摘要：针对当前电信网中如何有效刻画含权网络的真实特征,完善和发展相关复杂网络模型的难题,特别是对通信社区检测结果层次结构不清晰及运算复杂度高的问题,从复杂网络特征分析入手,设计了一种新的通信社区检测算法。该算法基于通信强度排序方法实现通信社区的有效检出,基于通信密度分布生成高分辨率层次嵌套树,通过距离矢量修剪嵌套树,实现社区稳定检测和层次结构分析同时降低计算复杂度。该算法使用真实网络数据进行了有效验证。

摘要：为了解决数据流聚类算法中有效处理离群点这一关键问题,改进了基于密度的数据流聚类算法,在DenStream算法基础上提出了具有双检测时间策略DDTS(double detection time strategy)的基于密度的数据流聚类算法。该策略在数据流流速波动的情况下,结合时间与流数据数量两方面因素对微簇进行测试。通过在线动态维护和删减微簇,保存可能升级的离群点来改善聚类效果。实验结果表明,改进算法具有良好的适用性和有效性,能够取得较高的聚类质量。

摘要：针对分布式数据流中数据有交叠、不完整的情况和聚类需要较低通信代价的要求,提出了密度和模型聚类思想相结合的分布式数据流聚类算法DAM-Distream。该算法利用混合高斯模型描述数据流的分布概况,可以有效压缩数据量并能较好的反映分布数据流间的交叠性。由于获得模型参数的EM算法对初值敏感,应用Hoeffding界理论和基于密度的算法对数据流进行初聚类,得到比较准确的初始参数,最后采用合并近似模型策略获得全局模型。仿真实验结果表明,DAM-Distream能有效克服EM算法的缺点,获得的模型参数性能更优,在降低系统的通信代价的同时能提高分布式环境下数据流的聚类质量。

摘要：为了预测微博消息的传播时间,提出了一种基于RBF神经网络的微博消息传播时间预测方法。该方法定义了微博消息的传播时间,提取出微博网络中的用户特征和内容特征,利用RBF神经网络训练特征同传播时间之间的复杂关系,建立预测模型。通过对新浪微博数据的实验结果表明,该方法有效可行,并且预测精度高,训练速度快。

摘要：针对全局社区发现方法计算复杂度过高,而局部社区发现方法社区发现质量偏低的不足,提出了一种快速有效的社区划分算法。算法预先探测网络中属于不同社区的核心节点,利用基于相似性传递的节点相似性度量方法度量核心节点与网络中其他节点之间的相似性,根据相似性度量结果对网络进行社区结构划分。在采自人人网的数据和公共的网络数据上进行了实验,并与经典算法进行比较,实验结果表明了该算法的可行性和有效性。

摘要：利用社会网络分析去解决电信网中的用户行为预测问题,把用户行为预测转换为社区挖掘和社区内用户行为预测2个步骤。之后,利用改进的凝聚层次聚类算法实现了电信网中用户的社区挖掘,通过对社区内的邻近度进行排序,设计了社区内用户行为的预测算法。仿真实验结果表明,该算法能够有效的预测出指定社区中的用户行为。

摘要：尽管Internet技术发展迅速,但在体系架构上一直存在着移动性差、安全性低和缺乏扩展性等结构性缺陷。构建理想的命名体系是解决Internet现有体系结构性问题的重要途径,是下一代网络体系架构研究的热点。文章对LNAI主张的命名设计原则和理想的Internet命名体系进行了深入分析并进行了形式化建模,有助于深刻理解Internet现有体系结构中存在的问题,为开展下一代互联网络体系结构研究提供基础。

摘要：通过对理想化分组交换网络功能的形式化描述,说明了互联网在QoS保证方面存在的不足,分析了互联网对交互式实时业务无法提供服务质量保证的原因,为支持服务质量保证功能,从体系结构角度提出并论证了理想化分组交换网络体系结构应创设的两个新的设计原则。