استفاده از روش هاي يادگيري ماشين براي دسته بندي گره هاي مهم

در مواجهه با يك شبكه پيچيده جهت آلوده سازي يا ايمن سازي آن، سوال مهمي كه مي تواند مطرح شود، اين است كه كدام گره ها در شبكه اهميت بالايي دارند، به طوري كه با حذف يا ايمن سازي آن ها، شبكه ايمن گردد. در طول ساليان گذشته، شناسايي گره هاي مهم در بحث اسپريدر، توجهات زيادي را به خود جذب كرده است. در اين مقاله يك فريم ورك بر مبناي روش هاي يادگيري ماشين مانند شبكه عصبي، بيزين، درخت تصميم، جنگل تصادفي و KNN براي دسته بندي و شناسايي گره هاي مهم ارائه شده است. روش پيشنهادي بر مبناي يادگيري ماشين از متدهاي مركزيت موجود مانند نزديكي، بينابيني و غيره و همچنين تعدادي از پارامترهاي شبكه مالتي پلكس مانند ضريب مشاركت مالتي پلكس و يك معيار پيشنهادي براي نمايش تعداد همسايه هاي متفاوت يك گره در لايه هاي مختلف، به عنوان ويژگي هاي ورودي براي روش هاي يادگيري ماشين استفاده مي كند. برچسب يا مقدار كلاس هر گره با بكارگيري مدل انتشار SIR محاسبه مي گردد. در انتها، روش پيشنهادي براي شناسايي گره هاي مهم در شبكه هاي مالتي پلكس چندلايه بر روي مجموعه داده هاي دنياي واقعي اعمال شده و نتايج به دست آمده نشان از دقت بالاي روش دارد.