买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆邮电大学

摘要：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On2，适用于大型复杂网络。

主权项：1.一种基于多属性融合的IPv6AS级网络关键节点识别方法，该方法具体包括以下步骤：步骤1：数据预处理1BGP路由表数据：通过RouteViews项目位于俄勒冈州的IPv6专用采集器route-view6获取2024年5月1日的BGP路由表数据，并使用bgpdump工具解析与合并，提取出AS和对应边取合集，作为原始网络拓扑数据。2AS所属组织数据集：获取CAIDA提供的as2org数据，通过AS到组织的映射关系，筛选出不同国家或区域的AS并构建网络拓扑。3AS商业关系数据集：获取as-rel数据，根据商业关系数据集计算出目标AS的提供者AS数量，作为经济角度的一个特征。4提取路由表数据的as_path字段，再进行去重和格式异常数据清洗等操作，去除数据本身对算法的干扰。步骤2：构建网络拓扑1设图G＝V,E是一个无向无权网络，其中V＝{v1,v2,...,vn}表示G中节点的集合，|V|＝n，E＝{vi,vj|vi，vj∈V}表示G中边的集合，|E|＝m。记An×n＝aijn×n为G对应的邻接矩阵，如果节点vi和节点vj之间存在连边关系，则aij＝1，否则aij＝0。2将无权网络划分为不同区域的子网络。根据AS所属组织数据集，选出6个来自不同国家或区域的IPv6AS级真实网络，如我国台湾地区CN-TW、孟加拉国BD、瑞士CH、澳大利亚AU、印度IN和德国DE网络。3根据不同国家或区域的as_path及as邻接对构建网络拓扑。步骤3：融合全局、局部以及经济属性选出网络关键节点1全局属性采用k-shell中心性从全局角度考虑节点在整个网络中的层次位置。计算每个节点的KS值。KS值越大，表明节点位于网络越内层，节点重要性越强。节点的KS值计算如下：KSvi＝degreevi1其中，degreevi表示去除外层节点后vi节点的度值。2局部属性采用一阶邻居节点影响力评估目标节点的局部重要性。具体步骤如下：1首先计算节点的贡献概率。给定一个网络G，其中节点vi随机连接到其任意一个邻居，其度值代表所有可能的连接。将度数的倒数定义为节点vi的贡献概率Pvi： 其中，dvi表示节点vi的度值。2其次，根据节点的贡献概率计算出每个节点的聚类概率。网络G中某个节点的所有邻居的度的倒数之和称为聚类效率，计算公式如下： 其中，ηvi是邻居节点的集合。3然后计算介数中心性。节点v的介数中心性计算公式如公式4所示： 其中，gst是节点s到节点t的最短路径的数目，为节点s到节点t的gst条最短路径中经过节点v的最短路径的数目。4最后计算出节点vi的一阶邻居节点的影响力。一阶邻居节点影响力定义为：节点vi的介数中心性值乘以该节点邻居节点的贡献概率之和。如公式5所示： 其中，Pvj表示邻居节点vj的贡献概率。3经济属性AS商业关系通常分为三种类型：1P2C、2P2P和3S2S。商业关系不仅揭示了节点在网络中的物理位置，还能洞察节点在经济和服务层面的角色。节点如果在P2C关系中拥有多个提供者，那么意味着它在网络中的地位更加稳固，对于网络的可靠性和稳定性起到了重要作用。因此需计算每个节点的提供者数量。如AS7节点的提供者数量表示为：numberPAS7＝264融合多属性计算节点重要性综合考虑k-shell中心性、邻居节点影响力和商业关系对节点的共同影响力，可以更全面、更准确地评估节点在网络中的地位和重要性。节点vi的多属性节点重要性Multi-attributeNodeImportance,MNI定义为节点全局属性、局部属性以及经济属性的加权和： 其中，a、b和c分别表示k-shell中心性、节点提供者数量关系以及一阶邻居节点影响力在整体评估中所占的权重比例。a、b、c的取值范围为0.3，2，可调整不同属性在评估节点重要性时的贡献度，确定最佳的权重组合，反映节点在不同应用场景中的实际重要性。具体来说，k-shell中心性衡量节点在全局网络中的层次位置和重要性，节点提供者关系反映了其在经济和服务层面的影响力，而一阶邻居节点的影响力则代表了其在局部网络结构中的关键作用。步骤4：时间复杂度分析对本发明提出的MNI算法进行计算时间复杂度分析，得到MNI算法时间复杂度为On2。此外分析了DC、BC、CC、KS传统方法以及考虑了经济属性的PN、MNI方法的时间复杂度。可以得出，MNI的时间复杂度并不是最低的，但其精度优于其他方法，且节点包含的网络信息要高于其他方法。因此，MNI方法不仅适用于IPv6AS级网络，还适用于其他大型复杂网络。步骤5：验证该方法的有效性和准确性为了验证本发明提出的MNI方法的有效性和准确性。具体分为以下几个步骤：1首先，选用6个来自不同国家或区域的IPv6AS级真实网络进行实验，分别是：CN-TW中国台湾、BD孟加拉国、CH瑞士、AU澳大利亚、IN印度、DE德国。2有效性分析。在不同国家或区域的真实网络上进行不同方法的对比试验。选用度中心性DC、介数中心性BC、接近中心性CC、K-Shell分解KS、节点提供者数量PN与本发明提出的MNI方法进行对比。分析可知，仅通过DC、CC、KS、PN等方法从单一视角对节点进行重要性评估，会出现粗粒度问题，即多个节点拥有相同的评估值，导致预估结果不准确。而本发明所提出的MNI方法克服了以上方法存在的不足，它从节点的全局和局部拓扑信息两个角度出发，综合考虑自身节点KS值以及邻域节点的影响，并通过该节点拥有的提供者数量进一步提高节点重要性的区分度。3确定评估指标。将最大连通子图所占比例、网络连通分量、网络平均效率所占比例作为验证MNI方法准确性的评价标准。各评价指标如下：1最大连通子图所占比例将网络Gr中的最大连通子图的节点数与初始网络G的节点数的比值定义为最大连通子图所占的比例S。计算公式如下： 其中，表示删除R个节点后，网络的节点数。2网络连通分量网络连通分量C是Gr中所有连通子图的数量，在网络中删除节点后，原本相连的节点可能被分离成多个不相连的部分，形成独立的连通分量，这些连通分量的数量和规模可以提供关于网络结构和拓扑的信息。计算公式如下：Cr＝numberGr9其中，Gr表示删除r个节点后的网络。3网络平均效率所占比例网络平均效率是网络中所有节点对之间的最短路径长度的倒数取平均值，它衡量的是网络中信息传递的效率。初始网络的平均效率E定义为： 其中，N表示初始网络的节点数，NN-12表示初始网络中所有可能的节点对的数量，dij表示删除r个节点后最大连通子图中，节点i和节点j之间的最短路径长度。4准确性分析验证。本发明使用DC、BC、CC、KS、PN和所提出的基于多属性的节点重要性分析方法MNI分别在CN-TW、BD、CH、AU、IN和DE这六个不同区域的数据集上进行实验验证。基于这六个真实网络对六种算法的排名结果进行了比较分析。另外，从初始网络中删除一定比例的节点重要性排名靠前的节点，模拟网络受到攻击时网络规模的变化，进而评估每种算法的准确性。根据节点排名，设计了实验，从网络中一次删除一个节点，对网络进行分片，当剩余网络的最大连通子图的比例以及网络平均效率低于原始网络的20％时终止实验。5最终得出结论，在六个不同区域的IPv6AS级网络中，通过MNI方法选出的关键节点准确率更高，效果最好，即删除少量节点，可以破坏大部分网络。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于多属性融合的IPv6 AS级网络关键节点识别方法