[发明专利]一种基于复杂网络的软件网络关键节点挖掘方法

说明书

本发明提供一种基于复杂网络的软件网络关键节点挖掘方法，首先根据网络的拓扑结构，以类中的方法数作为边的权值，重新定义了边权值的概念，即根据类的方法数对软件系统的有向网络中的边进行加权，从而抽象出有向加权网络模型，然后将被不同关键节点挖掘算法均判断为备选关键节点的节点作为有向加权网络模型中最终的关键节点，由此得到的关键节点是在软件网络中占据更重要的地位的关键节点，则通过对找到的软件系统的关键节点加以防护，可以增强软件系统的可靠性、安全性，有效减少软件系统遭受的来自外界的攻击，进而大大减小因系统遭受破环带来的损失。

技术领域

本发明属于软件安全技术领域，尤其涉及一种基于复杂网络的软件网络关键节点挖掘方法。

背景技术

关键节点在软件网络中具有很大的影响力，在移动互联网、科研教育网络、物理网络甚至生物网络等现实网络中，关键节点都起着至关重要的作用。随着复杂网络在软件网络相关特性中的深入研究和关键节点的广阔应用前景，关键节点的研究也在软件复杂网络中的重要地位越来越显著。为了评估节点的影响性，研究人员会对软件网络中所有抽象出的节点和节点之间的关系进行研究分析，通过一定的条件去量化节点在整个网络中的地位和影响程度，进而挖掘出软件网络中的关键节点。

另外，国内外相关的关键节点的研究都是从节点的不同属性进行的。Callaway DS等人研究了具有完全一般度分布的图的渗流问题，给出了各种情况下的精确解，包括位置渗流、键渗流和占用概率依赖于顶点度的模型，认为节点的度越大，节点就越关键，然而却忽略了软件网络全局信息对节点重要性的影响。Freeman L C提出介数中心性度量方法，认为节点的介数值越大该节点在网络中承担的任务越重要，节点越重要，但是随着网络规模的不断增大，计算每个节点的介数不仅耗时而且计算复杂度也是难以接受的。Maharani W等人认为图的结构和权重对中心值本身的影响很大，运用度和特征向量中心性观察推特数据中心性值的影响，以此来判断信息在社会网络中的传播速度。Kitsak M等人提出了节点重要程度依赖于其在整个网络中的相对位置，认为最有效的传播者是那些位于网络核心的，由k-shell分解分析确定的传播者。

然而，目前的度量方法大多基于有向无权网络或无向无权网络，在无权网络的基础上提取节点的度、节点间距离、聚集系数、相关系数等参数值作为度量指标，但是无权网络会忽略掉软件系统的一些重要的结构属性，使得度量缺乏准确性。而且这样的网络模型研究起来过于简单，虽然在表现软件网络的全局特性时有不错的效果，但是在对软件网络的局部研究中有一定的局限性。软件网络也和复杂网络一样，网络中模块的缺陷和变更，并不是瞬间就传播到整个网络，因此对软件网络全局和局部特征一起研究，会达到更好的效果。

发明内容

为解决上述问题，本发明提供一种基于复杂网络的软件网络关键节点挖掘方法，由此得到的关键节点是在软件网络中占据更重要的地位的关键节点，可以增强软件系统的可靠性、安全性，有效减少软件系统遭受的来自外界的攻击，进而大大减小因系统遭受破环带来的损失。

一种基于复杂网络的软件网络关键节点挖掘方法，包括以下步骤：

S1：根据软件系统的源代码中各个类之间的依赖、关联、聚合、组合以及继承关系得到类图；

S2：统计各个类的方法数，然后分别将每个类的方法数作为所述类图中该类指向其下一个类的有向边的权值，得到有向加权网络模型；

S3：分别根据至少三种关键节点挖掘算法，获取有向加权网络模型中的备选关键节点；

S4：将被各关键节点挖掘算法均判断为备选关键节点的节点作为有向加权网络模型中最终的关键节点。

进一步地，分别根据缺陷可能性、缺陷传播代价以及KeyNode算法，获取有向加权网络模型中的备选关键节点；

其中，根据缺陷可能性获取所述备选关键节点的方法如下：