استفاده از روش های یادگیری ماشین برای دسته بندی گره های مهم

در مواجهه با یک شبکه پیچیده جهت آلوده سازی یا ایمن سازی آن، سوال مهمی که می تواند مطرح شود، این است که کدام گره ها در شبکه اهمیت بالایی دارند، به طوری که با حذف یا ایمن سازی آن ها، 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 فریم ورک بر مبنای روش های 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 ویژگی های ورودی برای روش های یادگیری ماشین استفاده می کند. برچسب یا مقدار کلاس هر گره با بکارگیری مدل انتشار sir محاسبه می گردد. در انتها، روش پیشنهادی برای شناسایی گره های مهم در شبکه های مالتی پلکس چندلایه بر روی مجموعه داده های دنیای واقعی اعمال شده و نتایج به دست آمده نشان از دقت بالای روش دارد.