一种用于千万级节点大规模复杂网络多重分形分析的高效计算沙盒算法

多重分形分析 (MFA) 是系统描述理论和实验分形模式空间异质性的有用工具。盒覆盖是分形分析广泛使用的方法之一。它已知是 NP 困难的。更严重的是，与分形分析算法相比，MFA 算法具有高得多的计算复杂度。在用于复杂网络的各种 MFA 算法中，沙盒 MFA 算法表现出最佳的计算效率。然而，现有的沙盒算法在计算上仍然昂贵。对于具有数千万节点的大规模网络，实施 MFA 变得具有挑战性。此外，通过大幅增加理论网络的规模是否能改善 MFA 结果尚不清楚。为了应对这些挑战，本文提出了一种用于大规模网络 MFA 的高效计算沙盒算法 (CESA)。我们的 CESA 采用广度优先搜索 (BFS) 技术直接搜索中心节点每一层的邻居节点，然后检索所需信息。我们 CESA 的输入是一种稀疏数据结构，该结构源自为大规模网络邻接矩阵压缩存储而设计的压缩稀疏行 (CSR) 格式。理论分析表明，CESA 将现有沙盒算法的时间复杂度从三次降低到二次，并将空间复杂度从二次改善到线性。对典型的复杂网络进行了 MFA 实验以验证我们的 CESA。最后，我们将 CESA 应用于几个典型的大规模真实世界网络。