.png){kind=icon}
返回
Security-centric node identification in complex networks
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-00360-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在复杂和动态的环境中确保网络安全已成为一个关键挑战，这主要源于物联网（IoT）设备的日益普及以及雾计算等去中心化架构的兴起。传统的节点识别方法主要分别关注网络中心性度量或安全指标，这限制了其在检测安全关键节点方面的有效性。在本文中，我们提出了一种新颖的以安全为中心的节点识别方法，该方法将多种中心性度量与安全相关指标及动态因素相结合，以计算每个节点的综合安全中心性（SC）。与常规方法不同，我们的方法通过整合度中心性、中介中心性、紧密中心性和特征向量中心性，同时考虑实时安全风险评估和动态网络条件，来兼顾结构重要性和安全漏洞。为此，我们开发了一个数学模型来计算SC，引入了高效的识别关键节点的算法，并实现了一种增量更新机制以增强实时网络的适应性。我们在各种网络拓扑结构（包括随机网络、无标度网络、小世界网络和真实世界网络）上的实验评估表明，所提出的方法能够以高检测精度有效地识别安全关键节点，同时保持较低的误报率。结果表明，纳入动态因素显著提高了节点识别的鲁棒性，使我们的方法能够高度适应真实世界的网络安全场景。
Keyword:
Security centrality
Critical nodes
Dynamic factors
Node importance
Network centrality
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
Echoes of Fingertip: Unveiling POS Terminal Passwords Through Wi-Fi Beamforming Feedback指尖回声：通过Wi-Fi波束成形反馈揭示POS终端密码
PREAI
分享收藏Deep Transfer Learning for City-scale Cellular Traffic Generation through Urban Knowledge Graph
PREAI
分享收藏PHEE: Identifying influential nodes in social networks with a phased evaluation-enhanced search.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Service Function Chain Orchestration Across Multiple Domains: A Full Mesh Aggregation Approach跨多个域的服务功能链编排: 全网状聚合方法
PREAI
分享收藏分享收藏Graph K-means Based on Leader Identification, Dynamic Game, and Opinion Dynamics基于领导者识别、动态博弈和意见动态的k-means图
PREAI
分享收藏
查看更多内容