基于BP模型的KAD网络核心节点识别算法研究

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (7): 72-75.

基于BP模型的KAD网络核心节点识别算法研究

王建1，2，冯伟森1，邱兴超1，刘继1，卢林1

1.四川大学计算机学院，成都 610041
2.四川大学锦城学院计算机科学与软件工程系，成都 611731

出版日期:2013-04-01 发布日期:2013-04-15

Study of recognition algorithm for core node in kad network based on BP model

WANG Jian1，2, FENG Weisen1, QIU Xingchao1, LIU Ji1, LU Lin1

1.College of Computer, Sichuan University, Chengdu 610041, China
2.Department of Computer Science and Software Engineering, Jincheng College of Sichuan University, Chengdu 611731, China

Online:2013-04-01 Published:2013-04-15

摘要/Abstract

摘要： 针对在KAD网络中核心节点的识别问题，提出了一种基于BP模型对节点重要程度进行实时判定的方法。结合KAD网络测量的结果，对网络中核心节点的属性特征进行提取和归一化处理，获得了一组可分离度较高特征集合。采用MatLab设计相应的学习算法对BP网络进行训练，使结果收敛于预定误差区间。将完成训练的BP网络模型应用于对测试节点的判定，实验结果表明该方法可以实时地完成核心节点的判定，并且识别准确率可达到约70%。

关键词: 反向传播算法, KAD网络, 核心节点, 识别

Abstract: In view of the core node recognition in the KAD（Kademlia）, a model based on BP is presented to determine whether a node is core node in real time. According to the result of the measurement for KAD, some attribute characteristics extraction and normalization processing is implemented to obtain an attribute set with higher separable degree. An algorithm in MatLab is designed to train the BP network until the results limit in a predetermined error range. In addition, the trained BP model is adapt to test prepared data, the results of the experiment show that the method can judge a node degrees of importance, and the recognition accuracy rate is up to about 70%.

Key words: Back-Prorogation（BP）, KAD network, core node, recognition

王建1，2，冯伟森1，邱兴超1，刘继1，卢林1. 基于BP模型的KAD网络核心节点识别算法研究[J]. 计算机工程与应用, 2013, 49(7): 72-75.

WANG Jian1，2, FENG Weisen1, QIU Xingchao1, LIU Ji1, LU Lin1. Study of recognition algorithm for core node in kad network based on BP model[J]. Computer Engineering and Applications, 2013, 49(7): 72-75.

[1]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[2]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[3]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[4]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[5]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[6]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[7]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[8]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[9]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[10]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[11]	韦佶宏，郑荣锋，刘嘉勇. 基于混合神经网络的恶意TLS流量识别研究[J]. 计算机工程与应用, 2021, 57(7): 107-114.
[12]	杨倩，顾磊. 基于去噪字词联合模型的中文命名实体识别[J]. 计算机工程与应用, 2021, 57(7): 151-157.
[13]	万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型[J]. 计算机工程与应用, 2021, 57(6): 124-130.
[14]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[15]	刘畅，邱卫根，张立臣. 基于可变形掩膜对齐卷积模型的行人再识别[J]. 计算机工程与应用, 2021, 57(5): 146-152.