Loading [MathJax]/jax/element/mml/optable/SuppMathOperators.js

Search

Article

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

Data traffic capability of double-layer network based on coupling strength

Ma Jin-Long Du Chang-Feng Sui Wei Xu Xiang-Yang

Ma Jin-Long, Du Chang-Feng, Sui Wei, Xu Xiang-Yang. Data traffic capability of double-layer network based on coupling strength. Acta Phys. Sin., 2020, 69(18): 188901. doi: 10.7498/aps.69.20200181
Citation: Ma Jin-Long, Du Chang-Feng, Sui Wei, Xu Xiang-Yang. Data traffic capability of double-layer network based on coupling strength. Acta Phys. Sin., 2020, 69(18): 188901. doi: 10.7498/aps.69.20200181

Data traffic capability of double-layer network based on coupling strength

Ma Jin-Long, Du Chang-Feng, Sui Wei, Xu Xiang-Yang
Article Text (iFLYTEK Translation)
PDF
HTML
Get Citation
  • The two-layer network model offers us a new viewpoint to observe the traffic dynamics of multilayer network systems. An efficient coupling mechanism is of great importance for alleviating the traffic congestion on two-layer networks. In order to reduce the network congestion and improve network transmission performance, the coupling mechanism between two layers of network and three coupling methods, which are random coupling, disassortative coupling and assortative coupling, are studied based on degree correlation. The packet transmission process is analyzed with both the shortest path routing strategy and degree-based weight routing strategy. The influences of the coupling mode and its corresponding routing strategy on the traffic capacity of the two-layer network are studied. In this paper, two scale-free networks are used to construct the two-layer network for simulation experiments. The network scale is in a range from 200 to 2400 with the value of average degree being 8. We focus on the traffic dynamics of two-layer network, and analyze the relationship between the traffic capacity and the three coupling modes, which are random coupling, disassortative coupling and assortative coupling, under the constraints of the shortest path routing strategy and the weight-based routing strategy. According to the characteristics of the coupling connection between the two layers of network, the best coupling method which is suitable for a certain routing strategy should be investigated. The suitable coupling connection between the two layers can effectively increase the traffic capacity. Both numerical result and analytical result show that the packet generation rate, average transmission time, and average throughput can be obviously improved under the shortest path routing strategy with the disassortative coupling method. When the degree-based static weight routing strategy is used, the traffic performance parameters such as packet generation rate, average transmission time, and average throughput can reach the optimal values with the assortative coupling method. It makes the traffic flow uniform that the routing strategy is chosen with the most suitable coupling method on the two-layer network, and the network traffic capacity may be effectively enhanced. More generally, the results indicate that the coupling modes can give rise to traffic behavior that relies subtly on the routing strategy on the two-layer network. Our work may shed some light on the design and optimization of some real traffic or communication networks.
      Corresponding author: Ma Jin-Long, mzjinlong@163.com
    • Funds: Project supported by the Science and Technology Research Project of Hebei Higher Education Institutions, China (Grant No. QN2019081), the Science and Technology Research and Development Plan Project of Shijiazhuang, China (Grant No. 195790055A), and the Research Projects on Social Science Development in Hebei Province, China (Grant No. 2019041201007)

    当今信息时代, 网络无处不在, 我们的日常生活与网络息息相关. 随着日益增长的用户数量及指数级增长的数据量, 网络因数据量过载而发生拥塞的现象时有发生, 给人们带来许多不便甚至经济损失[1-3]. 在这种大数据环境的驱动下, 对复杂网络的承载能力和传输容量提出了越来越高的要求[4-6]. 以前关于复杂网络传输容量的研究, 大多关注于单层网络上的传输动力学特性[7-10]. 现实中的许多网络, 比如信息网络、交通网络、电力网络等都具有双层或多层的结构, 并且网络的不同层不是独立存在的, 而是相互影响和依赖的[11-14]. 例如Internet, World Wide Web (WWW)和Peer to Peer (P2P)网络, 应用层是由虚拟链路组成的逻辑层网络, 而实际上承担网络传输任务的是由IP层构成的物理层网络, 也就是说, 每个应用都映射在物理IP网络上, 由应用层(逻辑层)和IP层(物理层)共同决定了整个网络系统的传输容量. 与此类似, 在铁路交通网络中, 列车的起点、终点和经过的车站构成了一个逻辑层, 其运输任务映射在具体物理的铁路网络上[15]. 由于双层结构或者多层结构更能反映实际网络的拓扑特征, 所以研究多层耦合网络的动力学行为具有十分重要的现实意义. 围绕着多层耦合网络传输容量的分析与优化, 降低网络拥塞的问题, Kurant 和Thiran[15]将实际物理层结构与公共传输系统上的流量信息抽象成一个双层网络模型, 把上层看作一个交通流的逻辑层, 下层看作一个实际拓扑结构的物理层. Morris和Barthelemy[16]研究了双层网络上的信息负载问题, 随着双层网络耦合紧密, 数据包的平均传输数量逐渐下降. 传统的最短路径路由(shortest path routing, SPR)策略的优点是数据包可以最快地到达目的地, 但是容易发生拥塞, 数据包会很快拥堵在中心节点上[17,18]. Zhuo等[19]提出了一种基于静态权重的全局感知路由(global awareness routing, GAR)策略, 该策略依据物理层节点的度值来设置逻辑层边上的权重, 选择逻辑层边权重之和最小的路径传输数据包, 由于考虑了物理层的静态拓扑的中心节点信息对逻辑层路由的影响, 提高了整个网络系统的传输容量. 卓越[20]考虑物理层的队列长度对网络传输特性的影响, 把逻辑层链路的权重与其映射的物理层节点队列长度进行关联, 并按照队列长度的变化, 动态地更新链路权重, 与传统的最短路径路由策略和静态权重的全局意识路由策略相比, 进一步提高了网络的传输容量. Zhang等[21]提出了一种删除逻辑层链路策略, 通过删除节点介数大的链路重构逻辑层拓扑, 在最短路由及有效路由策略下, 传输容量都有显著提高. Zhang等[22]在静态权重路由策略的基础上做了一些改进, 根据两层的静态拓扑信息和控制参数给路由路径分配合适的权重, 与最短路由和静态权重路由算法相比, 提高了网络传输容量. Ma等[23]提出了一种基于两层节点介数的全局感知路由(improved global awareness routing, IGAR)策略, 按照介数给双层的链路赋予合适的权重, 与SPR策略和GAR策略相比, IGAR策略更能提高网络传输容量. Pu等[24]研究多层网络中的信息传输, 通过仿真得到了最优参数α对应于最大网络寿命和到达分组的最大数量, 发现分类耦合优于随机耦合和分离耦合, 实现了更好的传输性能. 对于多层耦合网络来说, 传输容量除与网络结构、路由策略和资源分配有关外, 层与层之间的耦合方式对传输容量也有很大影响. 本文将基于双层网络模型, 探究双层网络之间的耦合方式对整个网络系统传输容量的影响, 通过优化网络之间的耦合率使得网络负载分布更均匀, 以此来减少网络拥塞的发生.

    双层耦合网络依据功能的不同分为两层, 下层基础的网络叫做物理层, 上层直接对接承载业务的网络为逻辑层. 逻辑层与物理层保持相对独立, 层内节点依据网络模型的增长特性与优先连接特性进行相互连接, 两层间的节点一一对应. 上下两层按照各自的路由传输协议传送数据. 上层逻辑层数据包按照给定的路由表进行传输, 每一条逻辑边映射到物理层对应一条物理层的路由路径. 物理层为逻辑层提供稳定的网络连接, 不关心逻辑层的具体路由策略, 只根据物理层的路由表负责把数据包从对应的源节点传送到目的节点(由逻辑层映射). 如图1所示, 设定双层网络都是在既定的路由策略下传输数据. 逻辑层中节点aldl之间的传输路由路径为RPal,dl={al,bl,dl}, 对应的逻辑边为lal,bllbl,dl. 这条逻辑边映射到物理层对应的路径为{ap,ep,bp}{bp,fp,dp}. 物理层数据包从源节点到目的节点整个传输路径为RPap,dp={ap,ep,bp,fp,dp}.

    图 1 双层网络模型示意图\r\nFig. 1. Legend of the two-layer networks model
    图 1  双层网络模型示意图
    Fig. 1.  Legend of the two-layer networks model

    双层耦合网络的拓扑结构对传输动力学过程起着至关重要的作用, 对于一个给定的基本网络模型, 耦合网络拓扑结构主要取决于两层网络之间连接方式的差异[25,26]. 根据层间度度相关性, 各层之间的耦合强度可以通过斯皮尔曼等级相关系数(Spearman rank correlation coefficient)[27,28]来量化, 该系数定义为

    Pr=16Ni=0Δ2iN(N21), (1)

    其中N表示网络规模的大小, Δ2i表示上下两层间节点度的差异性, Pr系数表示网络耦合强度, Pr 的范围是[–1, 1]. 当Pr1时, 在这种情况下, 存在网络的最大负相关性, 即网络间异配耦合连接. 当所有节点被随机匹配时, 网络中的层是完全不相关的, 此时Pr0, 在这种情况下

    6Ni=0Δ2iN(N21)1. (2)

    在具有最大正相关性的双层网络中, 在各个层中具有相同等级的任何节点对都是匹配的, 即Δ2i=0, 表示任意一对匹配节点差异性最小, 因此Pr1. 根据(1)式, 在随机重新匹配后, 一对节点Δ2i=0, 那么有可能1q 和匹配后的差异Δi都有可能为q, 那么(1)式可以改写为

    Pr=16qNi=0Δ2iN(N21). (3)

    结合(2)式和(3)式可以得到重新匹配后的耦合强度系数:

    Pr1q. (4)

    1)同配耦合(assortative coupling, AC), 即正相关连接. 上层逻辑层与下层物理层中节点按照度值大小连接, 如果存在度相同的点则随机排序, 按照LiPi依次建立双层耦合网络之间内部一对一的耦合连接, 逻辑层和物理层中度值从大到小排序, 逻辑层中度大的节点连接物理层中度大的节点, 度小的节点连接度小的节点, 构成两个网络节点一对一的对应方式.

    2)异配耦合(disassortative coupling, DC), 即负相关连接. 与AC方式相反, DC方式中逻辑层按照度值从大到小排序, 物理层按照度值从小到大排序, 如果存在度值相同的节点, 则对它们随机排序. 按LiPj(j=Ni+1)的方式建立耦合网络层间一对一的连接, 即逻辑层中度大的节点与物理层中度小的节点相连接, 并构成两个网络节点间一对一的对应方式.

    3)随机耦合(random coupling, RC), 即不相关连接. 逻辑层与物理层中节点间随机连接, 并构成两个网络节点间一对一的对应方式.

    在双层网络模型中, 上下两层网络中的每个节点都具有主机和路由器的功能, 也就是说每个节点都可以产生、接收和转发数据包[29]. 整个网络每个时间步随机生成R个数据包(数据包生成率为R), 每个数据包的源地址与目的地址都是随机选取的, 且每个数据包的源地址与目的地址不同. 设定网络中每个节点的数据包处理能力为C, 即在每个时间步每个节点最多可以处理C个数据包[30-32]. 当数据包生成时, 会被放置到节点队列的队尾, 采用先进先出(first-in-first-out)规则传送[33]. 物理层和逻辑层上生成的数据包都会按照既定的路由策略, 寻找一条相应的路径进行传输, 如果存在多条传输路径则随机选一条, 到达目的节点时, 则被移除[34,35]. 如果下一个不是目的节点, 数据包将会保存在下一个节点的缓存队列中等待传输.

    不同的数据包生成率R代表网络不同的负载能力. Zhao 等[36]在不同结构的网络上研究信息流从自由态到拥塞态的相变过程, 发现有序参数都会存在一个连续相变点. 可依据相变点处H(R) 值来看出网络中信息流的状态变化. 网络处于自由流通状态时, 网络里几乎没有数据包拥塞. 随着数据包产生率R的增长, 网络将从自由态进入到拥塞状态, 存在一个临界值Rc. 当数据包产生率R<Rc时, 生成的数据包与被移除的数据包处于平衡状态, 因此网络处于自由流通状态. 当R=Rc时网络处在一个从自由态转换到拥塞态的转换状态. 当R>Rc时, 数据包随着时间不断地增加, 滞留在网络里的数据包量大于移除的数据包量, 网络进入了拥塞状态. 通常用一个有序参数H(R) 来描述[37-39]:

    H(R)=limtCRΔWΔt, (5)

    其中C表示节点的处理能力, ΔW表示从时间tt+Δt网络中总数据包的增长量. 有序参数H(R)表示数据包产生率为R时, 网络中每个时间步数据包总量的增长速率. 当H(R)=0时, 此时网络处于自由流通状态, 当H(R)>0时, 网络处于拥塞状态, 因此Rc是网络中维持自由流通状态下最大的数据包生成率.

    本文采用SPR策略和基于度的静态权重路由(degree weighted routing, DWR)策略作为参照, 对比双层网络之间的耦合强度对传输容量的影响. 采用传统的SPR策略, 节点的度值与节点中心程度成正比关系, 度值大的节点中心性越强, 易拥塞. 采用DWR策略将节点的度值作为连接边的权重考虑在传输路径中, 使得信息流更加均匀.

    双层耦合网络中上下两层都采用SPR策略时, 数据包在源节点与目的节点间的最短路径上传输, 易造成中心节点拥塞[17,18,40]. DWR策略[23,24]应用在物理层上时, 物理层任意两节点ipjp的路径可以表示为P(ip):=ipxp0,xp1,...,xpn,xpn1jp, 在节点ipjp之间的边权重为

    ωipjp=(log(kip))α+(log(kjp))α, (6)

    其中kip是节点ip的度, α是一个控制参数. 对于物理层节点ipjp之间的任意路径, 其权重可以表示为

    Ωipjp=n1m=0ωxpmxpm+1=ωxp0xp1++ωxpn1xpn, (7)

    其中n是路径长度. 权重Ω最小的路径就是数据包传输的最佳路径, 如果存在多条传输路径, 则随机选择一条路径. 在逻辑层上权重的设置跟物理层是类似的, 节点iljl 的边权重为

    ωiljl=(log(kil))α+(log(kjl))α+Ωipjp, (8)

    那么逻辑层任意两节点iljl间的路径权重定义为

    Ωiljl=n1m=0ωxlmxlm+1=ωxl0xl1++ωxln1xln. (9)

    首先计算两层中每个节点的度, 然后分别设置两层边的权重, 物理层任意两节点边的权重为ωipjp, 逻辑层任意两节点边的权重依据物理层设置为ωiljl.

    本文在SPR和DWR两种路由策略的基础上研究双层网络之间的耦合强度对传输容量的影响, 通过分析数据包在网络中的传输过程, 来研究双层耦合网络间的交互机理, 优化网络之间的耦合方式, 提高网络的传输容量, 由此可分析出, 根据网络之间的耦合方式特点确定适合的路由策略能更有效地避免网络拥塞的发生.

    为了研究双层网络之间的耦合强度对整个网络系统传输容量的影响, 采用BA, SF无标度网络, ER随机网络作为基础网络模型, 在SPR 和DWR 两种路由策略基础上进行仿真实验. 基于六种网络模型搭配, 设置网络规模N=400, 平均度k=8, 可看出采用SPR和DWR策略在AC, DC与RC这三种耦合方式条件下影响数据包产生率R的因素.

    分析SPR与DWR这两种路由策略和AC, DC与RC这三种耦合方式有序参数η与数据包产生率R的关系, 可以关注R的相变点, 相变点即为最大的传输容量Rc. 如图2所示, 这六种网络模型在相同变量的条件下, 采用SPR策略时DC方式同AC, RC方式作比较, 相变点处于最大值, 即此时的数据包产生率R是最大的, 网络传输性能达到最佳, 说明采用SPR策略时, DC方式为最佳耦合方式.

    图 2 采用SPR策略AC, DC, RC 这三种耦合方式有序参数$ \eta $与数据包产生率$ R $的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型\r\nFig. 2. Used the SPR strategy, the relationship between ordered parameters $ \eta $ and packet generation rate $ R $ under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model
    图 2  采用SPR策略AC, DC, RC 这三种耦合方式有序参数η与数据包产生率R的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型
    Fig. 2.  Used the SPR strategy, the relationship between ordered parameters η and packet generation rate R under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model

    图3可以看出, 这六种网络模型采用DWR策略, 在采用AC, DC与RC 这三种耦合方式条件下数据包产生率R随着控制参数α变化的趋势, 会出现一个峰值. 在图3(b) ER-ER模型、图3(c) SF-SF模型、图3(e) BA-SF模型和图3(f) ER-SF模型中, AC, DC, RC这三种耦合方式在最优参数α=0.4时, 数据包产生率R出现最大值, 即此时的传输容量达到最大值, 此条件下的AC方式为最佳耦合方式. 在图3(a) BA-BA中, 可看出AC, DC与RC这三种耦合方式在最优参数α=0.8时, 数据包产生率R出现最大值, 此时AC方式为最佳耦合方式. 在图3(d) BA-ER模型中, 可看出AC, DC与RC这三种耦合方式在最优参数α=0.6时, 数据包产生率R出现最大值, 此时AC方式为最佳耦合方式. 由此可知在上述实验模型中采用DWR策略, 存在一个最优控制参数α, 使得传输容量达到最大值, AC方式为最佳耦合方式.

    图 3 采用DWR策略AC, DC, RC 这三种耦合方式$ R $与控制参数$ \alpha $的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型\r\nFig. 3. Used the SPR strategy, the relationship between $ R $ and control parameter $ \alpha $ under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model
    图 3  采用DWR策略AC, DC, RC 这三种耦合方式R与控制参数α的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型
    Fig. 3.  Used the SPR strategy, the relationship between R and control parameter α under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model

    为了分析采用DWR策略在AC, DC与RC这三种耦合方式下有序参数η与数据包产生率R的关系, 在这六种模型中取最优控制参数进行仿真实验, 结果如图4所示. 可以看出, AC, DC与RC这三种耦合方式都是在规模、平均度一致的条件下作实验对比, 在每一组实验中AC方式与DC, RC作比较R相变值最大, 即传输容量最大, 可知在上述六种双层网络模型中, AC方式为采用DWR策略时的最佳耦合方式.

    图 4 采用DWR策略AC, DC, RC 这三种耦合方式序参数$ \eta $与数据包产生率$ R $的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型\r\nFig. 4. Used the DWR strategy, the relationship between ordered parameters $ \eta $ and generation rate $ R $ under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model
    图 4  采用DWR策略AC, DC, RC 这三种耦合方式序参数η与数据包产生率R的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型
    Fig. 4.  Used the DWR strategy, the relationship between ordered parameters η and generation rate R under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model

    考虑到实际网络的特性, 设定逻辑层和物理层都为无标度网络, 采用BA-BA基础网络模型, 设定仿真实验规模N = 200, 400, 600, 800, 1000, 1800 和2400, 平均度k=8, 节点处理能力C=2, 节点处的缓存长度无限长. 为保证实验数据的精准性, 在仿真实验中平均度、节点处理能力都保持一致. 首先对耦合强度系数Pr随数据包产生率临界值Rc变化的趋势进行仿真. 在之后的仿真分析中统一用规模为N=400的网络进行分析, 涉及不同规模的实验除外. 如图5所示, 网络规模N=400, 平均度k=8, 改变Pr数值, Pr从–1到1连续变化, 研究在此过程中网络传输容量Rc的变化趋势. 分别采用SPR和DWR两种路由策略进行实验仿真, 可看出采用SPR策略, 当Pr=1 时与其他Pr系数下的Rc值对比, 传输容量Rc=9是最大的, 此时DC方式使得整个网络系统的传输容量达到最大值. 在采用DWR路由策略, 当Pr=1时与其他Pr系数下的Rc值作对比, Rc=35, 传输容量达到了最大值, 这时AC方式是最佳的耦合方式.

    图 5 耦合强度系数$P_{\rm r}$与$ R_{\rm c} $的关系\r\nFig. 5. Relationship between coupling correlation coefficient $ P_r $ and $ R_{\rm c} $
    图 5  耦合强度系数PrRc的关系
    Fig. 5.  Relationship between coupling correlation coefficient Pr and Rc

    分别在RC, DC和AC这三种耦合方式下, 采用DWR策略, 研究不同网络规模的数据包产生率临界值Rc与控制参数α之间的关系. 如图6所示, α取值范围为0.21.4, 平均度k=8, 分别在RC, DC和AC耦合方式条件下用网络规模N = 400, 600, 800, 1800和2400来作对比, 可看出RC, DC和AC这三种耦合方式在采用DWR策略时控制参数α的最优值为0.8, 在之后的仿真中DWR策略的控制参数α取值默认为0.8. 在图6(a)图6(c)三幅图中可看出RC, DC和AC这三种耦合方式随着网络规模的增加, 传输容量临界值Rc都在不断地增大, 到达一个峰值后不再增加, 随后逐渐减小. 例如图6(c)中规模为N=800的曲线, 在采用RC, DC和AC这三种耦合方式时, RC方式的Rc=26, DC方式的Rc=30, AC方式的Rc=48, 由此可得在DWR策略时, 采用AC方式时, 网络的传输容量最大, 效果最佳, AC方式为此条件下的最佳耦合方式.

    图 6 DWR策略不同网络规模$ R_{\rm c} $与控制参数$ \alpha $的关系 (a) RC耦合方式; (b) DC 耦合方式; (c) AC耦合方式\r\nFig. 6. Relationship between $ R_{\rm c} $ and control parameter $ \alpha $ under different network scales of DWR strategy: (a) RC Coupling; (b) DC Coupling; (c) AC Coupling
    图 6  DWR策略不同网络规模Rc与控制参数α的关系 (a) RC耦合方式; (b) DC 耦合方式; (c) AC耦合方式
    Fig. 6.  Relationship between Rc and control parameter α under different network scales of DWR strategy: (a) RC Coupling; (b) DC Coupling; (c) AC Coupling

    为了进一步分析双层无标度网络中耦合方式和路由策略对传输容量的影响因素, 下面采用BA-SF基础网络模型进行仿真实验. BA和SF网络都为无标度网络, 幂率指数不同, BA网络幂指数为3, SF网络幂指数设置为4, 平均度k=8. 如图7所示, 在BA-SF模型中采用了DWR策略, 分析AC, DC 与RC这三种耦合方式下数据包产生率Rα的变化趋势. 仿真实验规模设置为N = 400, 600, 800, 1000 和1600, 控制参数α的取值范围从0.21.4. 在不同规模下, 比较α取最优控制参数0.4 时所对应的R值, 从图7(a)图7(c)可以看出R值随着规模的增加而增大. 取N=1600的规模作比较, 图7(a) 中AC 方式下控制参数取最优值时对应的R=85, 图7(b)中DC方式下控制参数取最优值对应的R=53, 图7(c)中RC方式下控制参数取最优值对应的R=48, 对比可知AC 方式对应的R值是最大的, 传输效果是最好的. 采用DWR策略时在双层BA-SF 网络中AC方式为最佳耦合方式.

    图 7 DWR策略不同网络规模$ R $与控制参数$ \alpha $的关系 (a) AC耦合方式; (b) DC 耦合方式; (c) RC耦合方式\r\nFig. 7. Relationship between $ R $ and control parameter $ \alpha $ under different network scales of DWR strategy: (a) AC Coupling; (b) DC Coupling; (c) RC Coupling
    图 7  DWR策略不同网络规模R与控制参数α的关系 (a) AC耦合方式; (b) DC 耦合方式; (c) RC耦合方式
    Fig. 7.  Relationship between R and control parameter α under different network scales of DWR strategy: (a) AC Coupling; (b) DC Coupling; (c) RC Coupling

    研究双层耦合网络之间的耦合特性对传输容量的影响, 采用六种基础网络模型进行对比实验, 在上述对比实验中可看出, BA-BA和BA-SF的对比效果比较明显, 基于实验设置平均度k=8, BA-SF在取较大规模时, 传输路径受到限制, 而BA-BA模型是正常传输的, 因此性能参数的实验在基于BA-BA 网络模型上完成.

    为了获得更好的网络传输性能, 通常情况下可以相应地减少数据包在网络中的平均传输时间T, 并增加网络的平均吞吐量Nt, 可以使用TNt来衡量网络传输性能. 网络的平均吞吐量Nt为单位时间内, 网络中的数据包达到目的节点的平均数量. 表达式如下:

    Nt=limt1ΔtNi=1mi(t), (10)

    其中t是在指定时刻, Δt是时间窗口, N是网络节点的数量, mi(t)是在t时刻到达目的节点i的数据包个数. 刚开始网络处于自由态, Nt随着数据包产生率R的增大呈线性增长趋势; 网络进入拥塞态后, Nt增长的趋势变得缓慢, 两者呈现出非线性关系; 最终网络达到饱和状态, Nt不再随着数据包产生率R的增加而变化, 达到平缓的趋势. 研究在不同耦合方式和不同路由策略条件下, 双层耦合网络的吞吐量Nt随数据包产生率R的变化趋势. 如图8所示, 设置网络规模N=400, 平均度k=8, 从图8(a)可以看出, 在采用SPR策略, 网络中DC方式与AC, RC两种方式对比可得, DC方式下的平均吞吐量Nt的值最大, DC方式最佳. 从图8(b)可以看出, 采用DWR策略, 最佳参数αc=0.8, AC耦合方式下的吞吐量Nt与RC, DC方式作对比可得, Nt的值为最大, AC方式最佳.

    图 8 两种路由策略不同耦合方式平均吞吐量$ \left\langle N_t \right\rangle $ 与$ R $的关系 (a) SPR策略; (b) DWR策略\r\nFig. 8. Relationship between average information flow $ \left\langle N_t \right\rangle $ and $ R $ under two routing strategies with different coupling: (a) SPR; (b) DWR
    图 8  两种路由策略不同耦合方式平均吞吐量NtR的关系 (a) SPR策略; (b) DWR策略
    Fig. 8.  Relationship between average information flow Nt and R under two routing strategies with different coupling: (a) SPR; (b) DWR

    衡量网络传输性能的另外一个重要参数是平均传输时间T, 通常情况下应该尽可能缩短数据包的传输时间, 定义数据包的传输时间T为网络中所有数据包从源节点到目的地点传输所消耗的传输时间, 表达式如下:

    T=limt1nNi=1Ti, (11)

    其中n是在指定时间内到达目的节点的数据包个数; Ti是数据包i的传输时间, 包括数据包网络中的传送时间和在拥塞节点处的等待时间. 当R<Rc时, 网络处于没有发生拥塞的自由态, 数据包的传输时间只依赖于在网络中的传递时间, 而等待时间几乎为零. 由于数据包的传递时间相对较小, 所以此时T数值较小. 当R>Rc时, 系统开始进入拥塞状态, 数据包的传输时间主要由传递时间和等待时间之和决定, 其中传递时间较小, 主要由等待时间决定, 所以进入拥塞状态时T数值会突然增大, 发生相变. 如图9所示, 分别采用SPR 策略和DWR策略, 网络规模N=400, 平均度k=8, 研究在RC, DC 和AC耦合方式时T 随数据包产生率R增长的变化趋势. 从图9(a)可以看出, 采用SPR策略, 比较RC, DC和AC这三种耦合方式下的T的数值大小, 在DC方式下, T发生的相变值最大, 网络对数据包的处理能力相对较强, DC 方式为最佳耦合方式. 从图9(b) 可以看出, 采用DWR策略, 对比RC, DC和AC方式下的变换曲线, 可得AC方式下的T的相变点数值最大, 在一定程度上提高了传输容量, AC方式为最佳耦合方式.

    图 9 采用两种路由策略不同耦合方式平均传输时间$ \left\langle T \right\rangle $与$ R $的关系 (a) SPR策略; (b) DWR策略,\r\nFig. 9. Relationship between average transmission time $ \left\langle T \right\rangle $ and $ R $ under two routing strategies with different coupling: (a) SPR; (b) DWR
    图 9  采用两种路由策略不同耦合方式平均传输时间TR的关系 (a) SPR策略; (b) DWR策略,
    Fig. 9.  Relationship between average transmission time T and R under two routing strategies with different coupling: (a) SPR; (b) DWR

    为了分析RC, DC和AC这三种耦合方式对不同网络规模传输效率的影响, 研究了数据包产生率临界值Rc随网络规模N变化的趋势, 如图10所示. 图10(a)是采用SPR策略, 比较RC, DC和AC三种耦合方式Rc随网络规模N从200增加到2400变化的趋势, 其中网络平均度k=8. 可看出采用SPR策略AC方式的Rc值显示的数据包产生率十分稳定, 不随网络规模变化而变化. 采用DC方式的Rc值随着网络规模而变化, 变化幅度较大, 最终趋于稳定, 采用RC方式的Rc值随着网络规模变换较小. 可见, 随着网络规模变换DC方式很大程度上提高了网络的传输容量, 效果最佳. 图10(b)是采用DWR策略, 可看出RC, DC和AC三种耦合方式的Rc都随着网络规模的增加而变大, 但是采用AC方式的Rc值比DC和RC两种耦合方式的Rc值变化幅度更大, 效果更加明显, 能够更好地改善网络性能, 提高传输容量.

    图 10 两种路由策略三种耦合方式$ R_{\rm c} $随网络规模N的变化 (a) SPR策略; (b) DWR策略\r\nFig. 10. Relationship between network size N and $ R_{\rm c} $ under two routing strategies with different coupling: (a) SPR; (b) DWR
    图 10  两种路由策略三种耦合方式Rc随网络规模N的变化 (a) SPR策略; (b) DWR策略
    Fig. 10.  Relationship between network size N and Rc under two routing strategies with different coupling: (a) SPR; (b) DWR

    衡量网络传输性能的参数还有平均路径长度L, 其定义为

    L=2N(N+1)i (12)

    其中N为网络规模大小, d_{ij} 为节点i与节点j之间的最短路径长度. 如图11所示, 仿真实验设置网络规模N = 200, 400, 600, 800, 1000, 1800和2400, 平均度 \left\langle k \right\rangle = 8 , 实验仿真了平均路径长度 \left\langle L \right\rangle 随网络规模N的变化趋势, SPR, DWR策略下AC, DC 和RC三种耦合方式的平均路径长度 \left\langle L \right\rangle 随网络规模N增加而增大. 图11(a)是采用SPR 策略, 从规模为200到2400的变化趋势来看平均路径长度 \left\langle L \right\rangle 都是呈增长趋势, AC, DC和RC三种耦合方式相比较, 采用AC方式的平均路径长度较小, 更有效的提高网络传输效率. 图11(b)是采用DWR策略, 从规模为200到2400的变化趋势来看平均路径长度 \left\langle L \right\rangle 也都是呈增长趋势, AC方式同DC与RC两种耦合方式做对比, AC方式下的平均路径长度较小, 更有益于提升网络性能.

    图 11 两种路由策略三种耦合方式平均路径长度$ \left\langle L \right\rangle $与网络规模N的关系 (a) SPR策略; (b) DWR 策略\r\nFig. 11. Relationship between average path length $ \left\langle L \right\rangle $ and network size N under two routing strategies with different coupling: (a) SPR; (b) DWR
    图 11  两种路由策略三种耦合方式平均路径长度 \left\langle L \right\rangle 与网络规模N的关系 (a) SPR策略; (b) DWR 策略
    Fig. 11.  Relationship between average path length \left\langle L \right\rangle and network size N under two routing strategies with different coupling: (a) SPR; (b) DWR

    目前对复杂网络传输容量的研究大多以单层网络为研究对象, 实际网络不是独立存在的, 而是具有分层结构并且网络之间是相互依存相互影响的. 针对这种分层和依存关系研究双层耦合网络的交互机理和耦合强度, 在采用SPR和DWR策略的情况下探讨数据包的传输机理. 本文提出双层网络之间的耦合连接方式能够有效地提高网络传输容量, 分析了RC, DC和AC这三种网络之间的耦合方式, 依据网络之间耦合连接的特点, 可找出适合每一种耦合方式的路由传输策略. 通过六种基础网络仿真实验发现在双层耦合网络上, 分别采用SPR和DWR策略可得到相对应的最佳耦合方式. 在采用SPR策略时DC方式为最佳耦合方式, 相应地提升了网络传输容量. 在采用DWR策略时AC方式使得网络中的信息流更加均匀, 有利于信息的传输, 相应地提升了网络性能, 此条件下AC为最佳耦合方式. 现实世界呈现出双层甚至多层的复杂结构, 可依据网络之间的耦合连接特点, 采用适合的路由传输策略, 在一定程度上能更好地提升网络性能. 双层耦合网络交互机理的研究为实际网络设计和优化提供了理论基础.

    [1]

    Janaki T M, Gupte N 2003 Phy. Rev. E 67 021503Google Scholar

    [2]

    Albert R, Jeong H, Barabási A L 1999 Nature 401 130Google Scholar

    [3]

    刘宏鲲, 周涛 2007 物理学报 56 106Google Scholar

    Liu H K, Zhou T 2007 Acta Phys. Sin. 56 106Google Scholar

    [4]

    Ohira T, Sawatari R 1998 Phy. Rev. E 58 193Google Scholar

    [5]

    Solé R V, Valverde S 2001 Physica A 289 595Google Scholar

    [6]

    Guimerà R, Arenas A, Díaz G A, Giralt F 2002 Phy. Rev. E 66 026704Google Scholar

    [7]

    Woolf M, Arrowsmith D K, Mondragón C R J, Pitts J M 2002 Phy. Rev. E 66 046106Google Scholar

    [8]

    Arenas A, Díaz G A, Guimerà R 2001 Phys. Rev. Lett. 86 3196Google Scholar

    [9]

    Du W B, Wu Z X, Cai K Q 2013 Physica A 392 3505Google Scholar

    [10]

    陈华良, 刘忠信, 陈增强, 袁著祉 2009 物理学报 58 6068Google Scholar

    Chen H L, Liu Z X, Chen Z Q, Yuan Z Z 2009 Acta Phys. Sin. 58 6068Google Scholar

    [11]

    Zhou J, Yan G, Lai C H 2013 EPL-Europhys. Lett. 102 28002Google Scholar

    [12]

    Kurant M, Thiran P, Hagmann P 2007 Phys. Rev. E 76 026103Google Scholar

    [13]

    Du W B, Zhou X L, Chen Z, Cai K Q, Cao X B 2014 Chaos, Solitons Fractals 68 72Google Scholar

    [14]

    Tan F, Wu J J, Xia Y X, Tse C K 2014 Phys. Rev. E 89 062813Google Scholar

    [15]

    Kurant M, Thiran P 2006 Phys. Rev. Lett. 96 138701Google Scholar

    [16]

    Morris R G, Barthelemy M 2012 Phys. Rev. Lett. 109 128703Google Scholar

    [17]

    Chen S Y, Huang W, Cattani C, Altieri G 2012 Math. Prob. Eng. 2012 256Google Scholar

    [18]

    Fortz B, Thorup M 2002 IEEE J. Sel. Areas Commun. 20 756Google Scholar

    [19]

    Zhuo Y, Peng Y F, Yang X L, Long K 2011 Phys. Scr. 84 055802Google Scholar

    [20]

    卓越 2011 计算机应用研究 28 3411Google Scholar

    Zhuo Y 2011 Appl. Res. Comput. 28 3411Google Scholar

    [21]

    Zhang S, Liang M G, Li H J 2014 Can. J. Phys. 92 1599Google Scholar

    [22]

    Zhang S, Liang M G, Jiang Z Y, Li Z Y 2015 Int. J. Mod. Phys. C 26 1550001Google Scholar

    [23]

    Ma J L, Han W Z, Guo Q, Zhang S, Wang J F, Wang Z H 2016 Int. J. Mod. Phys. C 27 1650044Google Scholar

    [24]

    Pu C L, Li S Y, Yang X X, Yang J, Wang K 2016 Physica A 447 261Google Scholar

    [25]

    Wang W, Tang M, Yang H, Do Y, Lai Y C, Lee G W 2014 Sci. Rep. 4 5097Google Scholar

    [26]

    Lee K M, Kim J Y, Cho W K, Goh K L, Kim I M 2012 New J. Phys. 14 033027Google Scholar

    [27]

    Cho W K, Min B, Goh K I 2010 Phys. Rev. E 81 066109Google Scholar

    [28]

    Gu C G, Zou S R, Xu X L, Qu Y Q, Jiang Y M, He D R, Liu H K, Zhou T 2011 Phy. Rev. E 84 026101Google Scholar

    [29]

    Wang K, Zhang Y F, Zhou S Y, Pei W J, Wang S P, Li T 2011 Physica A 390 2593Google Scholar

    [30]

    Zhuo Y, Peng Y F, Liu C, Liu Y K, Long K 2011 Physica A 390 2401Google Scholar

    [31]

    Yang S J 2005 Phy. Rev. E 71 016107Google Scholar

    [32]

    Zou S R, Zhou T, Liu A F, Xu X L, He D R 2010 Phys. Lett. A 374 4406Google Scholar

    [33]

    王丹, 于灏, 井元伟, 姜囡, 张嗣瀛 2009 物理学报 58 6802Google Scholar

    Wang D, Yu H, Jing Y W, Jiang N, Zhang S Y 2009 Acta Phys. Sin. 58 6802Google Scholar

    [34]

    李涛, 裴文江, 王少平 2009 物理学报 58 5903Google Scholar

    Li T, Pei W J, Wang S P 2009 Acta Phys. Sin. 58 5903Google Scholar

    [35]

    濮存来, 裴文江 2010 物理学报 59 3841Google Scholar

    Pu C L, Pei W J 2010 Acta Phys. Sin. 59 3841Google Scholar

    [36]

    Zhao L, Lai Y C, Park K, Ye N 2005 Phys. Rev. E 71 026125Google Scholar

    [37]

    Boccaletti S, Bianconi G, Criado R, Genio C L, Gómez G J, Romance M, Sendiña Nadal I, Wang Z, Zanin M 2014 Phys. Rep. 544 1Google Scholar

    [38]

    刘伟彦, 刘斌 2014 物理学报 63 248901Google Scholar

    Liu W Y, Liu B 2014 Acta Phys. Sin. 63 248901Google Scholar

    [39]

    李世宝, 娄琳琳, 陈瑞祥, 洪利 2014 物理学报 63 028901Google Scholar

    Li S B, Lou L L, Chen R X, Hong L 2014 Acta Phys. Sin. 63 028901Google Scholar

    [40]

    杨先霞, 濮存来, 许忠奇, 陈荣斌, 吴洁鑫, 李伦波 2016 物理学报 65 248901Google Scholar

    Yang X X, Pu C L, Xu Z Q, Chen R B, Wu J X, Li L B 2016 Acta Phys. Sin. 65 248901Google Scholar

    期刊类型引用(6)

    1. 马金龙,王思宇. 双模网络中基于碳排放的混合路由策略. 河北师范大学学报(自然科学版). 2024(05): 470-476 . 百度学术
    2. 胡荣,张洪星,王强. 基于大数据的平台网络敏感信息防窃取仿真. 计算机仿真. 2023(06): 439-443 . 百度学术
    3. 刘松旭,符太东. 基于时序预测的网络数据传输阻塞控制仿真. 计算机仿真. 2023(11): 379-383 . 百度学术
    4. 张诗琪,李琰,徐天奇. 基于复杂网络理论的电力信息物理系统耦合建模方式研究与脆弱性分析. 云南民族大学学报(自然科学版). 2022(06): 762-769 . 百度学术
    5. 周晶. 一类双层小世界振子网络的稳定性研究. 现代信息科技. 2021(08): 24-26 . 百度学术
    6. 秦飞,宗序平. 基于数学统计模型的物联网资源数据传输效率建模分析. 宁夏师范学院学报. 2021(10): 74-81 . 百度学术

    其他类型引用(12)

  • 图 1  双层网络模型示意图

    Figure 1.  Legend of the two-layer networks model

    图 2  采用SPR策略AC, DC, RC 这三种耦合方式有序参数 \eta 与数据包产生率 R 的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型

    Figure 2.  Used the SPR strategy, the relationship between ordered parameters \eta and packet generation rate R under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model

    图 3  采用DWR策略AC, DC, RC 这三种耦合方式 R 与控制参数 \alpha 的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型

    Figure 3.  Used the SPR strategy, the relationship between R and control parameter \alpha under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model

    图 4  采用DWR策略AC, DC, RC 这三种耦合方式序参数 \eta 与数据包产生率 R 的关系 (a) BA-BA模型; (b) ER-ER模型; (c) SF-SF模型; (d) BA-ER模型; (e) BA-SF模型; (f) ER-SF模型

    Figure 4.  Used the DWR strategy, the relationship between ordered parameters \eta and generation rate R under the three coupling modes of AC, DC and RC: (a) BA-BA model; (b) ER-ER model; (c) SF-SF model; (d) BA-ER model; (e) BA-SF model; (f) ER-SF model

    图 5  耦合强度系数P_{\rm r} R_{\rm c} 的关系

    Figure 5.  Relationship between coupling correlation coefficient P_r and R_{\rm c}

    图 6  DWR策略不同网络规模 R_{\rm c} 与控制参数 \alpha 的关系 (a) RC耦合方式; (b) DC 耦合方式; (c) AC耦合方式

    Figure 6.  Relationship between R_{\rm c} and control parameter \alpha under different network scales of DWR strategy: (a) RC Coupling; (b) DC Coupling; (c) AC Coupling

    图 7  DWR策略不同网络规模 R 与控制参数 \alpha 的关系 (a) AC耦合方式; (b) DC 耦合方式; (c) RC耦合方式

    Figure 7.  Relationship between R and control parameter \alpha under different network scales of DWR strategy: (a) AC Coupling; (b) DC Coupling; (c) RC Coupling

    图 8  两种路由策略不同耦合方式平均吞吐量 \left\langle N_t \right\rangle R 的关系 (a) SPR策略; (b) DWR策略

    Figure 8.  Relationship between average information flow \left\langle N_t \right\rangle and R under two routing strategies with different coupling: (a) SPR; (b) DWR

    图 9  采用两种路由策略不同耦合方式平均传输时间 \left\langle T \right\rangle R 的关系 (a) SPR策略; (b) DWR策略,

    Figure 9.  Relationship between average transmission time \left\langle T \right\rangle and R under two routing strategies with different coupling: (a) SPR; (b) DWR

    图 10  两种路由策略三种耦合方式 R_{\rm c} 随网络规模N的变化 (a) SPR策略; (b) DWR策略

    Figure 10.  Relationship between network size N and R_{\rm c} under two routing strategies with different coupling: (a) SPR; (b) DWR

    图 11  两种路由策略三种耦合方式平均路径长度 \left\langle L \right\rangle 与网络规模N的关系 (a) SPR策略; (b) DWR 策略

    Figure 11.  Relationship between average path length \left\langle L \right\rangle and network size N under two routing strategies with different coupling: (a) SPR; (b) DWR

  • [1]

    Janaki T M, Gupte N 2003 Phy. Rev. E 67 021503Google Scholar

    [2]

    Albert R, Jeong H, Barabási A L 1999 Nature 401 130Google Scholar

    [3]

    刘宏鲲, 周涛 2007 物理学报 56 106Google Scholar

    Liu H K, Zhou T 2007 Acta Phys. Sin. 56 106Google Scholar

    [4]

    Ohira T, Sawatari R 1998 Phy. Rev. E 58 193Google Scholar

    [5]

    Solé R V, Valverde S 2001 Physica A 289 595Google Scholar

    [6]

    Guimerà R, Arenas A, Díaz G A, Giralt F 2002 Phy. Rev. E 66 026704Google Scholar

    [7]

    Woolf M, Arrowsmith D K, Mondragón C R J, Pitts J M 2002 Phy. Rev. E 66 046106Google Scholar

    [8]

    Arenas A, Díaz G A, Guimerà R 2001 Phys. Rev. Lett. 86 3196Google Scholar

    [9]

    Du W B, Wu Z X, Cai K Q 2013 Physica A 392 3505Google Scholar

    [10]

    陈华良, 刘忠信, 陈增强, 袁著祉 2009 物理学报 58 6068Google Scholar

    Chen H L, Liu Z X, Chen Z Q, Yuan Z Z 2009 Acta Phys. Sin. 58 6068Google Scholar

    [11]

    Zhou J, Yan G, Lai C H 2013 EPL-Europhys. Lett. 102 28002Google Scholar

    [12]

    Kurant M, Thiran P, Hagmann P 2007 Phys. Rev. E 76 026103Google Scholar

    [13]

    Du W B, Zhou X L, Chen Z, Cai K Q, Cao X B 2014 Chaos, Solitons Fractals 68 72Google Scholar

    [14]

    Tan F, Wu J J, Xia Y X, Tse C K 2014 Phys. Rev. E 89 062813Google Scholar

    [15]

    Kurant M, Thiran P 2006 Phys. Rev. Lett. 96 138701Google Scholar

    [16]

    Morris R G, Barthelemy M 2012 Phys. Rev. Lett. 109 128703Google Scholar

    [17]

    Chen S Y, Huang W, Cattani C, Altieri G 2012 Math. Prob. Eng. 2012 256Google Scholar

    [18]

    Fortz B, Thorup M 2002 IEEE J. Sel. Areas Commun. 20 756Google Scholar

    [19]

    Zhuo Y, Peng Y F, Yang X L, Long K 2011 Phys. Scr. 84 055802Google Scholar

    [20]

    卓越 2011 计算机应用研究 28 3411Google Scholar

    Zhuo Y 2011 Appl. Res. Comput. 28 3411Google Scholar

    [21]

    Zhang S, Liang M G, Li H J 2014 Can. J. Phys. 92 1599Google Scholar

    [22]

    Zhang S, Liang M G, Jiang Z Y, Li Z Y 2015 Int. J. Mod. Phys. C 26 1550001Google Scholar

    [23]

    Ma J L, Han W Z, Guo Q, Zhang S, Wang J F, Wang Z H 2016 Int. J. Mod. Phys. C 27 1650044Google Scholar

    [24]

    Pu C L, Li S Y, Yang X X, Yang J, Wang K 2016 Physica A 447 261Google Scholar

    [25]

    Wang W, Tang M, Yang H, Do Y, Lai Y C, Lee G W 2014 Sci. Rep. 4 5097Google Scholar

    [26]

    Lee K M, Kim J Y, Cho W K, Goh K L, Kim I M 2012 New J. Phys. 14 033027Google Scholar

    [27]

    Cho W K, Min B, Goh K I 2010 Phys. Rev. E 81 066109Google Scholar

    [28]

    Gu C G, Zou S R, Xu X L, Qu Y Q, Jiang Y M, He D R, Liu H K, Zhou T 2011 Phy. Rev. E 84 026101Google Scholar

    [29]

    Wang K, Zhang Y F, Zhou S Y, Pei W J, Wang S P, Li T 2011 Physica A 390 2593Google Scholar

    [30]

    Zhuo Y, Peng Y F, Liu C, Liu Y K, Long K 2011 Physica A 390 2401Google Scholar

    [31]

    Yang S J 2005 Phy. Rev. E 71 016107Google Scholar

    [32]

    Zou S R, Zhou T, Liu A F, Xu X L, He D R 2010 Phys. Lett. A 374 4406Google Scholar

    [33]

    王丹, 于灏, 井元伟, 姜囡, 张嗣瀛 2009 物理学报 58 6802Google Scholar

    Wang D, Yu H, Jing Y W, Jiang N, Zhang S Y 2009 Acta Phys. Sin. 58 6802Google Scholar

    [34]

    李涛, 裴文江, 王少平 2009 物理学报 58 5903Google Scholar

    Li T, Pei W J, Wang S P 2009 Acta Phys. Sin. 58 5903Google Scholar

    [35]

    濮存来, 裴文江 2010 物理学报 59 3841Google Scholar

    Pu C L, Pei W J 2010 Acta Phys. Sin. 59 3841Google Scholar

    [36]

    Zhao L, Lai Y C, Park K, Ye N 2005 Phys. Rev. E 71 026125Google Scholar

    [37]

    Boccaletti S, Bianconi G, Criado R, Genio C L, Gómez G J, Romance M, Sendiña Nadal I, Wang Z, Zanin M 2014 Phys. Rep. 544 1Google Scholar

    [38]

    刘伟彦, 刘斌 2014 物理学报 63 248901Google Scholar

    Liu W Y, Liu B 2014 Acta Phys. Sin. 63 248901Google Scholar

    [39]

    李世宝, 娄琳琳, 陈瑞祥, 洪利 2014 物理学报 63 028901Google Scholar

    Li S B, Lou L L, Chen R X, Hong L 2014 Acta Phys. Sin. 63 028901Google Scholar

    [40]

    杨先霞, 濮存来, 许忠奇, 陈荣斌, 吴洁鑫, 李伦波 2016 物理学报 65 248901Google Scholar

    Yang X X, Pu C L, Xu Z Q, Chen R B, Wu J X, Li L B 2016 Acta Phys. Sin. 65 248901Google Scholar

  • [1] Wang Jian-Wei, Zhao Nai-Xuan, Wang Chu-Pei, Xiang Ling-Hui, Wen Ting-Xin. Robustness paradox of cascading dynamics in interdependent networks. Acta Physica Sinica, 2024, 73(21): 218901. doi: 10.7498/aps.73.20241002
    [2] Lin Hong, Xia Yong-Xiang, Jiang Lu-Rong. Routing in spatial networks based on shortest path length. Acta Physica Sinica, 2022, 71(6): 068901. doi: 10.7498/aps.71.20211621
    [3] Ma Jin-Long, Zhang Jun-Feng, Zhang Dong-Wen, Zhang Hong-Bin. Quantifying complex network traffic capacity based on communicability sequence entropy. Acta Physica Sinica, 2021, 70(7): 078902. doi: 10.7498/aps.70.20201300
    [4] Shu Rui, Chen Wei, Xiao Jing-Hua. Optimizing synchronizability of multiplecoupled star networks. Acta Physica Sinica, 2019, 68(18): 180503. doi: 10.7498/aps.68.20190308
    [5] Jin Xue-Guang, Shou Guo-Chu, Hu Yi-Hong, Guo Zhi-Gang. A toward cost-effective scale-free coupling network construction method. Acta Physica Sinica, 2016, 65(9): 098901. doi: 10.7498/aps.65.098901
    [6] Chen Shi-Ming, Zou Xiao-Qun, Lü Hui, Xu Qing-Gang. Research on robustness of interdependent network for suppressing cascading failure. Acta Physica Sinica, 2014, 63(2): 028902. doi: 10.7498/aps.63.028902
    [7] Peng Xing-Zhao, Yao Hong, Du Jun, Ding Chao, Zhang Zhi-Hao. Study on cascading invulnerability of multi-coupling-links coupled networks based on time-delay coupled map lattices model. Acta Physica Sinica, 2014, 63(7): 078901. doi: 10.7498/aps.63.078901
    [8] Jia Mei-Mei, Zhang Guo-Shan, Niu Hong. Chaotic control of the Buck converter based on improving the correlation. Acta Physica Sinica, 2013, 62(13): 130503. doi: 10.7498/aps.62.130503
    [9] Wang Zhong-Qing, Zhao Xiao-Qi, Zhou Xian-Ju. Entanglement properties of two atoms interacting with weak coherent states trapped in two distant cavities connected by an optical fiber. Acta Physica Sinica, 2013, 62(22): 220302. doi: 10.7498/aps.62.220302
    [10] Liu Ying-Ying, Pan Wei, Jiang Ning, Xiang Shui-Ying, Lin Yu-Dong. Isochronal chaos synchronization of a chain mutually coupled semiconductor lasers. Acta Physica Sinica, 2013, 62(2): 024208. doi: 10.7498/aps.62.024208
    [11] Yu Hai-Tao, Wang Jiang, Liu Chen, Che Yan-Qiu, Deng Bin, Wei Xi-Le. Stochastic resonance in coupled small-world neural networks. Acta Physica Sinica, 2012, 61(6): 068702. doi: 10.7498/aps.61.068702
    [12] Lü Ling, Li Gang, Zhang Meng, Li Yu-Shan, Wei Lin-Ling, Yu Miao. Parameter identification and synchronization of spatiotemporal chaos in globally coupled network. Acta Physica Sinica, 2011, 60(9): 090505. doi: 10.7498/aps.60.090505
    [13] Ju Xin, Guo Jian-Hong. Influence of interdot-coupling on differentialconductance for a triple quantum dot. Acta Physica Sinica, 2011, 60(5): 057302. doi: 10.7498/aps.60.057302
    [14] Lü Ling, Li Gang, Shang Jin-Yu, Shen Na, Zhang Xin, Liu Shuang, Zhu Jia-Bo. The synchronization of spatiotemporal chaos of nearest-neighbor coupled network. Acta Physica Sinica, 2010, 59(9): 5966-5971. doi: 10.7498/aps.59.5966
    [15] Bian Qiu-Xiang, Yao Hong-Xing. Synchronization of weighted complex networks with multi-links and nonlinear coupling. Acta Physica Sinica, 2010, 59(5): 3027-3034. doi: 10.7498/aps.59.3027
    [16] Jing Xiao-Dan, Lü Ling. The synchronization of spatiotemporal chaos of all-to-all network using nonlinear coupling. Acta Physica Sinica, 2009, 58(11): 7539-7543. doi: 10.7498/aps.58.7539
    [17] Zhang Xiao-Fang, Chen Zhang-Yao, Bi Qin-Sheng. Complicated oscillations in coupled electrical circuits. Acta Physica Sinica, 2009, 58(5): 2963-2970. doi: 10.7498/aps.58.2963
    [18] Tracking control of Lorenz systems in unidirectional coupling network. Acta Physica Sinica, 2007, 56(12): 6851-6856. doi: 10.7498/aps.56.6851
    [19] Li Ying, Shan Xiu-Ming, Ren Yong. Average path length of Internet with power law degree distribution. Acta Physica Sinica, 2004, 53(11): 3695-3700. doi: 10.7498/aps.53.3695
    [20] Luo Xiao-Qin. . Acta Physica Sinica, 2002, 51(5): 977-981. doi: 10.7498/aps.51.977
  • 期刊类型引用(6)

    1. 马金龙,王思宇. 双模网络中基于碳排放的混合路由策略. 河北师范大学学报(自然科学版). 2024(05): 470-476 . 百度学术
    2. 胡荣,张洪星,王强. 基于大数据的平台网络敏感信息防窃取仿真. 计算机仿真. 2023(06): 439-443 . 百度学术
    3. 刘松旭,符太东. 基于时序预测的网络数据传输阻塞控制仿真. 计算机仿真. 2023(11): 379-383 . 百度学术
    4. 张诗琪,李琰,徐天奇. 基于复杂网络理论的电力信息物理系统耦合建模方式研究与脆弱性分析. 云南民族大学学报(自然科学版). 2022(06): 762-769 . 百度学术
    5. 周晶. 一类双层小世界振子网络的稳定性研究. 现代信息科技. 2021(08): 24-26 . 百度学术
    6. 秦飞,宗序平. 基于数学统计模型的物联网资源数据传输效率建模分析. 宁夏师范学院学报. 2021(10): 74-81 . 百度学术

    其他类型引用(12)

Metrics
  • Abstract views:  8585
  • PDF Downloads:  131
  • Cited By: 18
Publishing process
  • Received Date:  05 February 2020
  • Accepted Date:  23 April 2020
  • Available Online:  12 June 2020
  • Published Online:  20 September 2020

/

返回文章
返回