CN117061365A

CN117061365A - 一种节点选择方法、装置、设备及可读存储介质

Info

Publication number: CN117061365A
Application number: CN202311308673.9A
Authority: CN
Inventors: 李仁刚; 闫瑞栋; 郭振华; 刘璐; 金良; 徐聪
Original assignee: Inspur Electronic Information Industry Co Ltd
Current assignee: IEIT Systems Co Ltd
Priority date: 2023-10-11
Filing date: 2023-10-11
Publication date: 2023-11-14
Anticipated expiration: 2043-10-11
Also published as: CN117061365B

Abstract

本发明公开了计算机技术领域内的一种节点选择方法、装置、设备及可读存储介质。本发明通过目标网络中节点的度数、结构桥作为结构化因素来评价节点，并通过节点在预设传播距离约束下的传播范围作为非结构化因素来评价节点，并由此结合结构化因素和非结构化因素综合评估节点的传播力，能够提高节点评估准确性，为目标节点的选择提供了可靠的数据支持；在划分目标网络得到多个子网后，若任意子网中包括目标节点，则根据当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率及实时资源量在当前子网中选择管理节点，能够结合多源信息在同一网络中的传播特点在不同子网中进行管理节点的选择。

Description

一种节点选择方法、装置、设备及可读存储介质

技术领域

本发明涉及计算机技术领域，特别涉及一种节点选择方法、装置、设备及可读存储介质。

背景技术

目前，在网络中为交换设备、管理设备等节点选址时，需要评估网络节点所在位置是否适于部署交换设备和管理设备。当前节点选择主要采用集中式策略，如：利用贪婪算法或启发式算法在整个网络中进行节点选择。其中，贪婪算法的计算复杂度高致使其难以扩展到大规模网络。为了实现算法的可扩展性，一系列的启发式算法相继被提出，如度打折（Degree Discount）、最短路径（Shortest Path）和介数中心性（BetweennessCentrality）等。然而，启发式算法缺乏较好的理论保证，算法性能无法保障。

因此，如何快速且准确地选择交换设备和管理设备等节点的位置，是本领域技术人员需要解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种节点选择方法、装置、设备及可读存储介质，以快速且准确地选择交换设备和管理设备等节点的位置。其具体方案如下：

第一方面，本发明提供了一种节点选择方法，包括：

确定目标网络中各节点的度数、结构桥数及预设传播距离约束下的传播范围；

根据所述度数、所述结构桥数及所述传播范围评估各节点的传播力，并根据所述传播力在所述目标网络中选择目标节点；

将所述目标网络划分为多个子网，若任意子网中包括所述目标节点，则计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，得到当前子网中每一节点的传播概率；确定当前子网中每一节点的实时资源量，根据当前子网中每一节点的传播概率及实时资源量在当前子网中选择管理节点。

可选地，确定目标网络中各节点的度数，包括：

构建所述目标网络对应的N×N的邻接矩阵；N为所述目标网络中的节点总数，所述邻接矩阵中的第i行第j列元素表示：节点i指向节点j的出度数；

根据所述邻接矩阵确定所述目标网络中每一节点的出度数总数及入度数总数，将同一节点的出度数总数及入度数总数之和确定为相应节点的度数。

可选地，确定目标网络中各节点的结构桥数，包括：

针对所述目标网络中的每一节点，将以当前节点作为传播桥梁的邻居节点构成邻居组，将所述邻居组的个数作为当前节点的结构桥数；或针对所述目标网络中的每一节点，将当前节点作为其邻居节点的传播桥梁的次数作为当前节点的结构桥数。

可选地，确定预设传播距离约束下的传播范围，包括：

计算所述目标网络中每一节点在预设传播距离约束下将信息传到的节点个数作为相应节点的传播范围。

可选地，所述根据所述度数、所述结构桥数及所述传播范围评估各节点的传播力，包括：

将所述度数、所述结构桥数及所述传播范围进行标准化操作；

根据标准化操作后的度数、结构桥数及传播范围评估各节点的传播力。

可选地，所述根据标准化操作后的度数、结构桥数及传播范围评估各节点的传播力，包括：

按照第一公式计算得到各节点的传播力，所述第一公式为：E_i=α×D_i+β×B_i+S_i；E_i表示所述目标网络中节点i的传播力，D_i表示节点i的标准化操作后的度数，B_i表示节点i的标准化操作后的结构桥数，S_i表示节点i的标准化操作后的传播范围，α和β为预设权重系数。

可选地，所述根据所述传播力在所述目标网络中选择目标节点，包括：

将所述目标网络中的所有节点按照所述传播力由大至小排列，将前M个节点作为所述目标节点；或将所述目标网络中的所有节点按照所述传播力由小至大排列，将后M个节点作为所述目标节点；M为预设值。

可选地，所述将所述目标网络划分为多个子网，包括：

利用所述邻接矩阵和N×N的单位矩阵构建特征值计算公式，求解所述特征值计算公式得到N个特征值；

使所述N个特征值作为对角线元素，构建得到N×N的特征值矩阵；

使所述目标网络中各节点的度数作为对角线元素，构建得到N×N的度数矩阵；

将所述特征值矩阵和所述度数矩阵的对角线元素对位相加，得到所述目标网络中各节点的划分指标值；

根据所述划分指标值将所述目标网络中的各节点划分为多个子网。

可选地，所述根据所述划分指标值将所述目标网络中的各节点划分为多个子网，包括：

针对所述目标网络中任意两个节点，以相应划分指标值计算所述两个节点之间的相似程度；

若所述相似程度小于预设相似程度阈值，则将所述两个节点划分至同一子网。

可选地，所述计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，包括：

按照第二公式计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率；

其中，所述第二公式为：；表示当前子网中的节点u向当前子网中的节点v传播多源信息的传播概率，Q表示多源信息的个数，t表示节点u传播信息到节点v需要的时间，表示当前子网中的节点u向当前子网中的节点v传播多源信息的初始传播概率。

按照第三公式计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率；

其中，所述第三公式为：；表示当前子网中的节点u向当前子网中的节点v传播多源信息的传播概率，D(t)表示延迟函数，Q表示多源信息的个数，t表示节点u传播信息到节点v需要的时间，表示当前子网中的节点u向当前子网中的节点v传播多源信息的初始传播概率。

可选地，D(t)的计算公式为：D(t)=t²+t或D(t)=e^t。

可选地，所述根据当前子网中每一节点的传播概率及实时资源量在当前子网中选择管理节点，包括：

若任意节点的传播概率大于预设概率阈值、且该节点的实时资源量大于预设资源阈值，则将该节点作为所述管理节点。

可选地，所述确定当前子网中每一节点的实时资源量，包括：

按照第四公式计算当前子网中每一节点的实时资源量；所述第四公式为：T_u=a×X_u+b×Y_u+c×Z_u，T_u表示当前子网中节点u的实时资源量，X_u表示当前子网中节点u的实时算力，Y_u表示当前子网中节点u的实时内存量，Z_u表示当前子网中节点u的实时带宽，a、b和c为预设参数。

可选地，还包括：

若任意子网中不包括所述目标节点，则不在该子网中选择管理节点。

可选地，还包括：

在所述管理节点所在位置部署数据交换设备；所述数据交换设备包括：交换机和/或路由器。

可选地，还包括：

在所述管理节点所在位置部署调度中心；

利用所述调度中心收集所述管理节点所在子网内各节点的节点信息。

可选地，所述利用所述调度中心收集所述管理节点所在子网内各节点的节点信息，包括：

利用所述调度中心定时向所述管理节点所在子网内的各节点发送信息收集指令，接收所述管理节点所在子网内的各节点根据所述信息收集指令返回的节点信息；或利用所述调度中心接收所述管理节点所在子网内的各节点定时发送的节点信息。

可选地，所述目标网络为：分布式计算网络、无线传感器网络或数据存储网络。

第二方面，本发明提供了一种节点选择装置，包括：

确定模块，用于确定目标网络中各节点的度数、结构桥数及预设传播距离约束下的传播范围；

第一选择模块，用于根据所述度数、所述结构桥数及所述传播范围评估各节点的传播力，并根据所述传播力在所述目标网络中选择目标节点；

第二选择模块，用于将所述目标网络划分为多个子网，若任意子网中包括所述目标节点，则计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，得到当前子网中每一节点的传播概率；确定当前子网中每一节点的实时资源量，根据当前子网中每一节点的传播概率及实时资源量在当前子网中选择管理节点。

可选地，确定模块具体用于：

可选地，第一选择模块包括：

标准化操作单元，用于将所述度数、所述结构桥数及所述传播范围进行标准化操作；

评估单元，用于根据标准化操作后的度数、结构桥数及传播范围评估各节点的传播力。

可选地，评估单元具体用于：

可选地，第一选择模块包括：

目标节点选择单元，用于将所述目标网络中的所有节点按照所述传播力由大至小排列，将前M个节点作为所述目标节点；或将所述目标网络中的所有节点按照所述传播力由小至大排列，将后M个节点作为所述目标节点；M为预设值。

可选地，第二选择模块包括：

第一构建单元，用于构建所述目标网络对应的N×N的邻接矩阵；N为所述目标网络中的节点总数，所述邻接矩阵中的第i行第j列元素表示：节点i指向节点j的出度数；

第一计算单元，用于利用所述邻接矩阵和N×N的单位矩阵构建特征值计算公式，求解所述特征值计算公式得到N个特征值；

第二构建单元，用于使所述N个特征值作为对角线元素，构建得到N×N的特征值矩阵；

第三构建单元，用于使所述目标网络中各节点的度数作为对角线元素，构建得到N×N的度数矩阵；

第二计算单元，用于将所述特征值矩阵和所述度数矩阵的对角线元素对位相加，得到所述目标网络中各节点的划分指标值；

划分单元，用于根据所述划分指标值将所述目标网络中的各节点划分为多个子网。

可选地，所述划分单元具体用于：

可选地，第二选择模块包括：

概率计算单元，用于按照第二公式计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率；

可选地，概率计算单元具体用于：

可选地，D(t)的计算公式为：D(t)=t²+t或D(t)=e^t。

可选地，第二选择模块包括：

管理节点选择单元，用于若任意节点的传播概率大于预设概率阈值、且该节点的实时资源量大于预设资源阈值，则将该节点作为所述管理节点。

可选地，第二选择模块包括：资源量计算单元，用于按照第四公式计算当前子网中每一节点的实时资源量；所述第四公式为：T_u=a×X_u+b×Y_u+c×Z_u，T_u表示当前子网中节点u的实时资源量，X_u表示当前子网中节点u的实时算力，Y_u表示当前子网中节点u的实时内存量，Z_u表示当前子网中节点u的实时带宽，a、b和c为预设参数。

可选地，还包括：

部署模块，用于在所述管理节点所在位置部署数据交换设备；所述数据交换设备包括：交换机和/或路由器。

可选地，部署模块还用于：

在所述管理节点所在位置部署调度中心；

可选地，部署模块还用于：

第三方面，本发明提供了一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序，以实现前述公开的节点选择方法。

第四方面，本发明提供了一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的节点选择方法。

通过以上方案可知，本发明提供了一种节点选择方法，包括：确定目标网络中各节点的度数、结构桥数及预设传播距离约束下的传播范围；根据所述度数、所述结构桥数及所述传播范围评估各节点的传播力，并根据所述传播力在所述目标网络中选择目标节点；将所述目标网络划分为多个子网，若任意子网中包括所述目标节点，则计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，得到当前子网中每一节点的传播概率；确定当前子网中每一节点的实时资源量，根据当前子网中每一节点的传播概率及实时资源量在当前子网中选择管理节点。

可见，本发明的有益效果为：通过目标网络中节点的度数、结构桥作为结构化因素来评价节点，并通过节点在预设传播距离约束下的传播范围作为非结构化因素来评价节点，并由此结合结构化因素和非结构化因素综合评估节点的传播力，能够提高节点评估准确性，为目标节点的选择提供了可靠的数据支持；在划分目标网络得到多个子网后，若任意子网中包括目标节点，则根据当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率及实时资源量在当前子网中选择管理节点，能够结合多源信息在同一网络中的传播特点在不同子网中进行管理节点的选择，克服了的单一信息传播模型的不足以及集中式选择管理节点的缺陷，能够快速且准确地选择交换设备和管理设备等节点的位置。

相应地，本发明提供的一种节点选择装置、设备及可读存储介质，也同样具有上述技术效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明公开的一种节点选择方法流程图；

图2为本发明公开的一种网络结构示意图；

图3为本发明公开的一种方案框架示意图；

图4为本发明公开的一种节点选择示意图；

图5为本发明公开的一种节点选择装置示意图；

图6为本发明公开的一种电子设备示意图；

图7为本发明提供的一种服务器结构图；

图8为本发明提供的一种终端结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，节点选择主要采用集中式策略，如：利用贪婪算法或启发式算法在整个网络中进行节点选择。其中，贪婪算法的计算复杂度高致使其难以扩展到大规模网络。为了实现算法的可扩展性，一系列的启发式算法相继被提出，如度打折（Degree Discount）、最短路径（Shortest Path）和介数中心性（BetweennessCentrality）等。然而，启发式算法缺乏较好的理论保证，算法性能无法保障。为此，本发明提供了一种节点选择方案，能够快速且准确地选择交换设备和管理设备等节点的位置。

参见图1所示，本发明实施例公开了一种节点选择方法，包括：

S101、确定目标网络中各节点的度数、结构桥数及预设传播距离约束下的传播范围。

需要说明的是，目标网络可以是分布式计算网络、无线传感器网络或数据存储网络等。目标网络中任一节点的度数包括：该节点指向其他节点的有向边的个数（即该节点指向其他节点的出度数之和）、其他节点指向该节点的有向边的个数（即其他节点指向该节点的入度数之和）。请参见图2，节点1指向的其他节点仅有节点3，那么节点1指向其他节点的出度数之和为1；指向节点1的其他节点仅有节点2，那么其他节点指向该节点的入度数之和为1，据此，节点1的度数为1+1=2。图2中不同节点之间带箭头的连接线表示有向边。

请参照图2，节点1作为连接节点2和节点3之间的桥梁，并且去掉节点1之后，节点2无法指向节点3，此时将节点1称为节点2到节点3的结构桥。类似地，节点3作为连接节点1和节点2的桥梁，并且去掉节点3之后，节点1无法指向节点2，因此节点3也是结构桥。此外，节点2作为连接节点3和节点1的桥梁，并且去掉节点2之后，节点3无法指向节点1，因此节点2同样也是结构桥。据此在一种实施方式中，确定目标网络中各节点的结构桥数，包括：针对目标网络中的每一节点，将以当前节点作为传播桥梁的邻居节点构成邻居组，将邻居组的个数作为当前节点的结构桥数，邻居组如：以节点1作为传播桥梁的节点2和节点3；或针对目标网络中的每一节点，将当前节点作为其邻居节点的传播桥梁的次数作为当前节点的结构桥数。

在一种实施方式中，确定目标网络中各节点的度数，包括：构建目标网络对应的N×N的邻接矩阵；N为目标网络中的节点总数，邻接矩阵中的第i行第j列元素表示：节点i指向节点j的出度数；根据邻接矩阵确定目标网络中每一节点的出度数总数及入度数总数，将同一节点的出度数总数及入度数总数之和确定为相应节点的度数。图2所示网络对应的是11×11的邻接矩阵，该邻接矩阵中的各元素可参照表1。表1中第一行和第一行为节点标识，第二行中的元素1表示：节点1指向节点3的有向边有1条；第二行中的各元素0表示：节点1不指向节点1、节点2、节点4、节点5、节点6、节点7、节点8、节点9、节点10和11，也就是节点1与这些节点间的有向边是0条。其他元素依次类推。由表1可看出，通过表1所示的邻接矩阵可直接看出目标网络中各节点的出度数和入度数，因此可基于邻接矩阵确定目标网络中每一节点的度数。

表1：邻接矩阵

请参照图2，如果预设传播距离约束取值为2，那么从节点1出发，在传播距离约束2的限制下，节点1可将信息传到节点3、节点2以及节点9，那么节点1在传播距离约束2的约束下将信息传到的节点个数为3，因此3即为节点1的传播范围。据此在一种实施方式中，确定预设传播距离约束下的传播范围，包括：计算目标网络中每一节点在预设传播距离约束下将信息传到的节点个数作为相应节点的传播范围。

S102、根据度数、结构桥数及传播范围评估各节点的传播力，并根据传播力在目标网络中选择目标节点。

S103、将目标网络划分为多个子网，若任意子网中包括目标节点，则计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，得到当前子网中每一节点的传播概率；确定当前子网中每一节点的实时资源量，根据当前子网中每一节点的传播概率及实时资源量在当前子网中选择管理节点。

在一种实施方式中，根据度数、结构桥数及传播范围评估各节点的传播力，包括：将度数、结构桥数及传播范围进行标准化操作；根据标准化操作后的度数、结构桥数及传播范围评估各节点的传播力。标准化操作如：归一化操作等，以使度数、结构桥数及传播范围在同一取值标准下取值。其中，根据标准化操作后的度数、结构桥数及传播范围评估各节点的传播力，包括：按照第一公式计算得到各节点的传播力，第一公式为：E_i=α×D_i+β×B_i+S_i；E_i表示目标网络中节点i的传播力，D_i表示节点i的标准化操作后的度数，B_i表示节点i的标准化操作后的结构桥数，S_i表示节点i的标准化操作后的传播范围，α和β为预设权重系数。

在本实施例中，根据传播力在目标网络中选择目标节点，包括：将目标网络中的所有节点按照传播力由大至小排列，将前M个节点作为目标节点；或将目标网络中的所有节点按照传播力由小至大排列，将后M个节点作为目标节点；M为预设值。

进一步地，将目标网络划分为多个子网，包括：构建目标网络对应的N×N的邻接矩阵；N为目标网络中的节点总数，邻接矩阵中的第i行第j列元素表示：节点i指向节点j的出度数；利用邻接矩阵和N×N的单位矩阵构建特征值计算公式，求解特征值计算公式得到N个特征值；使N个特征值作为对角线元素，构建得到N×N的特征值矩阵；使目标网络中各节点的度数作为对角线元素，构建得到N×N的度数矩阵；将特征值矩阵和度数矩阵的对角线元素对位相加，得到目标网络中各节点的划分指标值；根据划分指标值将目标网络中的各节点划分为多个子网。其中，特征值矩阵和度数矩阵只有对角线上有值，其他位置元素取值为0，特征值矩阵的各对角线元素表示目标网络中各节点的出入度数的特点，度数矩阵的各对角线元素表示目标网络中各节点的出入度数，由此结合特征值矩阵和度数矩阵，能够刻画出目标网络中各节点间的连接走向，通过矩阵就能体现出网络结构特点。

在一种实施方式中，根据划分指标值将目标网络中的各节点划分为多个子网，包括：针对目标网络中任意两个节点，以相应划分指标值计算两个节点之间的相似程度；若相似程度小于预设相似程度阈值，则将两个节点划分至同一子网。也就是：若任意两个节点的划分指标值的相似程度小于预设相似程度阈值，则将两个节点划分至同一子网。

在一种实施方式中，计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，包括：按照第二公式计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率；其中，第二公式为：；表示当前子网中的节点u向当前子网中的节点v传播多源信息的传播概率，Q表示多源信息的个数，t表示节点u传播信息到节点v需要的时间，表示当前子网中的节点u向当前子网中的节点v传播多源信息的初始传播概率。其中，用于表示传播路径引入的传播衰减，由此考虑传播衰减来网络节点u向当前子网中的节点v传播多源信息的传播概率，能够提升传播概率的计算准确度。

在一种实施方式中，计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，包括：按照第三公式计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率；其中，第三公式为：；表示当前子网中的节点u向当前子网中的节点v传播多源信息的传播概率，D(t)表示延迟函数，Q表示多源信息的个数，t表示节点u传播信息到节点v需要的时间，表示当前子网中的节点u向当前子网中的节点v传播多源信息的初始传播概率。D(t)是关于t的函数，其计算公式为：D(t)=t²+t或D(t)=e^t或其他。其中，用于表示传播路径引入的传播延时，由此考虑传播延时来网络节点u向当前子网中的节点v传播多源信息的传播概率，能够提升传播概率的计算准确度。

在一种实施方式中，根据当前子网中每一节点的传播概率及实时资源量在当前子网中选择管理节点，包括：若任意节点的传播概率大于预设概率阈值、且该节点的实时资源量大于预设资源阈值，则将该节点作为管理节点。其中，确定当前子网中每一节点的实时资源量，包括：按照第四公式计算当前子网中每一节点的实时资源量；第四公式为：T_u=a×X_u+b×Y_u+c×Z_u，T_u表示当前子网中节点u的实时资源量，X_u表示当前子网中节点u的实时算力，Y_u表示当前子网中节点u的实时内存量，Z_u表示当前子网中节点u的实时带宽，a、b和c为预设参数。

在本实施例中，若任意子网中不包括目标节点，则不在该子网中选择管理节点。若任意子网中包括目标节点，则根据当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率及实时资源量在当前子网中选择管理节点。

在一种实施方式中，在有目标节点的子网中选取管理节点后，在管理节点所在位置部署数据交换设备；数据交换设备包括：交换机和/或路由器。或在管理节点所在位置部署调度中心；利用调度中心收集管理节点所在子网内各节点的节点信息。其中，利用调度中心收集管理节点所在子网内各节点的节点信息，包括：利用调度中心定时向管理节点所在子网内的各节点发送信息收集指令，接收管理节点所在子网内的各节点根据信息收集指令返回的节点信息；或利用调度中心接收管理节点所在子网内的各节点定时发送的节点信息。

可见，本实施例通过目标网络中节点的度数、结构桥作为结构化因素来评价节点，并通过节点在预设传播距离约束下的传播范围作为非结构化因素来评价节点，并由此结合结构化因素和非结构化因素综合评估节点的传播力，能够提高节点评估准确性，为目标节点的选择提供了可靠的数据支持；在划分目标网络得到多个子网后，若任意子网中包括目标节点，则根据当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率及实时资源量在当前子网中选择管理节点，能够结合多源信息在同一网络中的传播特点在不同子网中进行管理节点的选择，克服了的单一信息传播模型的不足以及集中式选择管理节点的缺陷，能够快速且准确地选择交换设备和管理设备等节点的位置。

请参见图3，按照本发明可实现如图3所示的各模块，包括：目标节点评价指标建模模块、网络划分模块、信息传播方式建模模块以及种子节点（即管理节点）选择模块。

下面介绍整体工作原理与流程，并描述各模块的输入与输出以及各模块之间的内在逻辑关联。首先，给定一个原始网络，包括各个网络节点及其关联的边，具体如图2所示。

目标节点评价指标建模模块能够对给定的网络节点进行重要性评价。该模块考虑节点的两方面因素：结构化因素与非结构化因素。结构因素主要包括节点度数、节点结构桥等维度，而非结构因素主要是指节点传播能力。综合结构化因素与非结构化因素，该模块可综合评估网络中的各个节点。目标节点评价指标建模模块的输入是原始网络，依据本发明提出的结构因素与非结构因素相结合的评价指标，该模块的输出是明确原始网络中哪些节点是潜在价值较高的目标节点，如：选择M个目标节点。

传统的网络节点重要性评估方法主要是利用网络节点所处的位置和结构信息，这类节点评价方法简单，忽略了节点本身的非结构化因素，例如节点的信息传播广度。因此，考虑到传统节点评价方法的不足，本发明提出结构化因素与非结构化因素相结合的新型评价方法。下面分别阐述结构化因素、非结构化因素、以及目标节点评价指标定义。

本发明的结构化因素主要考虑网络节点的度数与结构桥两个维度。网络节点的度数是指节点连接的边的总数，包括由节点v发出的边的数量Outdegree(v)和由其他节点指向节点的边的数量Indegree(v)。因此，网络节点的度数degree(v)=Outdegree(v)+Indegree(v)。

对于一个给定的网络，其中表示个网络节点，表示q条边。依据G的信息，可以定义网络G的邻接矩阵A。下面以图2所示网络为G为例，其邻接矩阵A如表1所示。图2所示网络包括11个节点和18条边。表1的第一行和第一列为节点标识，其余位置的0、1为邻接矩阵A中的元素。

如表1所示，邻接矩阵表明了节点间的连接关系，如果节点v与节点u之间存在连边，则在邻接矩阵相应位置标记为1，否则标记为0。具体而言，邻接矩阵第一行表示节点1指向所有节点的情况。例如，在图2中只存在一条由节点1指向节点3的边，因此，在邻接矩阵A的第1行第3列位置标记为1，第一行其他位置均标记为0。类似地，第二行表示节点2指向所有节点的链接情况。以此类推，邻接矩阵中第v行中1的数目代表了节点v的出度数Outdegree(v)，例如，第一行只有1个1，则=1。

此外，邻接矩阵的某一列表示所有节点指向该节点的情况。例如，邻接矩阵中第一列只有1个1。因此，节点1的入度=1。综上所述，=1+1=2。

类似地，根据邻接矩阵可以计算出所有节点的度数，即：。为了后续计算方便，将节点v的度数进行标准化操作，即：。其中，表示节点v标准化操作前的度数，表示网络所有节点的度数总和，表示节点v标准化操作后的度数。

网络节点的结构桥是指节点作为连接两个节点x与节点y的桥梁。例如图2中，节点1作为连接节点2和节点3之间的桥梁，并且去掉节点1之后，节点2无法指向节点3，此时将节点1称为链路（节点2->节点3）的结构桥。类似地，节点3作为连接节点1和节点2的桥梁，并且去掉节点3之后，节点1无法指向节点2，因此节点3也是结构桥。此外，节点2作为连接节点3和节点1的桥梁，并且去掉节点2之后，节点3无法指向节点1，因此节点2同样也是结构桥。

基于上述结构桥的定义，可以计算出每个节点作为链路的结构桥数目。以图2为例，分别计算网络中所有节点的结构桥数目。节点1的；节点2的；节点3的；节点4的；节点5的；节点6的；节点7的；节点8的；节点9的；节点10的；节点11的。

根据上述各个节点的可计算出网络G全体节点的，即：。

为了后续计算方便，将节点v的结构桥数目进行标准化操作，即：；其中，表示节点v标准化操作前的结构桥数目，表示网络所有节点的结构桥数目总和，表示节点v标准化操作后的结构桥数目。

参照前述，本发明提出如下的结构化因素评价评价指标。对于网络G中的任意一个节点v，其结构化因素评价指标：；其中，0<表示两个介于(0,1)之间的系数或权重，以表征度因素与结构桥因素所占比重，默认值均设为0.5。

本发明提出的网络节点的非结构因素主要是指节点的信息传播广度。具体而言，一个节点v的信息传播广度应通过其可以使信息到达的节点数目来衡量。本发明提出一个传播跳数阈值来控制节点使信息所能到达的节点数。通常情况下该阈值越大则节点v的信息传播广度越强，但是计算复杂度也越大。以图2给定的原始网络为例并且令，图2所示网络G中各节点的信息传播广度（即传播距离约束2下的传播范围）如下：节点1的；节点2的；节点3的；节点4的；节点5的；节点6的；节点7的；节点8的；节点9的；节点10的；节点11的。

因此，网络G全体节点的信息传播广度定义如下：。

为了后续计算方便，将节点v的信息传播广度进行标准化操作，即：。其中，表示节点v的标准化操作前的信息传播广度，表示网络所有节点的信息传播广度，表示节点v的标准化操作后的信息传播广度。

综上所述，本发明提出结构化因素与非结构化因素相结合的目标节点评价方法，具体定义如下：。其中，S表示节点v的结构化因素评价结果，表示节点v的非结构化因素评价结果（即节点的信息传播广度），表示节点v的传播力。

参照前述，在网络G中选M个目标节点的算法可设计为：算法输入：网络G=(V,E)，目标节点数量M，阈值，参数；算法输出：前M个值较高的节点作为目标节点集合T。算法过程包括：步骤1、计算网络G中所有节点v的值；步骤2、对步骤1产生的全部值进行降序排列；步骤3、选择前M个得分较高的节点作为目标节点集合T。

网络划分模块定义有网络的特征值矩阵以及度数矩阵，以表征网络中各节点的结构特征以及分布情况。其次，将特征值矩阵与度数矩阵结合起来对原始网络进行子网划分，并获得若干个子网。网络划分模块在前一模块的基础之上，利用本发明提出的新型网络划分规则，将原始网络拆分成若干个规模较小的子网。因此，该模块的输出是各个子网。

考虑到网络节点规模、地理位置分布情况、节点个体差异以及算法执行的计算成本等因素，本发明对原始大规模网络进行有效拆分，并提出了子网分的策略。子网划分的优势在于以下两个方面：一是将原始大规模网络拆分成若干子网，可以有效降低种子选择的计算复杂度；二是多个子网之间相互独立且互不干扰，因而可以实现分布式并行计算，从而提升后续种子选择算法的并行度，加快算法执行效率。

本发明提出基于邻接矩阵A的特征值矩阵Eigenvalue Matrix（EM）与度数矩阵Degree Matrix（DM）的划分规则。下面分别介绍特征值矩阵的定义与度数矩阵的定义。

特征值矩阵EM的定义为求解行列式的解，并将n个特征值依次存放于EM矩阵的对角线位置。具体而言，对于一个N×N的邻接矩阵A，可以通过求解确定特征值矩阵EM。表示一个N×N的单位矩阵，表示一个N维向量，并且每一个分量表示对应的特征值。展开得如下的特征多项式方程：。该特征多项式方程又可以转化成如下形式：…=0。因此，有n个取值，分别为=、…。

将第一个特征值放置于特征值矩阵EM的第一行第一列，将第二个特征值放置于特征值矩阵EM的第二行第二列，依次类推，最终将第n个特征值放置于特征值矩阵EM的第n行第n列。综上，由特征值构建的特征值矩阵EM为：。在EM中，刻画了节点1的特性，刻画了节点2的特性，以此类推，描述了节点n的特性。综上所述，特征值矩阵EM一定程度上反映了网络结构本身的特征及属性，因而选择EM作为子网划分的重要参考指标。

网络G的度数矩阵DM定义为：。DM表示为一个N×N的矩阵，对角线值表示各个节点的度数，而其他位置均为0。

基于特征值矩阵与度数矩阵可计算：。Split(G)为对角线矩阵，并且其第一行对角线元素表示了节点1的属性（即节点1的划分指标值），其第二行对角线元素表示了节点2的属性，依次类推。

本发明提出如下的子网划分算法，算法输入：网络G=(V,E)及其划分条件矩阵Split(G)，距离参数d；算法输出：网络G划分后得到的若干子网,…。过程包括：步骤1、确定原始网络G中各个节点v的Split(v)值，各个节点v的Split(v)值为矩阵Split(G)的各个对角线元素。步骤2、定义任意两个节点u与节点v之间距离，即：。步骤3、依据上述距离公式，对于各节点v分别计算它与其他节点u的距离，并且如果它们之间的距离，则将节点v与节点u划分至同一子网。步骤4、重复上述过程，直至将原始网络G中的节点拆分为个子网,…。

后续种子节点选择模块的输入为各个子网，而不是原始网络，以对不同子网进行并行化处理。

信息传播方式建模模块定义信息的传播方式。具体而言，本发明研究信息传播模型，分析和揭示信息传播模型的原理和机制并为后续算法设计提供前提条件。为了解决现有独立级联IC（Independent Cascade）模型和线性阈值LT（Linear Threshold）模型的不足，本发明考虑了信息传播的多源性、延迟性和衰减性，提出多源信息延迟模型与衰减模型。独立级联IC模型和线性阈值LT模型依赖不同规则实现信息的传递，节点一旦被激活（收到信息）将会一直保持激活状态直到信息传播过程结束。IC模型认为节点的激活过程是相互独立的，而线性阈值LT模型节点的激活需满足其邻居节点的影响程度超过预先设定的阈值。这些模型难以揭示真实网络影响力的信息传播方式和普遍规律，因此本发明分析和构建新型网络影响力传播模型，以揭示影响力传播的动态演化机制。信息传播方式建模模块提出了多源信息延迟与衰减模型，能够在各个子网中，按照多源信息的传播方式及延迟、衰减模型计算传播概率。

传统IC模型用来描述单源信息，即一个网络中只存在同一种信息。显然，这与真实的网络传播内容不符，因此本发明首先考虑多信息源的衰减模型。假定网络中同时存在Q种信息源，并且一个节点只能被一种信息激活。本发明定义在时刻网络节点激活节点的概率（即节点u将信息传递至节点v的概率）)如下：，表示节点激活节点的初始概率（即0时的概率），t表示传播时间，表示衰减因素。需要说明的是，连接不同子网的两个节点（如图2所示的节点6和节点9）间的传播概率也据此进行计算。也就是：整个网络中的每一节点之间的传播概率都可以据此公式进行计算。

信息传播过程按照如下的离散时间片规则展开：假定n个初始的种子集合为且它们处于活跃状态（节点获得了信息），其余节点均处于非活跃状态（节点未获得信息）。令表示在时刻活跃节点集合，并且中每个节点都有单一机会通过有向边以概率在时刻去激活它的每一个非活跃邻居。重复上述过程直到没有新节点可被激活，信息传播过程结束。由此，任意节点在t时刻获得信息后，该节点向其非活跃邻居节点传播信息的过程为：该节点通过自身与非活跃邻居节点之间的有向边以概率向其非活跃邻居节点传播此信息。如果要求一个节点只能由非活跃状态转化为活跃状态而不能反向转化、且若一个节点已被某种信息激活，其余信息对其不再发挥作用，那么当多信息传播到同一个节点时，该节点随机选择其中的一种信息并接收。

除了衰减因素外，本发明还考虑信息在传播过程中会出现一定的延迟性，用函数表示。因此，将代入公式(15)后，定义在时刻网络节点激活节点的概率如下：。延迟函数D(t)通常可以定义为多项式函数或指数函数，例如D(t)=+t，D(t)=等。如上两种方式任选至少一种均能够用于计算网络节点激活节点的概率。如果同时使用两种方式针对同一节点计算了传播概率，那么可将计算所得的两个传播概率的均值作为此节点的传播概率。

现有的信息传播模型如独立级联IC模型或线性阈值LT模型没有考虑信息的特性，同时也没有考虑信息传播过程的衰减、延迟等因素。本发明以IC和LT模型为基础，考虑信息传播的多源性（即多种信息同时在同一网络中传播）、延迟性（即信息传播受网络传输或物理硬件等因素的影响导致出现延迟或滞后）和衰减性（即信息传播受到网络环境等因素引起的衰减效应）对信息传播模型的作用，揭示信息传播的内在客观规律和机制，建立精确反映真实影响力传播的数学模型。

种子节点选择模块负责在各个子网中同时开展种子节点挑选操作。为了实现种子节点的高效选择，本发明可以在不同约束条件（如：挑选K个种子节点）下设计了扩展算法，最终输出最优的种子集合。种子节点选择模块的输入是各个带有目标节点的子网及该子网内的信息传播模型，该模块利用本发明提出的扩展算法挑选满足一定约束条件（如：挑选K个种子节点）的种子集合，从而使得种子节点数量最大化。

种子节点选择模块针对各个子图分别进行种子节点的选择，以完成K个种子节点的选择。该模块的输入为各个子网，并利用本发明定义的信息传播模型，寻找可以使得目标节点被激活概率最大化的种子集合S。

种子节点选择方法的输入：个子网,…，约束条件K，信息传播模型。输出：种子节点集合S，过程包括：步骤0、初始化种子节点集合S为空集合。步骤1、对于每个子网，并行执行如下操作。步骤2、如果该子网中不包含目标节点，则对不做任何操作。步骤3、如果该子网中包含目标节点v，则在该子网中选择最大的节点作为种子节点；。步骤4、更新种子集合，即。步骤5、比较种子集合S的规模与K的大小。如果|S|<K，算法重复执行上述过程，如果，算法停止。

若在每个有目标节点的子网中都选了一个种子节点，种子节点仍不够K个，那么重复执行上述过程，再在各个有目标节点的子网中选。

需要说明的是，在有目标节点的子网中选种子节点时，可参照如下过程进行，也即：若节点的传播概率大于预设概率阈值、且该节点的实时资源量也大于预设资源阈值，则将该节点选为种子节点，从而综合考虑节点传播信息的能力和节点的固有属性T_u=a×X_u+b×Y_u+c×Z_u进行种子节点选择，T_u表示当前子网中节点u的实时资源量，X_u表示当前子网中节点u的实时算力（如处理器主频大小），Y_u表示当前子网中节点u的实时内存量，Z_u表示当前子网中节点u的实时带宽，a、b和c为预设参数。

传统任务应用场景下，种子节点的选择主要采用集中式策略，即从给定的整个网络中挑选种子节点。集中式方法的不足在于以下两个方面。一是计算量大。由于种子选择面向的是整个网络，当网络节点数量为n时，一般方法依次遍历整个网络挑选种子集合的复杂度至少为O(n)，从而无法有效扩展。二是难以并行计算。传统集中式算法迭代挑选种子节点，由于迭代过程中的先后顺序问题，导致算法难以实现并行计算。针对上述传统集中式方案的不足，本发明采用分布式策略提高算法的可扩展与并行度，通过对原始网络的有效分割，将原始大规模网络划分成若干规模较小的子网，分别针对各个子网同时开展种子筛选操作，减少算法计算复杂度的同时提高算法的并行度，从而优化算法整体的计算时长。

可见，本发明提出了一种分布式跨域节点协同计算方法，解决特定目标节点数量最大化问题。首先对网络节点潜在价值建模，提出目标节点的建模策略以确定目标节点群体。然后，针对现有信息传播模型刻画不准确问题，本发明提出新型信息传播模型。其次，考虑到现有集中式策略的不足与目标节点群体在网络中的分布情况，本发明将提出分布式种子筛选策略，以降低算法计算复杂性，提高算法的可用性与可扩展性。本发明针对图2的整体处理过程可参照图4。

并且，本发明可以广泛应用于任务密集型和计算密集型的应用场景，如人工智能模型训练网络、数据中心、智能网络系统、分布式计算系统，无线传感器网络等。

下面对本发明实施例提供的一种节点选择装置进行介绍，下文描述的一种节点选择装置与本文描述的其他实施例可以相互参照。

参见图5所示，本发明实施例公开了一种节点选择装置，包括：

确定模块501，用于确定目标网络中各节点的度数、结构桥数及预设传播距离约束下的传播范围；

第一选择模块502，用于根据度数、结构桥数及传播范围评估各节点的传播力，并根据传播力在目标网络中选择目标节点；

第二选择模块503，用于将目标网络划分为多个子网，若任意子网中包括目标节点，则计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，得到当前子网中每一节点的传播概率；确定当前子网中每一节点的实时资源量，根据当前子网中每一节点的传播概率及实时资源量在当前子网中选择管理节点。

在一种实施方式中，确定模块具体用于：

构建目标网络对应的N×N的邻接矩阵；N为目标网络中的节点总数，邻接矩阵中的第i行第j列元素表示：节点i指向节点j的出度数；

根据邻接矩阵确定目标网络中每一节点的出度数总数及入度数总数，将同一节点的出度数总数及入度数总数之和确定为相应节点的度数。

在一种实施方式中，确定模块具体用于：

针对目标网络中的每一节点，将以当前节点作为传播桥梁的邻居节点构成邻居组，将邻居组的个数作为当前节点的结构桥数；或针对目标网络中的每一节点，将当前节点作为其邻居节点的传播桥梁的次数作为当前节点的结构桥数。

在一种实施方式中，确定模块具体用于：

计算目标网络中每一节点在预设传播距离约束下将信息传到的节点个数作为相应节点的传播范围。

在一种实施方式中，第一选择模块包括：

标准化操作单元，用于将度数、结构桥数及传播范围进行标准化操作；

在一种实施方式中，评估单元具体用于：

按照第一公式计算得到各节点的传播力，第一公式为：E_i=α×D_i+β×B_i+S_i；E_i表示目标网络中节点i的传播力，D_i表示节点i的标准化操作后的度数，B_i表示节点i的标准化操作后的结构桥数，S_i表示节点i的标准化操作后的传播范围，α和β为预设权重系数。

在一种实施方式中，第一选择模块包括：

目标节点选择单元，用于将目标网络中的所有节点按照传播力由大至小排列，将前M个节点作为目标节点；或将目标网络中的所有节点按照传播力由小至大排列，将后M个节点作为目标节点；M为预设值。

在一种实施方式中，第二选择模块包括：

第一构建单元，用于构建目标网络对应的N×N的邻接矩阵；N为目标网络中的节点总数，邻接矩阵中的第i行第j列元素表示：节点i指向节点j的出度数；

第一计算单元，用于利用邻接矩阵和N×N的单位矩阵构建特征值计算公式，求解特征值计算公式得到N个特征值；

第二构建单元，用于使N个特征值作为对角线元素，构建得到N×N的特征值矩阵；

第三构建单元，用于使目标网络中各节点的度数作为对角线元素，构建得到N×N的度数矩阵；

第二计算单元，用于将特征值矩阵和度数矩阵的对角线元素对位相加，得到目标网络中各节点的划分指标值；

划分单元，用于根据划分指标值将目标网络中的各节点划分为多个子网。

在一种实施方式中，划分单元具体用于：

针对目标网络中任意两个节点，以相应划分指标值计算两个节点之间的相似程度；

若相似程度小于预设相似程度阈值，则将两个节点划分至同一子网。

在一种实施方式中，第二选择模块包括：

其中，第二公式为：；表示当前子网中的节点u向当前子网中的节点v传播多源信息的传播概率，Q表示多源信息的个数，t表示节点u传播信息到节点v需要的时间，表示当前子网中的节点u向当前子网中的节点v传播多源信息的初始传播概率。

在一种实施方式中，概率计算单元具体用于：

其中，第三公式为：；表示当前子网中的节点u向当前子网中的节点v传播多源信息的传播概率，D(t)表示延迟函数，Q表示多源信息的个数，t表示节点u传播信息到节点v需要的时间，表示当前子网中的节点u向当前子网中的节点v传播多源信息的初始传播概率。

在一种实施方式中，D(t)的计算公式为：D(t)=t²+t或D(t)=e^t。

在一种实施方式中，第二选择模块包括：

管理节点选择单元，用于若任意节点的传播概率大于预设概率阈值、且该节点的实时资源量大于预设资源阈值，则将该节点作为管理节点。

在一种实施方式中，第二选择模块包括资源量计算单元，用于按照第四公式计算当前子网中每一节点的实时资源量；第四公式为：T_u=a×X_u+b×Y_u+c×Z_u，T_u表示当前子网中节点u的实时资源量，X_u表示当前子网中节点u的实时算力，Y_u表示当前子网中节点u的实时内存量，Z_u表示当前子网中节点u的实时带宽，a、b和c为预设参数。

在一种实施方式中，还包括：

若任意子网中不包括目标节点，则不在该子网中选择管理节点。

在一种实施方式中，还包括：

部署模块，用于在管理节点所在位置部署数据交换设备；数据交换设备包括：交换机和/或路由器。

在一种实施方式中，部署模块还用于：

在管理节点所在位置部署调度中心；

利用调度中心收集管理节点所在子网内各节点的节点信息。

在一种实施方式中，部署模块还用于：

利用调度中心定时向管理节点所在子网内的各节点发送信息收集指令，接收管理节点所在子网内的各节点根据信息收集指令返回的节点信息；或利用调度中心接收管理节点所在子网内的各节点定时发送的节点信息。

在一种实施方式中，目标网络为：分布式计算网络、无线传感器网络或数据存储网络。

其中，关于本实施例中各个模块、单元更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。

可见，本实施例提供了一种节点选择装置，能够结合多源信息在同一网络中的传播特点在不同子网中进行管理节点的选择。

下面对本发明实施例提供的一种电子设备进行介绍，下文描述的一种电子设备与本文描述的其他实施例可以相互参照。

参见图6所示，本发明实施例公开了一种电子设备，包括：

存储器601，用于保存计算机程序；

处理器602，用于执行所述计算机程序，以实现上述任意实施例公开的方法。

进一步的，本发明实施例还提供了一种电子设备。其中，上述电子设备既可以是如图7所示的服务器，也可以是如图8所示的终端。图7和图8均是根据一示例性实施例示出的电子设备结构图，图中的内容不能被认为是对本发明的使用范围的任何限制。

图7为本发明实施例提供的一种服务器的结构示意图。该服务器具体可以包括：至少一个处理器、至少一个存储器、电源、通信接口、输入输出接口和通信总线。其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行，以实现前述任一实施例公开的节点选择中的相关步骤。

本实施例中，电源用于为服务器上的各硬件设备提供工作电压；通信接口能够为服务器创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本发明技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统、计算机程序及数据等，存储方式可以是短暂存储或者永久存储。

其中，操作系统用于管理与控制服务器上的各硬件设备以及计算机程序，以实现处理器对存储器中数据的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序除了包括能够用于完成前述任一实施例公开的节点选择方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据除了可以包括应用程序的更新信息等数据外，还可以包括应用程序的开发商信息等数据。

图8为本发明实施例提供的一种终端的结构示意图，该终端具体可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。

通常，本实施例中的终端包括有：处理器和存储器。

其中，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用DSP（Digital Signal Processing，数字信号处理）、FPGA（Field－Programmable Gate Array，现场可编程门阵列）、PLA（Programmable Logic Array，可编程逻辑阵列）中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU（Central Processing Unit，中央处理器）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU（Graphics Processing Unit，图像处理器），GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI（ArtificialIntelligence，人工智能）处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器至少用于存储以下计算机程序，其中，该计算机程序被处理器加载并执行之后，能够实现前述任一实施例公开的由终端侧执行的节点选择方法中的相关步骤。另外，存储器所存储的资源还可以包括操作系统和数据等，存储方式可以是短暂存储或者永久存储。其中，操作系统可以包括Windows、Unix、Linux等。数据可以包括但不限于应用程序的更新信息。

在一些实施例中，终端还可包括有显示屏、输入输出接口、通信接口、传感器、电源以及通信总线。

本领域技术人员可以理解，图8中示出的结构并不构成对终端的限定，可以包括比图示更多或更少的组件。

下面对本发明实施例提供的一种可读存储介质进行介绍，下文描述的一种可读存储介质与本文描述的其他实施例可以相互参照。

一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述实施例公开的节点选择方法。其中，可读存储介质为计算机可读存储介质，其作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统、计算机程序及数据等，存储方式可以是短暂存储或者永久存储。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的可读存储介质中。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种节点选择方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，确定目标网络中各节点的度数，包括：

3.根据权利要求1所述的方法，其特征在于，确定目标网络中各节点的结构桥数，包括：

4.根据权利要求1所述的方法，其特征在于，确定预设传播距离约束下的传播范围，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据所述度数、所述结构桥数及所述传播范围评估各节点的传播力，包括：

6.根据权利要求5所述的方法，其特征在于，所述根据标准化操作后的度数、结构桥数及传播范围评估各节点的传播力，包括：

7.根据权利要求1所述的方法，其特征在于，所述根据所述传播力在所述目标网络中选择目标节点，包括：

8.根据权利要求1至7任意一项所述的方法，其特征在于，所述将所述目标网络划分为多个子网，包括：

9.根据权利要求8所述的方法，其特征在于，所述根据所述划分指标值将所述目标网络中的各节点划分为多个子网，包括：

10.根据权利要求1至7任意一项所述的方法，其特征在于，所述计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，包括：

11.根据权利要求1至7任意一项所述的方法，其特征在于，所述计算当前子网中每一节点向当前子网中其他节点传播多源信息的传播概率，包括：

12.根据权利要求11所述的方法，其特征在于，D(t)的计算公式为：D(t)=t²+t或D(t)=e^t。

13.根据权利要求1至7任意一项所述的方法，其特征在于，所述根据当前子网中每一节点的传播概率及实时资源量在当前子网中选择管理节点，包括：

14.根据权利要求1至7任意一项所述的方法，其特征在于，所述确定当前子网中每一节点的实时资源量，包括：

15.根据权利要求1至7任意一项所述的方法，其特征在于，还包括：

16.根据权利要求1至7任意一项所述的方法，其特征在于，还包括：

17.根据权利要求1至7任意一项所述的方法，其特征在于，还包括：

在所述管理节点所在位置部署调度中心；

18.根据权利要求17所述的方法，其特征在于，所述利用所述调度中心收集所述管理节点所在子网内各节点的节点信息，包括：

19.根据权利要求1至7任意一项所述的方法，其特征在于，所述目标网络为：分布式计算网络、无线传感器网络或数据存储网络。

20.一种节点选择装置，其特征在于，包括：

21.一种电子设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序，以实现如权利要求1至19任一项所述的方法。

22.一种可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至19任一项所述的方法。