آمار
| تعداد نشریات | 36 |
| تعداد شماره‌ها | 1,192 |
| تعداد مقالات | 8,579 |
| تعداد مشاهده مقاله | 6,988,789 |
| تعداد دریافت فایل اصل مقاله | 4,032,647 |
ارائه روشی برای یافتن عامل های پرنفوذ در انتشار اطلاعات در شبکه های اجتماعی مبتنی بر نظریه آنتروپی | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 1، دوره 6، شماره 2 - شماره پیاپی 22، مرداد 1397، صفحه 1-10 اصل مقاله (1.13 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| مجید غیوری ثالث* ؛ غلامرضا بازدار؛ ابوالفضل سرکرده یی | ||
| دانشگاه جامع امام حسین(ع) | ||
| تاریخ دریافت: 22 تیر 1395، تاریخ بازنگری: 30 بهمن 1397، تاریخ پذیرش: 28 شهریور 1397 | ||
| چکیده | ||
| در حملات شناختی سایبری موضوع تحلیل انتشار اطلاعات در شبکه‌های اجتماعی برخط بسیار حائز اهمیت است که یکی از شاخه-های اصلی در تحلیل انتشار اطلاعات یافتن عامل‌های پرنفوذ می‌باشد. در بازاریابی ویروسی نیز تحت عنوان یافتن موثرترین عامل‌ها مطرح می‌شود. در این مقاله ضمن معرفی و محاسبه دو نوع عامل پر اهمیت در انتشار اطلاعات (عامل‌های مرجع و فعال)، روشی برای یافتن این دودسته عامل‌های پراهمیت در انتشار اطلاعات در شبکه‌های اجتماعی برخط مبتنی بر نظریه آنتروپی ارائه و پیاده‌سازی شده است. روش پیشنهادی در این مقاله مبتنی است بر ارزیابی آنتروپی گراف شبکه اجتماعی برخط حاصل از انتشار اطلاعات با حذف مجموعه پرتاثیرترین عامل‌ها که بر اساس معیار درجه گره و معیار آنتروپی گره اندازه‌گیری شده است. آزمایش‌های این مقاله نشان می‌دهد که الگوریتم پیشنهادی نسبت به روش‌های قبلی، توانایی بیشتری در شناسایی مجموعه گره‌های پرنفوذ دارد، به‌طوری‌که مجموعه باقیمانده گره‌ها از همگنی قابل تنظیمی در معیار نفوذ برخوردار می‌شوند و همچنین معیاری را جهت مشخص نمودن تعداد گره‌های شاخص ارائه می‌کند. | ||
تازه های تحقیق | ||
- | ||
| کلیدواژه‌ها | ||
| تحلیل شبکه های اجتماعی؛ انتشار شایعه؛ تشخیص گره های پرنفوذ؛ نظریه آنتروپی | ||
| عنوان مقاله [English] | ||
| Introduction of the Entropy-Based Method for Finding Influential Nodes in Information Dissemination on Online Social Networks | ||
| نویسندگان [English] | ||
| Majid Ghayoori Sales؛ Gholamreza Bazdar؛ Abolfazl Sarkardeh | ||
| چکیده [English] | ||
| A complete reverse engineering (or blind identification) in an electronic battlefield determines the information conveyed by a received signal. Most of the research in the field of blind signal identification is around one-way and non-network communications in which the goal is to determine the information transmitted by a single transmitter. The first step of signal identification in communications networks is to determine the number of active users. In this paper, estimation of the number of users in a time-division multiple access (TDMA) network is considered. In order to estimate the number of users, a physical layer analysis can be applied to the received electromagnetic signals. However, due to some difficulties such as hardware limitations or closeness of active users, this method cannot always be employed. In these situations, a solution is to analyze the information in the upper layers of the network. In this paper, a method is proposed to estimate the number of active users using the redundant data generated by adaptive channel coding. Simulation results show that the proposed method is quite resistant against channel errors. In fact, the accuracy of the proposed method for signal to noise ratio of 7.3 dB is around 80%. | ||
| کلیدواژه‌ها [English] | ||
| Blind Estimation Of Number Of Users, TDMA Networks, Adaptive Channel Coding, Machine Learning | ||
| اصل مقاله | ||
|
- | ||
| مراجع | ||
[1] Gh. Bazdar, and H. Lashgarian, “Cyber Cognitive Warfare Recognition Based on Cognitive Science”, 2nd National Conference on Cyber ِefence, Emam Hossein University, Tehran, 2013. )In Persian(.##[2] S. Vosoughi, “Automatic Detection and Verification of Rumors on Twitter,” no. 2008, pp. 1–147, 2015.## [3] D. Kempe, J. Kleinberg, and É. Tardos, “Influential Nodes in a Diffusion Model for Social Networks,” Autom. Lang. Program., vol. 3580, pp. 1127–1138, 2005.## [4] C. Aggarwal, S. Lin, and P. S. Yu, “On Influential Node Discovery in Dynamic Social Networks.”## [5] J. Shetty and J. Adibi, “Discovering Important Nodes through Graph Entropy: The Case of Enron Email Database,” Proc. 3rd Int. Work. Link Discov., pp. 74–81, 2005.## [6] “Community-based Greedy Algorithm for Mining Top-K Influential Nodes in Mobile Social Networks Categories and Subject Descriptors,” pp. 1039–1048.## [7] C. E. Shannon and W. Weaver, “The Mathematical Theory of Communication,” Math. theory Commun., vol. 27, no. 4, p. 117, 1949.## [8] J. D. Cruz, C. Bothorel, and F. Poulet, Entropy based community detection in augmented social networks. 2011, pp. 163–168.## [9] E. Serin and S. Balcisoy, “Entropy Based Sensitivity Analysis and Visualization of Social Networks,” 2012 IEEE/ACM Int. Conf. Adv. Soc. Networks Anal. Min., pp. 1099–1104, 2012.## [10] N. DiFonzo and P. Bordia, Rumor Psychology: Social and Organizational Approaches, vol. x. 2007.## [11] C. Castillo, M. Mendoza, and B. Poblete, “Information credibility on twitter,” Proc. 20th Int. Conf. World wide web - WWW ’11, p. 675, 2011.## [12] J. Ratkiewicz, M. D. Conover, M. Meiss, B. Gonc, A. Flammini, and F. Menczer, “Detecting and Tracking Political Abuse in Social Media,” Artif. Intell., pp. 297–304, 2011.## [13] A. Shokrollahi, “Improving detection of influential nodes in complex networks,” 2015.## [14] Z. Zhao, X. Wang, W. Zhang, and Z. Zhu, “A Community-Based Approach to Identifying Influential Spreaders,” pp. 2228–2252, 2015.## [15] R. Narayanam, “A Shapley Value Based Approach to Discover Influential Nodes in Social Networks,” pp. 1–18.## [16] M. G. Rossi, F. D. Malliaros, and M. Vazirgiannis, “Spread It Good , Spread It Fast : Identification of Influential Nodes in Social Networks,” pp. 101–102.## [17] J. Golbeck, Analyzing the Social Web. 2013.## [18] L. Katz, “A new status index derived from sociometric analysis,” Psychometrika, vol. 18, no. 1, pp. 39–43, 1953.## [19] L. C. Freeman, “Centrality in social networks conceptual clarification,” Soc. Networks, vol. 1, no. 3, pp. 215–239, 1978.## [20] H. Yu, P. M. Kim, E. Sprecher, V. Trifonov, and M. Gerstein, “The importance of bottlenecks in protein networks: Correlation with gene essentiality and expression dynamics,” PLoS Comput. Biol., vol. 3, no. 4, pp. 713–720, 2007.## [21] P. J. Carrington and J. Scott, The SAGE Handbook of social network analysis. Introduction. 2011.## [22] R. S. Burt, Structural holes: The social structure of competition. 1995.## [23] P. Bonacich and P. Lloyd, “Eigenvector-like measures of centrality for asymmetric relations,” Soc. Networks, vol. 23, no. 3, pp. 191–201, 2001.## [24] S. Fortunato, M. Boguna, A. Flammini, and F. Menczer, “How to make the top ten: Approximating PageRank from in-degree,” Arxiv Prepr. cs/0511016, p. 8, 2005.## [25] J. Heidemann, M. Klier, and F. Probst, “Identifying key users in Online Social Networks: A PageRank Based Approach,” Proc. 31st Int. Conf. Inf. Syst., vol. 4801, no. December, pp. 1–22, 2010.## [26] W. Chen, Y. Wang, and S. Yang, “Efficient influence maximization in social networks,” Time, vol. 67, no. 1, p. 199, 2009.## [27] C. C. Aggarwal, “An Introduction to social network data analytics,” in Social Network Data Analytics, 2011, pp. 1–15.## [28] L. Lü, Y.-C. Zhang, C. H. Yeung, and T. Zhou, “Leaders in Social Networks, the Delicious Case,” PLoS One, vol. 6, no. 6, p. e21202, 2011.## [29] Q. Li, T. Zhou, L. Lü, and D. Chen, “Identifying influential spreaders by weighted LeaderRank,” Phys. A Stat. Mech. its Appl., vol. 404, pp. 47–55, 2014.## [30] M. Kitsak, L. K. Gallos, S. Havlin, F. Liljeros, L. Muchnik, H. E. Stanley, and H. a. Makse, “Identifying influential spreaders in complex networks,” Nat. Phys., vol. 6, no. 11, p. 36, 2010.## [31] D. Kempe and J. Kleinberg, “Maximizing the Spread of Influence through a Social Network,” 2003.## [32] K. Xu, Z. L. Zhang, and S. Bhattacharyya, “Internet Traffic Behavior Profiling for Network Security Monitoring,” IEEE/ACM Transactions on Networking, 2008.## [33] M. De Domenico, A. Lima, P. Mougel, and M. Musolesi, “The anatomy of a scientific rumor.,” Sci. Rep., vol. 3, p. 2980, 2013.## | ||
|
آمار تعداد مشاهده مقاله: 1,118 تعداد دریافت فایل اصل مقاله: 763 |
||