[发明专利]一种基于三角检测的图高度节点检测与分类方法

说明书

本发明公开了一种基于三角检测的图高度节点检测与分类方法，首先，构建节点与边的原始图G＝(V,E)，并根据原始图的结构信息计算出所有节点的度和邻居列表。然后从任意节点开始采用深度优先策略进行遍历，对遍历到的节点，检查其与父节点及祖父节点是否存在三角关联，如是则标记这三个节点。遍历完成后，所有未标记的高度节点为Star节点，而所有标记的高度节点为Pivot节点。最后，对节点根据度大小排序，位于前5％的Pivot节点为汇聚结构；同时节点度大小高于平均度的Star节点为大型星型结构。本发明实现了将三角检测应用于社交网络和网络脆弱性分析中，具有检测速度快、准确性高的特点，适合推广应用。

技术领域

本发明属于数据结构和频繁子图挖掘技术领域，涉及一种基于三角检测的图高度(High Degree)节点检测与分类方法。

背景技术

图结构是一种常见的非线性结构，被用于描述各种复杂的数据对象，在自然科学、社会科学和人文科学等许多领域有着非常广泛的应用。图中通常包含丰富的信息，其中高度节点在很多应用场景中受到高度关注。而高度节点又可以根据是否存在相连的邻居划分为汇聚结构(Super Pivot)和大型星型结构(Huge Star)。例如，在社交网络的分析中，人们对汇聚结构和大型星形结构十分感兴趣。比如想快速传播信息的人就对度数极高的节点比较感兴趣，因为在社交网络中度数极高的节点(汇聚结构和大型星形结构)很可能是社交达人，也可能是流量大咖，这些人能迅速地将信息传播给更多的人。又例如，网络脆弱性分析是网络安全分析和风险评估的重要组成部分。网络脆弱性分析是通过对网络进行基于经验的分析或基于模型的分析等有效手段得出网络的脆弱性，然后评估网络安全，帮助管理员及时了解网络系统的安全状况，及时发现并修补漏洞，避免网络攻击。在网络脆弱性分析中，人们会对大型星形结构比较感兴趣，因为这些结构很容易成为被攻击的对象。

常见对汇聚结构和大型星形结构的分类方法是通过直接检测是否有相连的邻居来实现的。但是，直接检测方法在面对社交网络、计算机网络等数据量大的应用场景时，存在耗时较大，并且有很多重复计算和不必要的步骤。

发明内容

本发明的目的在于提供一种基于三角检测的图高度节点检测与分类方法。

其具体技术方案为：

一种基于三角检测的图高度节点检测与分类方法，包括以下步骤：

步骤1、将社交网络、计算机网络等图数据抽象为由节点与邻边构成的单一网络图G；

步骤2、构建并初始化三角形节点标记集合T；

步骤3、对步骤1中网络图G的节点进行遍历操作，对当前遍历的节点v_i，根据其与父节点v_f及祖父节点v_p三者在G中的连接关系，判断三个节点是否构成三角形结构关联，如是则将三个节点均加入到步骤2中的三角形节点标记集合T中；

步骤4、遍历完成后，所有未标记的高度节点为Star节点，所有标记的高度节点为Pivot节点。

步骤5、对步骤4中所得到的两类高度节点，根据节点度大小进行排序，位于全局度的前5％的Pivot节点为汇聚结构(Super Pivot)；节点度大小高于全局平均度的Star节点为大型星型结构(Huge Star)。

进一步地，所述步骤1中，单一网络图为无属性且无方向的简单图，标记为G＝(V,E)，其中V＝{v₁,v₂,…,v_n}表示节点集合，E＝{e₁,e₂,…,e_m}表示边集合，对于任意e＝(v_i,v_j)表示节点v_i与v_j之间存在关联。