۰.۹۱

 

۰.۰۲

 

 

 

۹-۵

 

زیاد

 

رای گیری با وزن زمان وقوع

 

۰.۹۱

 

۰.۰۲

 

 

 

 

تحلیل نتایج

با توجه به نتایج به دست آمده در آزمایش ۱ که بر روی چندین شبکه با اندازه و ساختار متفاوت انجام شده است، به وضوح می‌توان دید که روش پیشنهادی، عملکرد بهتری نسبت به روش پایه داشته است. علت این موضوع، استفاده از اطلاعات به دست آمده در زمان قبلی، در روش پیشنهادی می‌باشد، در حالی که روش پایه کار خود را با مقداردهی اولیه ساده تری آغاز کرده است. از آنجا که هر دو روش، از الگوریتم یکسانی برای تشخیص تشکل ها استفاده می‌کنند، واضح است که این برتری در روش پیشنهادی، به دلیل بکارگیری اطلاعات گذشته است.
دانلود پایان نامه - مقاله - پروژه
آزمایش دوم حالت تعمیم یافته آزمایش اول می‌باشد و در آن به جای در نظر گرفتن فقط یک برش زمانی، به عنوان گذشته شبکه، از تعداد بیشتری استفاده شده است. همانطور که نتایج نشان می‌دهند، حتی با شروع از شبکه ای که به دلیل حذف و اضافه گره ها و یال های متعدد، دچار تغییرات زیادی نسبت به شبکه نهایی شده است، در نهایت اطلاعات مفیدی وجود خواهند داشت که بتوانند به تشخیص بهتر تشکل ها توسط الگوریتم کمک کنند.
در آزمایش سوم، نتایج نشان می‌دهند که روش پیشنهادی می‌تواند قابلیت خود را در طول زمان حفظ کند و حتی با وجود تغییراتی که در طول زمان بر روی شبکه اتفاق افتاده اند، همچنان اطلاعات گذشته را به طور موثری در عملکرد خود، مورد استفاده قرار دهد.
آزمایش چهارم میزان قابل اطمینان بودن اطلاعات گذشته را در صورتی که دو شبکه متوالی دارای درجه های مختلفی از تشابه با یکدیگر باشند، نمایش می‌دهد. حتی در صورتی که اختلاف دو شبکه بسیار زیاد باشد، الگوریتم پیشنهادی همچنان بهتر از حالتی عمل می‌کند که هیچ اطلاعاتی در دست نباشد.
در آزمایش پنجم، همانطور که از نتایج استنباط می‌شود، روش انتخاب اطلاعات از حافظه، عمدتا به میزان و شدت تغییرات شبکه در طول زمان بستگی دارد. دلیل این مسئله را می‌توان اینطور بیان کرد که اطلاعاتی که در گذشته دورتری وارد حافظه شده اند، به علت تغییرات مداومی که در شبکه اتفاق می‌افتند، از اعتبار کمتری نسبت به اطلاعات جدیدتر برخوردار هستند. از سوی دیگر، اگر تنها به گذشته نزدیک اکتفا شود، در صورتی که تغییرات در شبکه شدید نباشد، بخشی از اطلاعات مفید موجود در نظر گرفته نخواهد شد، در صورتی که می‌توان با بهره گیری از این اطلاعات در زمان کمتری به تشخیص مشابهی رسید.

تحلیل پیچیدگی زمانی

با فرض اینکه برای تحلیل هر برش زمانی، از الگوریتم SLPA استفاده کنیم، بر اساس مطالبی که در تحلیل پیچیدگی زمانی این الگوریتم در فصل قبل گفته شد، پیچیدگی زمانی الگوریتم پیشنهادی، خطی خواهد بود. البته با توجه به تحلیل پیچیدگی زمانی در الگوریتم پیشنهادی برای روش بهبود یافته انتشار برچسب، به دلیل استفاده از اطلاعات گذشته برای مقداردهی اولیه الگوریتم، زمان اجرای بهتری نسبت به حالت تحلیل ایستا به دست خواهد آمد. نتایج آزمایش ها این مسئله را به وضوح نشان می‌دهند.
فصل پنجم

فصل پنجم: بحث و نتیجه گیری

در این فصل، به اختصار به جمع بندی مطالب ارائه شده در بخش های قبلی پرداخته شده است. همچنین موضوعات و پیشنهادهایی برای کار در این حوزه به علاقه مندان ارائه گردیده است.

نتیجه گیری

در سال های اخیر، با رشد فناوری های ارتباطی از قبیل: شبکه های اجتماعی مجازی، پست الکترونیک، پیامک، و تلفن های همراه، شبکه های پیرامون ما رشد و توسعه سریع تری یافته اند. این شبکه ها بسیار بزرگ بوده و ممکن است شامل میلیاردها گره باشند. تحلیل این شبکه می‌تواند اطلاعات مفیدی را با کاربردهای متنوع در حوزه های مختلف از جمله: ارتباطات، اقتصاد، سیاست، امنیت و غیره ارائه دهد.
در این پایان نامه، ابتدا به بیان مفاهیم و تعاریف اولیه شبکه ها پرداخته شد و در ادامه موضوع تشخیص تشکل ها که یکی از زمینه های کاربردی در تحلیل شبکه ها می‌باشد، معرفی گردید. سپس روش های مطرح در این حوزه به صورت دسته بندی شده ارائه شد و مهم ترین الگوریتم های موجود، پس از انجام آزمایش هایی بر روی مجموعه داده های معتبر، با معیارهای ارزیابی مختلف مورد مقایسه قرار گرفت. در قدم بعدی، روش انتشار برچسب که در حال حاضر یکی از بهترین الگوریتم های موجود است، مورد بررسی بیشتر قرار گرفت و یک روش پیشنهادی برای بهبود کارایی آن ارائه شد و با ارائه نتایج آزمایش ها و تحلیل آنها این موضوع مشخص گردید. همچنین یک روش پیشنهادی دیگر نیز برای تشخیص تشکل ها در شبکه های پویا عنوان شد که از ماهیت شبکه های پویا و یادآوری اطلاعات گذشته، برای افزایش کارامدی خود بهره می‌گرفت. همچنین آزمایش هایی برای اثبات درستی این ادعا انجام شد و نتایج آن ارائه گردید.

پیشنهاد ها برای کارهای آینده

با توجه به اینکه موضوع شبکه و کاربردهای آن بسیار وسیع است، همواره عرصه های زیادی برای پژوهش در آن به چشم می‌خورد. در اینجا به برخی از این موضوعات اشاره می‌شود:

 

 

  • ارائه راهکارهای بهینه برای ذخیره سازی اطلاعات به دست آمده در طول زمان در شبکه های پویا.

 

 

 

  • ارائه روش ها و استراتژی های مناسب برای بکارگیری اطلاعات گذشته در تحلیل زمان فعلی در شبکه های پویا.

 

 

 

  • پیشنهاد معیارهای ارزیابی جدید که امکان مطالعه و مقایسه الگوریتم های مختلف را در حوزه تحلیل شبکه های پویا افزایش دهند. از جمله: معیارهای در سطح گره و در سطح کلی شبکه.

 

 

 

  • طراحی ساختارهای داده و پیاده سازی های بهینه برای الگوریتم های موجود، با بهره گرفتن از دانش مهندسی نرم افزار.

 

 

 

  • تولید چارچوب های[۱۰۱] نرم افزاری قابل توسعه، برای تسهیل استفاده از الگوریتم های موجود.

 

 

 

  • پیاده سازی الگوریتم های موجود، بر روی سخت افزارهای خاص منظوره، برای افزایش کارایی در عمل.

 

 

 

  • جمع آوری مجموعه داده های واقعی و مناسب برای انجام آزمایش ها در زمینه شبکه ها.

 

 

 

  • طراحی الگوریتم هایی برای تولید مجموعه داده های مصنوعی برای شبکه های پویا.

 

 

 

  • استفاده از الگوریتم های تشخیص تشکل، به عنوان مقدمه ای برای تحلیل های پیچیده تر بر روی شبکه. از جمله: تشخیص رفتارهای غیر طبیعی، اعضای تاثیرگذار و غیره.

 

 

 

  • استفاده از الگوریتم های طراحی شده در کاربردهای مختلف دنیای واقعی. ازجمله: شبکه های اجتماعی، ارتباطات دیجیتال، دسته بندی اطلاعات و غیره.

 

 

 

منابع و مآخذ

 

۱. The Sequence of the Human Genome. al., J. C. Venter et. s.l. : Science, 2001, Vol. 291.

۲. Ronfeldt, J. Arquilla and D. Networks and Netwars: The Future of Terror, Crime, and Militancy. Santa Monica, CA : s.n., 2001.
۳. Seasonal transmission potential and activity peaks of the new influenza A(H1N1): a Monte Carlo likelihood analysis based on human mobility. D. Balcan, H. Hu, B. Goncalves, P. Bajardi, C. Poletto, J. J. Ramasco, D. Paolotti, N. Perra, M. Tizzoni, W. Van den Broeck, V. Colizza, and A. Vespignani. s.l. : BMC Medicine, 2009, Vol. 7.
۴. Understanding the spreading patterns of mobile phone viruses. P. Wang, M. Gonzalez, C. A. Hidalgo, and A.-L. Barabási. s.l. : Science, 2009, Vol. 324.
۵. Mining Face-to-Face Interaction Networks using Sociometric Badges: Predicting Productivity in an IT Configuration Task. L. Wu, B. N. Waber, S. Aral, E. Brynjolfsson, and A. Pentland. s.l. : http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1130251.
۶. Community detection in graphs. Fortunato, S. s.l. : PHYSICS REPORTS, 2010, Vol. 486.
۷. [Online] http://en.wikipedia.org/wiki/Graph_theory.
۸. Barabási, A.-L. Network Science. ۲۰۱۲.
۹. Overlapping Community Detection in Networks: the State of the Art and Comparative Study. J. Xie, S. Kelley and B. K. Szymanski. s.l. : ACM Computing Surveys, 2013.
۱۰. Uncovering the overlapping community structure of complex networks in nature and society. Palla, G., Der´enyi, I., Farkas, I., and Vicsek, T. ۲۰۰۵, Nature.
۱۱. Weighted network modules. Farkas, I., ´Abel, D., Palla, G., and Vicsek, T. s.l. : New J. Phys., 2007, Vol. 180.
۱۲. Link communities reveal multiscale complexity in networks. Ahn, Y.-Y., Bagrow, J. P., and Lehmann, S. s.l. : Nature, 2010, Vol. 466.
۱۳. Line graphs of weighted networks for overlapping communities. Evans, T. and Lambiotte, R. s.l. : Eur. Phys. J., 2010, Vol. 256.
۱۴. Detecting the overlapping and hierarchical community structure of complex networks. Lancichinetti, A., Fortunato, S., and Kert´esz, J. ۲۰۰۹. Phys.
۱۵. Finding communities by clustering a graph into overlapping subgraphs. Baumes, J., Goldberg, M., Krishnamoorthy, M., Magdon-Ismail, M., and Preston, N. ۲۰۰۵. IADIS.

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...