-
公开(公告)号：CN118821003A
公开(公告)日：2024-10-22
申请号：CN202410792104.4
申请日：2024-06-19
Applicant: 重庆邮电大学
IPC: G06F18/2433 , G06F18/15 , G06F18/213 , G06F18/22 , G06F18/214 , G06F18/21 , G06N5/01 , G06N20/20 , G06Q30/0202
Abstract: 本发明提供一种基于链路预测的商业关系推测方法。该方法从节点相似性和节点重要性两方面计算隐藏链路存在的可能性，并结合自治域的地理位置、所处层次等相关信息来预测隐藏链路，旨在提升自治域级网络拓扑的完整性。在链路预测的基础上，结合AS节点和节点之间的边提取特征，并结合这些特征采用XGBoost分类器对自治域间的商业关系进行分类，以获取更加准确、完整的商业关系信息。
-
公开(公告)号：CN118590284A
公开(公告)日：2024-09-03
申请号：CN202410749150.6
申请日：2024-06-12
Applicant: 重庆邮电大学
Abstract: 本发明提供一种基于LSTM的方法来检测网络中各种类型的BGP异常行为，并构建一个实时自动化BGP异常检测系统。该方法针对传统机器学习方法忽视异常发生前后的连续变化以及检测异常类型单一的问题，考虑到异常发生前后的变化连续性，根据一定的时间窗口划分时间序列，利用多层感知器从原始特征中获取到高级复杂特征，基于LSTM的模型实现多种类型BGP异常事件检测。本发明还将该方法应用于BGP异常检测系统之中，实现了多类型BGP异常事件实时自动化检测，无需依赖第三方检测。
-
公开(公告)号：CN118890283A
公开(公告)日：2024-11-01
申请号：CN202410793048.6
申请日：2024-06-19
Applicant: 重庆邮电大学
Abstract: 本发明提供一种基于多属性融合的IPv6AS级网络关键节点识别方法，属于复杂网络分析领域。针对当前IPv6AS级网络关键节点识别研究不足，以及现有分析方法评价角度单一和时间复杂度过高问题，提出了一种基于多属性融合的IPv6AS级网络关键节点识别方法，该方法兼顾了k‑shell中心性、一阶邻居节点重要性以及自治域商业关系对节点的共同影响，从全局、局部以及经济角度全面评估节点重要性。为了验证该方法的有效性，采用最大连通子图的比例、网络连通分量以及网络平均效率与移除关键节点数量的依赖关系作为评价标准，在6个来自不同国家或地区的真实网络上与其他分析方法进行比较。实验结果表明，此方法能更细粒度地区分节点重要性，通过删除少量关键节点，即可破坏大部分网络，从而更有效和准确地评估网络关键节点。此外，该方法的时间复杂度仅为O(n2)，适用于大型复杂网络。
-
公开(公告)号：CN118626942A
公开(公告)日：2024-09-10
申请号：CN202410749153.X
申请日：2024-06-12
Applicant: 重庆邮电大学
IPC: G06F18/2411 , G06F18/243 , G06N20/10 , G06N20/00 , G06N3/045 , G06F18/2415 , G06F18/214 , G06N3/08 , G06F18/21 , G06F18/27
Abstract: 本发明提供一种基于融合Node2vec与Struc2vec的两级Stacking链路预测方法，属于复杂网络分析领域。该方法采用了Node2vec和Struc2vec算法来提取节点特征并构建连边特征向量，该特征向量可以充分学习网络节点近邻相似性和结构相似性信息，然后这些向量被用作链接预测方法的输入。针对单一机器学习算法在链路预测中精度不高的问题，将SVM、XGBoost和MLP作为基分类器，Logistic Regression作为二层分类器构成了整个Stacking方法。在多个真实网络中进行试验，通过评估指标比对分析了方法及其基分类器效能，验证了集成学习算法的有效性，可以在整体上提升预测精度。
-
-
-
Search Results
4
records
(took 0.015 seconds)
