[发明专利]基于结构模型的互联网拓扑特征提取方法及系统

权利要求书

1.基于结构模型的互联网拓扑特征提取方法，其特征在于，所述方法包括以下步骤：

S100：输入网络拓扑数据；

S200：通过静态拓扑分解方法将网络拓扑数据依次分解为十六个实虚组件；

S300：通过特征参数抽取方法将十六个实虚组件中相应的组件，在特征参数抽取方法中采用线性拟合方法对真实拓扑图序列对应的组件序列进行数据拟合，生成特征参数拟合数据；

S400：将各个组件的特征参数拟合数据作为配置文件输出。

在S200中，静态拓扑分解方法包括以下步骤：

输入：网络拓扑G＝(V,E)，其中节点集V为特定时刻探测获得真实互联网中自治系统AS域的集合，边集E为该互联网中不同AS域之间通信链路的集合；度阈值度阈值度阈值

输出：八个实组件，分别为内核组件Q_cor和外围组件Q_bip、P-Q、I-Q、J～Q、K-Q、K～S和S-Q；八个虚组件，分别为K_Q(l)-K_S(l)、S_Q(h),S_Q(l)-S_K(h),S_K(l)和

S201：计算节点集

其中d_G(v)和分别为网络拓扑图G及其子图G_I中节点v的度，且G_I＝(V_I,E_I)是由图G中节点集V/(P∪Q)和这些节点之间的边构成的子图，V_I和E_I分别是节点集和边集；

S202：计算节点集

其中d_Q(v)为由图G中节点集Q和这些节点之间的边构成的子图中节点v的度；

S203：生成子图Q_bip，其是图G中两个边集

以及这些边连接的节点构成的子图Q_bip；

S204：计算节点集

其中为子图Q_bip中节点v的度；将子图Q_bip中的边集划分为三类，即和

S205：生成子图Q_cor，其是图G中节点集和这些节点之间的边构成的子图Q_cor；计算节点集

其中为子图Q_cor中节点v的度；将子图Q_cor中的边集划分为三类，即

S206：采用X-Y表示五个子图P-Q、I-Q、J-Q、K-Q和K-S，其中X∈{P,I,J,K}且Y∈{S,Q}；这五个子图的生成方法相同，即子图X-Y的生成：子图X-Y是图G中边集

Y_X-X_Y(l)＝{(v,w)|(v,w)∈E∧v∈Y_X∧w∈X_Y(l)}

以及这些边连接的节点构成的子图；其中节点集

计算节点集

其中d_X-Y(v)为子图X-Y中节点v的度；将子图X-Y中的边集划分为两类，即

计算边集和节点集

生成子图J～Q，其为边集J_J(l)-J_J(l)和子图J-Q的并集；

生成子图K～S，其为边集S_S(h)-S_S(h),S_S(h)-S_S(l),S_S(l)-S_S(l)和子图K-S的并集；

P-Q、I-Q、J～Q、K-Q和K～S是五个输出的外围组件；

S207：生成子图S-Q，其是图G中边集{(v,w)|(v,w)∈E∧v∈S∧w∈Q}以及这些边连接的节点构成的子图S-Q；计算节点集和边集

Q_S(h)-S_Q(h)＝{(v,w)|(v,w)∈E∧v∈Q_S(h)∧w∈S_Q(h)},Q_S(h)-S_Q(l)＝{(v,w)|(v,w)∈E∧v∈Q_S(h)∧w∈S_Q(l)}

Q_S(l)-S_Q(h)＝{(v,w)|(v,w)∈E∧v∈Q_S(l)∧w∈S_Q(h)},Q_S(l)-S_Q(l)＝{(v,w)|(v,w)∈E∧v∈Q_S(l)∧w∈S_Q(l)}；

将子图S-Q中的边集划分为四类，即Q_S(h)-S_Q(h)，Q_S(h)-S_Q(l)，Q_S(l)-S_Q(h)和Q_S(l)-S_Q(l)；

S208：设且其中，A是拓扑图中实组件Q_bip的节点集且B是拓扑图中实组件Q_cor的节点集；为了精确地建立Q_bip与Q_cor之间的关联性，按照以下方式生成虚组件生成二分图G_A-B＝(A,B,E_A-B)，其中E_A-B＝{(a,b)|a∈A∧b∈B∧a和b是网络拓扑图G中的同一个节点}；

采用相同的方法生成拓扑图中其它七个虚组件K_Q(l)-K_S(l)、S_Q(h),S_Q(l)-S_K(h),S_K(l)和其中

在S300中，特征参数抽取方法包括以下步骤：

输入：拓扑图序列G₁,G₂,…,G_T，其中G_t表示从起始时间开始第t个时间段探测得到的拓扑图，1≤t≤T；

输出：演化拓扑图序列的稳定特征参数；

S301：调用静态拓扑分解方法依次将演化拓扑图序列G₁,G₂,…,G_T分解为八个实组件和八个虚组件，其中每个组件可被进一步分解为若干节点集和边集，具体分解方法详见拓扑结构分解方法；

S302：对于实组件Q_cor，其包含三个节点集和三个边集依据拓扑图序列G_t，计算节点数的一次线性拟合函数Q_cor_n_h(t)，节点数的二次线性拟合函数Q_cor_n_m(t)和节点数的一次线性拟合函数Q_cor_n_l(t)；对于节点按度从大到小顺序排列的序号i＝1,2,…,Q_cor_n_h(t)，计算密度曲线拟合函数Q_cor_density(i)，其表示图G_t的实组件Q_cor中前i个度最大的节点之间的边数与最大可能边数i(i-1)/2的比率；对于中节点的度计算度偏好连接拟合函数Q_cor_p_c(d)，其表示图G_t的实组件Q_cor中一条边连接度为d的节点的概率；对于中节点的度计算度分布拟合函数Q_cor_p_dl(d)，其表示图G_t的实组件Q_cor中一个节点的度为d的概率；对于中节点的度计算度分布拟合函数Q_cor_p_dm(d)，其表示图G_t的实组件Q_cor中一个节点的度为d的概率；将中节点按照它们的度从大到小的顺序排列，设n_i为其中的第i个节点，计算一次线性拟合函数f_i(t)＝m_i·t+b_i，其表示图G_t的实组件Q_cor中节点n_i的度，然后对于中节点排列的序号i＝1,2,…,Q_cor_n_h(t)，计算参数m_i的拟合函数Q_cor_m(i)，其表示中排列位置为i的节点的度的一次线性拟合函数f_i(t)的斜率，并计算参数b_i的拟合函数Q_cor_b(i)，其表示中排列位置为i的节点的度的一次线性拟合函数f_i(t)的截距；

上述Q_cor_n_h(t)、Q_cor_n_m(t)、Q_cor_n_l(t)、Q_cor_density(i)、Q_cor_p_c(d)、Q_cor_p_dl(d)、Q_cor_p_dm(d)、Q_cor_m(i)和Q_cor_b(i)为提取的拓扑图序列G_t中实组件Q_cor的稳定特征参数；

S303：对于实组件Q_bip，其包含三个节点集和三个边集依据拓扑图序列G_t，计算节点数的一次线性拟合函数Q_bip_n_uh(t)，节点数的一次线性拟合函数Q_bip_n_ul(t)和节点数的一次线性拟合函数Q_bip_n_bl(t)；对于中节点的度计算度偏好连接拟合函数Q_bip_p_c(d)，其表示图G_t的实组件Q_bip中一条边连接度为d的节点的概率；对于中节点的度计算度偏好连接拟合函数Q_bip_p_s(d₂)，其表示图G_t的实组件Q_bip中一条边连接度为d₂的节点的概率；对于中节点的度计算度分布拟合函数Q_bip_p_du(d)，其表示图G_t的实组件Q_bip中一个节点的度为d的概率；对于中节点的度计算度分布拟合函数Q_bip_p_db(d)，其表示图G_t的实组件Q_bip中一个节点的度为d的概率；将中节点按照它们的度从大到小的顺序排列，设n_i为其中第i个节点，计算一次线性拟合函数f_i(t)＝m_i·t+b_i，其表示图G_t的实组件Q_bip中节点n_i的度，然后对于中节点排列的序号i＝1,2,…,Q_bip_n_uh(t)，计算参数m_i的拟合函数Q_bip_m(i)，其表示中排列位置为i的节点的度的一次线性拟合函数f_i(t)的斜率，并计算参数b_i的拟合函数Q_bip_b(i)，其表示中排列位置为i的节点的度的一次线性拟合函数f_i(t)的截距；调用度对排序方法将由中节点的度构成的所有度对进行排序得到度对排序列表DPL，对于DPL中度对(d₁,d₂)的排列序号r，计算度对分布拟合函数Q_bip_p_dpl(r)，其表示图G_t的实组件Q_bip中一条边连接两个度分别为d₁和d₂的节点的概率；

上述Q_bip_n_uh(t)、Q_bip_n_ul(t)、Q_bip_n_bl(t)、Q_bip_p_c(d)、Q_bip_p_s(d₂)、Q_bip_p_du(d)、Q_bip_p_db(d)、Q_bip_m(i)、Q_bip_b(i)和Q_bip_p_dpl(r)为提取的实组件Q_bip的稳定特征参数；

S304：采用X-Y表示五个子图P-Q、I-Q、J-Q、K-Q和K-S，其中X∈{P,I,J,K}且Y∈{S,Q}；这五个子图的稳定特征参数提取方法相同，即子图X-Y的提取方法：

子图X-Y包含三个节点集Y_X(h),Y_X(l),X_Y(l)和两个边集Y_X(h)-X_Y(l),Y_X(l)-X_Y(l)；依据拓扑图序列G_t，计算Y_X(h)节点数的一次线性拟合函数XY_n_yh(t)，Y_X(l)节点数的一次线性拟合函数XY_n_yl(t)和X_Y(l)节点数的一次线性拟合函数XY_n_xl(t)；对于X_Y(l)中节点的度d＝1,2,…,30，其中30为G_t中所有X_Y(l)节点的度的上界，计算度偏好连接拟合函数XY_p_c(d)，其表示图G_t的子图X-Y中一条Y_X(h)-X_Y(l)边连接度为d的X_Y(l)节点的概率；对于X_Y(l)中节点的度d₂＝1,2,…,30，计算度偏好连接拟合函数XY_p_s(d₂)，其表示图G_t的子图X-Y中一条Y_X(l)-X_Y(l)边连接度为d₂的X_Y(l)节点的概率；对于Y_X(l)中节点的度计算度分布拟合函数XY_p_dy(d)，其表示图G_t的子图X-Y中一个Y_X(l)节点的度为d的概率；对于X_Y(l)中节点的度d＝1,2,…,30，计算度分布拟合函数XY_p_dx(d)，其表示图G_t的子图X-Y中一个X_Y(l)节点的度为d的概率；将Y_X(h)中节点按照它们的度从大到小的顺序排列，设n_i为其中第i个节点，计算一次线性拟合函数f_i(t)＝m_i·t+b_i，其表示图G_t的子图X-Y中节点n_i的度，然后对于Y_X(h)中节点排列的序号i＝1,2,…,XY_n_yh(t)，计算参数m_i的拟合函数XY_m(i)，其表示Y_X(h)中排列位置为i的节点的度的一次线性拟合函数f_i(t)的斜率，并计算参数b_i的拟合函数XY_b(i)，其表示Y_X(h)中排列位置为i的节点的度的一次线性拟合函数f_i(t)的截距；

上述XY_n_yh(t)、XY_n_yl(t)、XY_n_xl(t)、XY_p_c(d)、XY_p_s(d₂)、XY_p_dy(d)、XY_p_dx(d)、XY_m(i)和XY_b(i)为提取的演化拓扑图序列G_t中子图X-Y的稳定特征参数；其中P-Q、I-Q和K-Q为网络拓扑结构的三个实组件；

S305：对于实组件J～Q，其包含子图J-Q和边集J_J(l)-J_J(l)两部分；设d_J-Q(v)为节点v在子图J-Q的度，调用度对排序方法将满足v₁,v₂∈J且d_J-Q(v₁)≤d_J-Q(v₂)的所有度对(d_J-Q(v₁),d_J-Q(v₂))进行排序得到度对排序列表DPL，依据拓扑图序列G_t，对于DPL中度对(d_J-Q(v₁),d_J-Q(v₂))的排列序号r，计算度对分布拟合函数JQ_p_dpl(r)，其表示图G_t中一条J_J(l)-J_J(l)边连接子图J-Q中两个度分别为d_J-Q(v₁)和d_J-Q(v₂)的属于集合J的节点的概率；

上述JQ_p_dpl(r)和子图J-Q的特征参数共同构成了实组件J～Q的稳定特征参数；

S306：对于实组件K～S，其包含子图K-S和三个边集S_S(h)-S_S(h),S_S(h)-S_S(l),S_S(l)-S_S(l)；设d_K-S(v)为节点v在子图K-S的度，调用度对排序方法将满足v₁,v₂∈S且d_K-S(v₁)≤d_K-S(v₂)的所有度对(d_K-S(v₁),d_K-S(v₂))进行排序得到度对列表DPL，依据拓扑图序列G_t，对于DPL中度对(d_K-S(v₁),d_K-S(v₂))的排列序号r，计算度对分布拟合函数KS_p_dpl(r)，其表示图G_t中一条S_S(l)-S_S(l)边连接子图K-S中两个度分别为d_K-S(v₁)和d_K-S(v₂)的属于集合S_K(l)的节点的概率，其中S_K(l)为子图K-S的一个节点集；依据拓扑图序列G_t，对于S_K(l)中节点在子图K-S中的度计算度偏好连接拟合函数KS_p_cl(d)，其表示图G_t中一条S_S(h)-S_S(l)边连接子图K-S中度为d的S_K(l)节点的概率；

上述KS_p_dpl(r)、KS_p_cl(d)和子图K-S的特征参数共同构成了实组件K～S的稳定特征参数；

S307：对于实组件S-Q，其包含四个节点集Q_S(h),Q_S(l),S_Q(h),S_Q(l)和四个边集Q_S(h)-S_Q(h),Q_S(h)-S_Q(l),Q_S(l)-S_Q(h),Q_S(l)-S_Q(l)；依据拓扑图序列G_t，分别计算Q_S(h),Q_S(l),S_Q(h),S_Q(l)四个集合包含节点数的一次线性拟合函数SQ_n_qh(t)、SQ_n_ql(t)、SQ_n_sh(t)和SQ_n_sl(t)；对于S_Q(l)中节点的度计算度偏好连接拟合函数SQ_p_cs(d)，其表示图G_t的实组件S-Q中一条Q_S(h)-S_Q(l)边连接度为d的S_Q(l)节点的概率；对于Q_S(l)中节点的度计算度偏好连接拟合函数SQ_p_cq(d)，其表示图G_t的实组件S-Q中一条Q_S(l)-S_Q(h)边连接度为d的Q_S(l)节点的概率；对于S_Q(l)中节点的度计算度偏好连接拟合函数SQ_p_s(d₂)，其表示图G_t的实组件S-Q中一条Q_S(l)-S_Q(l)边连接度为d₂的S_Q(l)节点的概率；调用节点分类与排序方法将Q_S(h)中全部节点分类至c＝10个相互交集为空且有序排列的节点集L_q1,L_q2,…,L_qc，并将S_Q(h)中全部节点分类至c＝10个相互交集为空且有序排列的节点集L_s1,L_s2,…,L_sc，对于任意序号对(r₁,r₂)，其中1≤r₁,r₂≤c，计算序号对分布拟合函数SQ_p_rd(r₁,r₂)，其表示图G_t的实组件S-Q中一条Q_S(h)-S_Q(h)边的两个端点属于节点集和节点集的概率；对于Q_S(l)中节点的度计算度分布拟合函数SQ_p_dq(d)，其表示图G_t的实组件S-Q中一个Q_S(l)节点的度为d的概率；对于S_Q(l)中节点的度计算度分布拟合函数SQ_p_ds(d)，其表示图G_t的实组件S-Q中一个S_Q(l)节点的度为d的概率；将Q_S(h)中节点按照它们的度从大到小的顺序排列，设n_qi为其中第i个节点，计算一次线性拟合函数f_qi(t)＝m_qi·t+b_qi，其表示图G_t的实组件S-Q中节点n_qi的度，然后对于Q_S(h)中节点排列的序号i＝1,2,…,SQ_n_qh(t)，计算参数m_qi的拟合函数SQ_m_q(i)，其表示Q_S(h)中排列位置为i的节点的度的一次线性拟合函数f_qi(t)的斜率，并计算参数b_qi的拟合函数SQ_b_q(i)，其表示Q_S(h)中排列位置为i的节点的度的一次线性拟合函数f_qi(t)的截距；将S_Q(h)中节点按照它们的度从大到小的顺序排列，设n_si为其中第i个节点，计算一次线性拟合函数f_si(t)＝m_si·t+b_si，其表示图G_t的实组件S-Q中节点n_si的度，然后对于S_Q(h)中节点排列的序号i＝1,2,…,SQ_n_sh(t)，计算参数m_si的拟合函数SQ_m_s(i)，其表示S_Q(h)中排列位置为i的节点的度的一次线性拟合函数f_si(t)的斜率，并计算参数b_si的拟合函数SQ_b_s(i)，其表示S_Q(h)中排列位置为i的节点的度的一次线性拟合函数f_si(t)的截距；

上述SQ_n_qh(t)、SQ_n_ql(t)、SQ_n_sh(t)、SQ_n_sl(t)、SQ_p_cs(d)、SQ_p_cq(d)、SQ_p_s(d₂)、SQ_p_rd(r₁,r₂)、SQ_p_dq(d)、SQ_p_ds(d)、SQ_m_q(i)、SQ_b_q(i)、SQ_m_s(i)和SQ_b_s(i)为提取的拓扑图序列G_t(t＝1,2,…,T)中实组件S-Q的稳定特征参数；

S308：对于任意一个虚组件，由静态拓扑分解方法知，其可以表示为二分图G_A-B＝(A,B,E_A-B)，其中E_A-B＝{(a,b)|a∈A∧b∈B∧a和b是网络拓扑图G中的同一个节点}；调用混合节点分类与排序方法将A中全部节点分类至相互交集为空且有序排列的节点集其中，输入参数c＝10,d＝10，并将B中全部节点分类至相互交集为空且有序排列的节点集然后依据拓扑图序列G_t，对于任意序号对(r₁,r₂)，其中1≤r₁,r₂≤c+d，计算序号对分布拟合函数AB_p_rd(r₁,r₂)，其表示图G_t的虚组件二分图G_A-B中一条边的两个端点属于节点集和节点集的概率；

上述AB_p_rd(r₁,r₂)为提取的拓扑图序列G_t中虚组件A-B的稳定特征参数；其中虚组件A-B的八个实例为K_Q(l)-K_S(l)、S_Q(h),S_Q(l)-S_K(h),S_K(l)和

其中，度对排序方法包括以下步骤：

输入：节点度的上界(最大值)U_b；

输出：按照特定顺序排列的节点度对列表DPL；

ZS101：初始化len←2和DPL←Φ；其中，Φ表示空集；←表示将右边的值赋值给左边的变量；

ZS102：如果len≤2·U_b，则初始化k₁←1且k₂←len-k₁，转ZS103；否则，终止运算；

ZS103：如果k₁≤k₂∧k₁≤U_b∧k₂≤U_b，则将度对(k₁,k₂)添加到度对列表DPL的尾部，并更新k₁←k₁+1和k₂←len-k₁，转ZS103；否则，转ZS104；

ZS104：更新len←len+1，并转ZS102。

其中，节点分类与排序方法包括以下步骤：

输入：节点序列1,2,…,n和它们的度d₁,d₂,…,d_n，分类数c；

输出：按照特定顺序排列的节点分类序列L₁,L₂,…,L_c；

ZS201：对任意j＝1,2,…,c，初始化L_j←Φ，并将节点1,2,…,n按照度从大到小的顺序排列；不失一般性，假设d₁≥d₂≥…≥d_n，转ZS202,其中，Φ表示空集；←表示将右边的值赋值给左边的变量；

ZS202：如果nc，则对任意j＝1,2,…,n，更新L_j←{j}；否则，计算r＝n/c，初始化分类L₁←{1,2,…,round(r)}，并对任意j＝2,3,…,c，更新L_j←{max(L_j-1)+1,max(L_j-1)+2,…,round(j×r)}，其中max表示取集合中最大值。

其中，混合节点分类与排序方法为：

输入：节点集X，节点集X所在的实组件G(X)，任意节点x∈X在实组件G(X)的度d_G(X)(x)，度阈值d，分类数c；

输出：按照特定顺序排列的节点分类列表L；

ZS301.将X分解为两个子集X_H＝{x|x∈X∧d_G(X)(x)≥d}和X_N＝{x|x∈X∧d_G(X)(x)d}；

ZS302.调用节点分类与排序方法生成节点集X_H的节点分类序列L₁,L₂,…,L_c；

ZS303.初始化k←d和i←1，并转ZS304；

ZS304.如果k≥1，则计算节点集S＝{x|x∈X_N∧d_G(X)(x)＝k}，并将S赋值给第c+i个节点分类L_c+i，同时更新k←k–1和i←i+1后转ZS304；否则，转ZS305；

ZS305.更新L←L₁,L₂,…,L_c,L_c+1,…,L_c+d。

2.基于结构模型的互联网拓扑特征提取系统，其特征在于，所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1所述的方法。