基于GABP算法的计算机复杂网络可靠性评估方法研究.docVIP

基于GABP算法的计算机复杂网络可靠性评估方法研究 　　1 复杂网络及其安全性分析 　　复杂网络是 20 世纪兴起的复杂系统研究的一个分支领域，近来关于复杂网络的研究已经涉及到计算机、社会学以及经济学等各个领域。虽然复杂网络目前还没有精确的定义，但因为复杂网络子系统的各个组成部分之间都具备一定的关联性，所以从图论的观点来看，可以将复杂网络看作是一个由点集 V(G)和边集 E(G)构成的一个图 G(V,E)。多数的复杂网络都有如下特征：(1)统计性。复杂网络的节点个数都很多，大规模性的网络行为一般都具有统计特性。(2)稀疏性。具有 M 个节点的网络连接数目的复杂度为O(M2)，但实际上网络的连接数目通常为 O(M)。(3)时空演化的复杂性。复杂网络会随着时间和空间的推移而进行演化，而且这种演化行为表现出一定的复杂性。 　　衡量复杂网络有不同的指标，分别是平均路径长度、聚类系数和连通度分布。假设复杂网络中任意两个节点的距离指的是这两个节点间最短路径所包含的向量边的数目，那么平均路径长度(average dis-tance) 就可以理解成复杂网络中所有节点的距离的平均值，它反映了复杂网络节点之间的通信链路的长短。假设复杂网络内一个节点 n 连接到其他 m 个节点存在的最大向量边为 t，而且这 m 个节点间存在的向量边为 e，那么节点 n 的聚类系数(cluster coeffi-cient)可以理解为 e 与 t 的比值。复杂网络的聚类系数是所有节点的聚类系数之和，与节点总数的比值。复杂网络中一个节点的连通度指的是和此节点相连的向量边的数目;假设从复杂网络中任意选择一个节点，连通度为 k 的概率为 P，那么函数 P(k)就是复杂网络的连通度分布。 　　复杂网络的安全域并不是完全独立的，而是存在一定的包含或交叉关系。 　　2 GABP 算法的引入 　　神经网络技术应用以来，在复杂性系统的研究中起着越来越重要的作用，BP 神经网络是使用最广泛的一种神经网络技术，主要包括输入层、输出层和若干隐含层。基于图论观点的复杂网络可以看作是多维节点到多维节点的映射，而这种映射关系都可以用一个三层的 BP 网络来实现。 　　BP 神经网络技术是一种监督式的学习算法，它梯度有哪些信誉好的足球投注网站已知的学习样本，并计算复杂网络的实际输出值和期望输出值的关系，当这两个输出值的均方误差最小时得到最优解。在实际计算时，输入数据由输入层流向隐含层，并经其处理后输出到输出层，每一个层次的神经元只会影响下一层次神经元的状态;如果数据无法输出到输出层，即当输出层无法得到期望输出时，数据就会经由原来的连接通路反向传播，并修改经过的各个神经元的权重，直到误差达到最小值。BP 神经网络技术的这种数据处理能力可以对复杂网络的信息模糊以及认知判断等问题进行处理，是当前使用最广的神经网络平均模型。 　　3 计算机复杂网络可靠性的评估指标 　　复杂网络的可靠性面临着各种各样的威胁，要确定计算机复杂网络可靠性的评估指标，首先需要总结影响计算机复杂网络可靠性的各种因素。计算机复杂网络的可靠性一般受到响应时间、网络的并发负载以及吞吐量的影响。吞吐量对一个复杂网络而言一般是固定的，变化的是网络的并发负载量。复杂网络的响应时间可以根据吞吐量和并发复杂量进行预测。 　　除了上述因素外，影响计算机复杂网络可靠性的因素很多，要建立复杂网络可靠性的评估方法需要考虑各种因素，一般需要遵循的原则如下：(1)独立性原则。复杂网络可靠性的评估指标间可能具有一定的相关性，在设计评估指标时要尽可能降低这种关联性;从而使每个评估指标都可以准确地反映计算机复杂网络的可靠性情况。(2)精简准确性原则。复杂网络的评估指标要能反映其可靠性，所以指标设计上应该简明扼要，而且清晰明了，这样才能精确地进行复杂网络可靠性的评估。(3)完备性原则。复杂网络可靠性的评估指标在设计上要能够完整而又有效地反映整个计算机网络的可靠性特征。指标评估体系可以全面地反映计算机复杂网络的可靠性特征，所以如何科学地建立指标评估体系就是重中之重。目前并没有一种放之四海皆准的建立复杂网络可靠性指标评估体系的方法，德尔菲方法因为可以概率估算大量非技术性的无法定量分析的要素而得到广泛应用。 　　4 基于 GABP 算法的计算机复杂网络可靠性评估方法 　　对计算机复杂网络进行可靠性评估的目的是实现计算机复杂网络的可靠性监测。可靠性评估需要输入、运算以及输出 3 个主要组成部分。数据输入确定初始的评估指标，并构成初始的评估指标集合;接下来根据评估指标集合形成数据采集系统;数据处理对复杂网络的相关数据进行均值比、常量乘除以及标准化等预处理。运算模块可以完成评估指标分析和评估模型