استفاده از روشهای یادگیری ماشین برای دسته بندی گره های مهم

در مواجهه با یک شبکه پیچیده جهت آلوده سازی یا ایمن سازی ،آن سوال مهمی که میتواند مطرح شود این است که کدام گره ها در شبکه اهمیت بالایی دارند به طوری که با حذف یا ایمن سازی ،آنها شبکه ایمن گردد. در طول سالیان گذشته شناسایی گره های مهم در بحث اسپریدر توجهات زیادی را به خود جذب کرده است. در این مقاله یک فریمورک بر مبنای روشهای یادگیری ماشین مانند شبکه عصبی، بیزین درخت تصمیم جنگل تصادفی و KNN برای دسته بندی و شناسایی گره های مهم ارائه شده است. روش پیشنهادی بر مبنای یادگیری ماشین از متدهای مرکزیت موجود مانند نزدیکی بینابینی و غیره و همچنین تعدادی از پارامترهای شبکه مالتی پلکس مانند ضریب مشارکت مالتی پلکس و یک معیار پیشنهادی برای نمایش تعداد همسایه های متفاوت یک گره در لایه های مختلف به عنوان ویژگیهای ورودی برای روشهای یادگیری ماشین استفاده کند. برچسب یا مقدار کلاس هر گره با بکارگیری مدل انتشار SIR محاسبه میگردد. در انتها روش پیشنهادی برای شناسایی گره های مهم در شبکه های مالتی پلکس چندلایه بر روی مجموعه داده های دنیای واقعیاعمال شده و نتایج به دست آمده نشان از دقت بالای روش دارد

کلیدواژه ها:

اندازه شیوع ، شبکه مالتی پلکس ، گره های مهم ، یادگیری ماشین