得系統(tǒng)達到動態(tài)平衡。仿真結果表明該算法可顯著提高系統(tǒng)帶寬資源利用率，同時也明顯提高了高優(yōu)先級業(yè)務的接納率。
　　 將復雜網(wǎng)絡理論運用于多約束Qo

4、S組播路由及其算法，構造滿足多個約束條件的最小代價組播樹，實現(xiàn)不同業(yè)務對時延、時延抖動、丟包率和帶寬等不同約束的性能需求，從而達到節(jié)省網(wǎng)絡帶寬資源、降低網(wǎng)絡負載和提高服務質(zhì)量的目的。根據(jù)小世界特性和BA無標度網(wǎng)絡中的擇優(yōu)增長特性，提出一種基于綜合學習和智能協(xié)同的改進粒子群優(yōu)化算法(PSO-CLIC)。該算法將一個種群分解為多個子群，多個子群同時進化搜索，從而增加算法的穩(wěn)健性和準確性。各子群之間彼此相互影響和制約，從而提高算法的全局尋優(yōu)能

5、力。在生成的網(wǎng)絡模型上對算法的組播樹費用、時延和時延抖動等指標進行仿真，仿真結果表明該算法在收斂速度和求解精度等方面具有明顯的優(yōu)越性。
　　 將復雜網(wǎng)絡論應用于惡意軟件傳播模型研究，提出一種新的惡意軟件傳播的離散概率SI模型(DP-SI)，該模型的建立由網(wǎng)絡固有的性質(zhì)及惡意軟件傳播的概率特性所決定。選取均勻網(wǎng)絡中的ER模型、非均勻網(wǎng)絡中的NW模型和BA模型三個典型的復雜網(wǎng)絡模型作為仿真研究對象，研究各種拓撲下惡意軟件的傳播行為。

6、仿真結果表明，由于DP-SI模型的構建過程不依賴于某種特定結構的網(wǎng)絡，該模型可用于研究任意已知網(wǎng)絡拓撲上惡意軟件傳播的動力學行為。當突發(fā)事件發(fā)生時，可以利用該模型快速模擬傳播行為，以利于防范和預測。同時，該模型結構靈活，能夠在演化過程中隨時改變控制策略，這是傳統(tǒng)微分方程模型所不能比擬的。同時，研究互聯(lián)網(wǎng)上隨機免疫與目標免疫策略。研究結果表明，隨機免疫策略對互聯(lián)網(wǎng)是無效的，而目標免疫則是一種更有效的方法，可以大大降低惡意軟件傳播的速度。<

7、br>　　 將復雜網(wǎng)絡理論應用于特定P2P業(yè)務識別，提出一種基于樹形多層BP-LVQ神經(jīng)網(wǎng)絡組合分類器的特定P2P業(yè)務流識別方法。綜合考慮BP神經(jīng)網(wǎng)絡和LVQ神經(jīng)網(wǎng)絡，利用BP神經(jīng)網(wǎng)絡作為第一層分類器，LVQ神經(jīng)網(wǎng)絡作為第二層分類器，形成樹形兩層組合模型，可以提高分類效率，改善其對多業(yè)務類的識別能力，提高分類器對數(shù)據(jù)噪聲的抗干擾能力。特定P2P業(yè)務類識別最終通過LVQ神經(jīng)網(wǎng)絡的分類過程來完成。實驗通過相關的網(wǎng)絡流量測試和分析，發(fā)掘流量