基于GPU加速的社区检测与WSNs隐私保护数据收集方案
1. 社区检测基础概念与NCBI算法提出
在社区检测中,Outer Ratio必须大于0,因为InnerRatio和OuterRatio均为正数。为了控制社区检测的规模,给出以下两个定义:
- MinCommunityScale :社区中的最小节点数,应等于或大于4。
- MaxCommunityScale :社区中的最大节点数,应小于网络节点总数。设置合理的社区规模可以提高检测速度。
定理1指出,假设C是节点和边结构的组合,如果该结构的Inner Outer Ratio等于或大于1,则C为社区结构,且该值越大越好。证明如下:当Inner Outer Ratio >= 1时,意味着InnerRatio > OuterRatio,表明社区内部的连接比外部更紧密。IOR值越大,社区结构越强大,内部连接越多。通过简单的比率公式,将一般的社区定义与数学公式巧妙结合。从IOR的计算过程来看,该社区度量实用且适合并行计算,能充分利用GPU性能。
为了进行社区检测,提出了Neighbor Compare Bidirectional Iteration (NCBI) 算法,其设计要点有两个:
1. 在检测社区之前比较邻居节点的数量。
2. 检测方向包括添加和移除。通过邻居比较初始化,在开始时就能检测出最可能的社区,而非随机搜索。与单向迭代相比,双向迭代提高了准确性和搜索范围。
实际上,最准确的检测算法是基于组合的完全搜索算法,它可以覆盖所有情况。但即使节点数量不多,节点组合的数量也可能非常庞大。
超级会员免费看
订阅专栏 解锁全文

被折叠的 条评论
为什么被折叠?



