改进的基于核心图增量聚类的复杂网络社团检测算法

本文探讨了一种新颖的基于扩散替代的灰度图像无损加密算法，发表在《山西大学学报（自然科学版）》上。该研究论文聚焦于复杂网络领域的信息安全问题，针对的是如何提高网络社团划分的效率和效果。作者亓慧提出了一个改进的算法，以核心图增量聚类为基础，通过设置节点度阈值来筛选关键节点，构建核心子图，然后利用GN算法（可能是Graph Neural Network，一种图神经网络算法）来确定社团框架。 核心图增量聚类算法在初始阶段，通过计算节点的度（连接其他节点的数量）来识别网络中的核心节点。这些核心节点在网络中扮演着中心角色，对于维护网络结构至关重要。然而，作者发现当度阈值设定不当时，可能会导致核心子图无法清晰地反映出整个网络的社团结构，从而影响社团划分的准确性和效率。 为解决这个问题，作者设计了一种启发式算法，不再仅依赖单一的度阈值，而是逐步根据节点的度属性来生成社团框架。这种方法不仅考虑了节点的中心性，还考虑了节点之间的相似度，旨在更精确地划分社团。在算法改进后，作者通过实证测试验证了其在真实网络数据集上的高效性能，证明了改进算法在复杂网络社团检测中的优越性。 论文的关键点包括复杂网络分析、社团摘要、相似度计算、社团挖掘以及社团框架的构建。研究者们关注的是如何通过优化算法来提高网络社区结构的理解和保护，这对于网络安全和数据分析具有重要意义。该研究成果为后续的网络分析和加密技术提供了新的视角和方法，有助于推动相关领域的发展。