一种基于渗流过程和进化计算的网络传播源定位方法

1.本发明属网络信息传播技术领域，具体涉及一种基于渗流过程和进化计算的网络传播源定位方法。


背景技术：

2.在当前世界中存在着如社交网、电力网、公路交通网等各种各样的复杂网络，复杂网络的高互连性和高凝聚力为节点之间信息交流提供便利的同时，也增加了网络中各种风险出现的机会。比如，谣言在社交网络中的快速传播，计算机病毒在短时间内对大量主机的感染，传染疾病在人群中的爆发。因此，快速定位传播源所在区域，控制传播源点扩散带来的影响具有非常重要地研究价值和意义。
3.传播源定位问题的主要任务是设计一个可以推断出传播源的估计器，其中最理想的估计器是能寻找到真实源的估计器。然而，由于节点交流模式的复杂性和扩散模型的不确定性，即使底层的网络为树状网络，所设计的估计器在理论上也几乎不可能推断出真实源。因此，误差距离被开发并被用来作为评估一个估计器性能的标准：如果相应的推断源在距离上更接近真实源，则称一个估计器比另一个估计器更好。基于不同的已知信息假设，研究者们开发了不同的方法来最小化误差距离。但在实际中，我们面临的问题是：获得误差距离较小的估计器之后，如何进一步溯源？诚然，人们可以对估计出的传播源的邻近区域进行更密集的检测，最终实现真实源的定位。在此场景下，对于结构相对简单的网络，一个小的误差距离通常预示着我们只需要对很少一部分节点实施进一步更密集的检测来找出真实的传播源。但是，由于大多数现实世界的网络都是异构的，也即在这样的网络中，一个节点可能与多数节点直接相连，那么邻近区域的更密集检测的节点规模可能正比于该网络的大小，这在实际中显然是不可行的。
4.迄今为止，针对复杂网络中的传播源定位已经有大量的研究，越来越多的算法被提出以检测网络中携带虚假或恶意信息的传播源。传播源定位的算法总体上可分为三大类：1)基于完全观察图的方法，即研究者获取网络所有节点的状态信息及感染时间信息检测传播源，比如谣言中心性、最小描述长度方法、节点动态年龄的源识别方法。2)基于网络快照观察的方法，即研究者获取网络中在单位时间内各节点接收和传播信息的情况，相对完全观察图来言，该条件更容易得到满足。比如jordan中心方法、动态消息传播方法。3)基于传感器观察的方法，即研究者在网络中布置一定数量的观察点作为传感器，获取特定节点的传染信息检测网络中的传播源。pinto等人在2012年首次提出了这类方法，它基于两个假设，一是网络传播时延服从高斯分布，二是信息的传播路径是以节点为根的深度遍历树。通过监测观察点状态初次改变的时间以及信息来源的方向，利用最大似然估计的方法估计传播源。节点中心性方法是分析网络属性的一种可行手段，有些算法也采用各种中心性方法来识别传播源，比如度中心性、接近中心性、介数中心性。
5.传播源节点检测问题意义重大，但目前仍然存在一些问题。一方面，当前大多数方法均是基于树形结构网络设计，而实际中的大多数网络都是复杂网络。因此，直接在一般网
络上使用或扩展基于树形网络的方法进行传播源检测，通常会存在检测效率降低、准确性难以保证等问题。另一方面，目前大多数方法是针对小型网络而设计，计算复杂度较高，难以实际应用到一般大规模网络中。


技术实现要素：

6.为了克服现有技术的不足，本发明提供一种基于渗流过程和进化计算的网络传播源定位方法。首先，输入网络数据集，得到其节点及连边属性，并初始化传播模型参数；然后，基于渗流和进化计算相关理论和方法，采用aef算法迭代更新初始观察点序列得到最后序列，依照序列在网络中布置一定比例的观察点；其次，随机选择传播源处于感染状态启动传播过程，直到检测到达一定爆发范围时停止传播过程；根据观察点捕获信息寻找目标连通片获取子图v
′c，在子图v
′c上启动ris算法检测传播源；最后，将检测传播源的固定跳数之内的邻居加入候选集，该候选集可作为后续搜索真实传播源的范围。本发明可以实现大型网络的快速传播源定位，从而及时控制恶意信息传播，降低其造成的损失。
7.一种基于渗流过程和进化计算的网络传播源定位方法，其特征在于步骤如下：
8.步骤1：输入实验网络数据集g(v,e)，其中，v表示网络节点集合，e表示网络中的边集合；初始化固定传播模型的边感染率β
uv
、节点恢复率γu，边感染率β
uv
的取值范围为[0,1]，节点恢复率γu的取值范围为[0,1]；确定爆发率ε，爆发率ε取值范围为[0,1]；初始化网络中所有节点均处于易感状态；
[0009]
步骤2：采用随机排序或节点度排序方法构建得到初始图全体节点序列s，并采用 aef算法对节点序列s进行更新，对于更新后节点序列，按照从前往后的顺序选择比例 q个节点作为观察点，并构成观察点集合o，将观察点标记在网络上，记录观察点被感染的绝对时间，从观察点集合o中随机确定占比为rd＝|od|/|o|个观察点构成集合 od，记录观察点被感染的方向信息；q的取值范围为[0,0.2]，rd的取值范围为[0.001,1]；
[0010]
步骤3：在t＝0时刻，从数据集g(v,e)所有节点中随机选择传播源vs处于感染状态，启动传播过程；在传播过程中，观察点记录自己被感染的绝对时间，集合od中的观察点同时还记录被感染的方向信息，处于感染状态的节点以边感染率β
uv
传播病毒给处于易感状态的邻居节点，同时，处于感染状态的节点以恢复率γu进入恢复状态，被感染节点进入感染状态成为新感染节点，处于感染状态的全体节点继续进行传播行为，直至网络中的感染节点数n1和恢复节点数n2满足(n1 n2)/n≥ε，停止传播过程，此时得到的节点感染情况分布图构成感染图gi；其中，n表示网络g中包含的节点数量；
[0011]
步骤4：以步骤2中的观察点集合o作为移除节点集vr，数据集g中除观察点外的其他节点构成剩余节点集vo；针对移除节点集vr，移除集合vo中的节点与vr中节点相连的边后得到若干大小不同且大于1的连通片，标记为ci，表示第i个连通片，其中 i＝1,2,
…
,c，c表示连通片总数；按照确定连通片ci的边界其中，u表示移除节点集vr中的任意节点，v表示连通片ci中的任意节点，e
uv
表示感染图gi中连接节点u和节点v的边；按照确定移除节点集vr中的任意节点u的连通覆盖区域α(u)，其中，γ(u)表示节点u在感染图gi中的邻居节点集， ci(v)表示节点v所属的连通片ci；
[0012]
步骤5：选择被感染时间最早的观察点构成被感染观察点子集合o
′
；按照公式
构建子图v
′c，其中，x表示被感染观察点子集合o
′
中的任意观察点，α(x)表示观察点x在感染图gi中的邻居节点所在的连通片覆盖区域；
[0013]
步骤6：按照t
′
x
＝t
x-t
min
计算感染相对时间t
′
x
，其中，t
x
表示观察点x被感染的时间，在子图v
′c上采用ris算法寻找得到传播源
[0014]
步骤7：将传播源的固定阶数之内的邻居节点加入候选集vc，以候选集的相对大小φ＝|vc|/n作为评价指标，φ越小表示遏制感染的范围越小；其中，|vc|表示候选集vc包含的节点数量，所述的固定阶数为一阶或二阶。
[0015]
进一步地，步骤2中所述的采用aef算法对节点序列s进行更新的具体过程为：
[0016]
步骤a：按照随机确定序列分段的段长参数ns，将节点序列s由前往后进行分段，每段包含ns个节点，记第k段序列为sk，其中，n为序列s包含的节点总数，k＝1,2,...,k，k为序列分段的总段数；
[0017]
步骤b：对于每一个分段序列sk按照以下过程并行进行更新，得到更新后的分段序列sk，其中更新次数为
[0018]
步骤s1：参数初始化，令循环计次变量j＝ns，初始中间节点序列s
′k＝sk，构造初始子图g
′k(v
′k,e
′k)的网络，其中，令表示序列sk之后的所有序列的拼接序列，v
′k为子图的节点集，包含序列所有节点，e
′k＝e∩(v
′k×v′k)为构成子图的边集，v
′k×v′k表示节点集间的所有可能连边的集合；随机确定选择次数参数δ和节点选择参数x，δ∈[1,50]，x∈(0,1]；
[0019]
步骤s2：从集合{s
′k(z),z∈[max(j-x
×ns
,1),j]}中随机选择节点，选择δ次，以选择得到的节点构成候选集合其中，s
′k(z)表示序列s
′k中的第z个节点；
[0020]
步骤s3：由候选集合中选择满足的节点r，其中，y为候选集合中的任意节点，ξ(y)表示节点y的连通片规模，按照或计算得到，c(y)表示包含节点y的连通片集合，c
′i表示集合c(y)中的任意连通片，|c
′i|表示连通片c
′i的节点数量；
[0021]
步骤s4：按照v
′k←v′k∪{r}更新子图g
′k的节点集合v
′k，再根据更新后的节点集合v
′k按照更新子图g
′k的边集合e
′k，其中，{r}表示包含节点r的集合，v
′
表示更新后的节点集合v
′k中非节点r的任意节点，e
rv
′
表示原图g
′k中节点r与节点v
′
相连的边；如果在序列s
′k中存在满足s
′k(z)＝r的节点s
′k(z)，交换s
′k(j)与s
′k(z)；
[0022]
步骤s5：令j＝j-1，如果j＞0，返回步骤s2；否则，如果则sk＝s
′k，令返回步骤s1，当时，得到的序列sk即为更新后的序列；其中，f表示关于序列的相关评估指标函数，按照f＝∑q|c
″
max
|/n计算得到，|c
″
max
|表示序列在不同q值下的最大连通片的节点数，n表示总节点数，q的取值范围为[1/ns,1]，步长为1/ns，
表示两个序列的拼接序列；
[0023]
步骤c：令t
p
＝t
p-1，返回步骤a，当计次变量t
p
＝0时，得到最终序列s；其中，对于节点数n≤105的网络t
p
＝5000，节点数105＜n≤106的网络t
p
＝2500，节点数n＞106的网络t
p
＝500。
[0024]
进一步地，步骤6中所述的采用ris算法寻找得到传播源的具体过程为：
[0025]
步骤a：初始化节点集合λ为空集合；对于子图v
′c，令g
″
(v
″
,e
″
)为其逆向网络，满足|v
″
|＝|v
′c|，且如果边e
ba
包含在子图v
′c中，则边e
ab
∈e
″
，其中，|v
′c|表示子图v
′c的节点数量，v
″
和e
″
分别表示逆向网络的节点集和边集，|v
″
|表示逆向网络的节点数量；
[0026]
步骤b：从被感染观察点子集合o
′
中随机选择节点m，按照t
″
＝t
′0 t
′m计算节点随机游走步长t
″
，其中，t
′m表示节点m的感染相对时间，t
′0是从区间中随机产生的，的取值范围为[0,20]；
[0027]
步骤c：以节点m作为随机游走起点，向它的随机邻居之一开始随机游走，然后节点m的状态变为恢复；
[0028]
步骤d：游走持续t
″
步，v表示随机游走的最后一个节点，按照λ＝λ∪{v}更新节点集合λ；
[0029]
步骤e：重复步骤b-步骤d共t
λ
次，得到最后更新的节点集合λ，在最后更新的节点集合λ中出现次数最多的节点即为传播源t
λ
的取值为106。
[0030]
本发明的有益效果是：由于采用基于网络渗流过程和进化计算相结合的方法，优化布置于网络中的观察点序列，抑制了网络中基于观察点移除集的连通片规模，使得可以设置较少观察点实现传播源定位，降低了网络防护成本；由于结合网络免疫问题的相关策略，利用观察点信息孤立少数节点控制流行病的传播，缩小了传播源定位范围和真实传播源搜索范围。本发明为遏制资源受限下的恶意传播提供了技术支撑，能够用于解决大型网络中的传播源定位问题。
附图说明
[0031]
图1是本发明基于渗流过程和进化计算的网络传播源定位方法流程图；
[0032]
图2是本发明确定传播源定位子图的过程示意图；
[0033]
图中，(a)-传播过程得到的感染图；(b)-针对感染图(a)的子图示例图1；(c)-针对感染图(a)的子图示例图2；
[0034]
图3是在四个不同网络中采用不同方法得到的关于不同感染率的候选集占比的结果示意图；
[0035]
图中，(a)-er模型网络结果示意图；(b)-sf模型网络结果示意图；(c)-pg网络结果示意图；(d)-scm网络结果示意图；
[0036]
图4是在两种网络中采用不同网络免疫方法得到的关于不同观察点比例的候选集占比的结果示意图；
[0037]
图中，(a)-在locg网络中设置占比rd＝0结果示意图；(b)-在locg网络中设置占比rd＝1结果示意图；(c)-在wg网络中设置占比rd＝0结果示意图；(d)-在wg网络中设置占比rd＝1结果示意图。
具体实施方式
[0038]
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
[0039]
如图1所示，本发明提供了一种基于渗流过程和进化计算的网络传播源定位方法，其具体实现过程如下：
[0040]
步骤1：输入实验网络数据集g(v,e)，其中，v表示网络节点集合，e表示网络中的边集合；初始化固定传播模型的边感染率β
uv
、节点恢复率γu，边感染率β
uv
的取值范围为[0,1]，节点恢复率γu的取值范围为[0,1]；确定爆发率ε，爆发率ε取值范围为 [0,1]；初始化网络中所有节点均处于易感状态；
[0041]
步骤2：传播源定位问题可以看作网络免疫问题，目标函数旨在通过孤立少数节点控制流行病的传播，问题转化为：能否通过少数节点的网络分解得到一个连通片使得该连通片的规模较小？对于每一个网络，其中qc为q的临界阈值，q为网络中得到连通分量观察点集合占比(观察点集合即为移除节点集)：(1)如果q＜qc，图中有大连通分量的概率很高；(2)如果q＞qc，图中没有大连通分量的概率很高。一般来说，观察点集合的构型对连通片规模的抑制起着重要的作用，因此得到一个较优节点序列是传播源定位问题关注的重点。本发明采用随机排序或节点度排序方法构建得到初始图全体节点序列s，并采用基于进化框架的aef算法对节点序列s进行更新，aef具体过程如下：
[0042]
步骤a：按照随机确定序列分段的段长参数ns，将节点序列s由前往后进行分段，每段包含ns个节点，记第k段序列为sk，其中，n为序列s包含的节点总数，k＝1,2,...,k，k为序列分段的总段数；
[0043]
步骤b：对于每一个分段序列sk按照以下过程并行进行更新(序列之间独立互不影响)，得到更新后的分段序列sk，其中更新次数为
[0044]
步骤s1：参数初始化，令循环计次变量j＝ns，初始中间节点序列s
′k＝sk，构造初始子图g
′k(v
′k,e
′k)的网络，其中，令表示序列sk之后的所有序列的拼接序列，v
′k为子图的节点集，包含序列所有节点，e
′k＝e∩(v
′k×v′k)为构成子图的边集，v
′k×v′k表示节点集间的所有可能连边的集合；随机确定选择次数参数δ和节点选择参数x，δ∈[1,50]，x∈(0,1]；
[0045]
步骤s2：从集合{s
′k(z),z∈[max(j-x
×ns
,1),j]}中随机选择节点，选择δ次，以选择得到的节点构成候选集合其中，s
′k(z)表示序列s
′k中的第z个节点；
[0046]
步骤s3：由候选集合中选择满足的节点r，其中，y为候选集合中的任意节点，ξ(y)表示节点y的连通片规模，按照或计算得到，c(y)表示包含节点y的连通片集合，c
′i表示集合c(y)中的任意连通片，|c
′i|表示连通片c
′i的节点数量；
[0047]
步骤s4：按照v
′k←v′k∪{r}更新子图g
′k的节点集合v
′k，再根据更新后的节点集
合v
′k按照更新子图g
′k的边集合e
′k，其中，{r}表示包含节点r的集合，v
′
表示更新后的节点集合v
′k中非节点r的任意节点，e
rv
′
表示原图g
′k中节点r与节点v
′
相连的边；如果在序列s
′k中存在满足s
′k(z)＝r的节点s
′k(z)，交换s
′k(j)与s
′k(z)；
[0048]
步骤s5：令j＝j-1，如果j＞0，返回步骤s2；否则，如果则sk＝s
′k，令返回步骤s1，当时，得到的序列sk即为更新后的序列；其中，f表示关于序列的相关评估指标函数，按照f＝∑q|c
″
max
|/n计算得到，|c
″
max
|表示序列在不同q值下的最大连通片的节点数，n表示总节点数，q的取值范围为[1/ns,1]，步长为1/ns，表示两个序列的拼接序列，同理；
[0049]
步骤c：令t
p
＝t
p-1，返回步骤a，当计次变量t
p
＝0时，得到最终序列s；其中，对于节点数n≤105的网络t
p
＝5000，节点数105＜n≤106的网络t
p
＝2500，节点数n＞106的网络t
p
＝500。
[0050]
对于更新后节点序列，按照从前往后的顺序选择比例q个节点作为观察点，并构成观察点集合o，将观察点标记在网络上，记录观察点被感染的绝对时间，从观察点集合o中随机确定占比为rd的观察点构成集合od，记录观察点被感染的方向信息；q 的取值范围为[0,0.2]，rd的取值范围为[0.001,1]；
[0051]
步骤3：在t＝0时刻，从数据集g(v,e)所有节点中随机选择传播源vs处于感染状态，启动传播过程；在传播过程中，观察点记录自己被感染的绝对时间，集合od中的观察点同时还记录被感染的方向信息，处于感染状态的节点以边感染率β
uv
传播病毒给处于易感状态的邻居节点，同时，处于感染状态的节点以恢复率γu进入恢复状态，被感染节点进入感染状态成为新感染节点，处于感染状态的全体节点继续进行传播行为，直至网络中的感染节点数n1和恢复节点数n2满足(n1 n2)/n≥ε，停止传播过程，此时得到的节点感染情况分布图构成感染图gi；其中，n表示网络g中包含的节点数量；
[0052]
步骤4：以步骤2中的观察点集合o作为移除节点集vr，数据集g中除观察点外的其他节点构成剩余节点集vo；针对移除节点集vr，移除集合vo中的节点与vr中节点相连的边后得到若干大小不同且大于1的连通片，标记为ci，表示第i个连通片，其中 i＝1,2,
…
,c，c表示连通片总数；按照确定连通片ci的边界其中，u表示移除节点集vr中的任意节点，v表示连通片ci中的任意节点，e
uv
表示感染图gi中连接节点u和节点v的边；按照确定移除节点集vr中的任意节点u的连通覆盖区域α(u)，其中，γ(u)表示节点u在感染图gi中的邻居节点集， ci(v)表示节点v所属的连通片ci；
[0053]
图2给出了确定传播源定位子图的过程示意图，其中，节点按被感染情况分为易感节点、感染节点、恢复节点三类，图中依次表示为三种不同灰度的颜色，传播源以“星状”节点表示，观察点以“交叉十字”节点表示。图(a)为感染图，图中观察点ti标记表示观察点i被感染的时间，例如t1表示观察点1被感染的时间。图(b)表示当t1是最早被感染时间时，o
′
＝{1}，集合o
′
的连通覆盖区域并集即为子图v
′c，图中表示为阴影部分； (c)表示当t1＝t2是最早被感染时间时，o
′
＝{1,2}，其子图v
′c为图中阴影部分。
[0054]
步骤5：选择被感染时间最早的观察点构成被感染观察点子集合o
′
；按照公式
构建子图v
′c，其中，x表示被感染观察点子集合o
′
中的任意观察点，α(x)表示观察点x在感染图gi中的邻居节点所在的连通片覆盖区域；
[0055]
步骤6：按照t
′
x
＝t
x-t
min
计算感染相对时间t
′
x
，其中，t
x
表示观察点x被感染的时间，在子图v
′c上进行传播源定位算法，本发明采用borgs等人提出的ris算法寻找得到传播源具体如下：
[0056]
步骤a：初始化节点集合λ为空集合；对于子图v
′c，令g
″
(v
″
,e
″
)为其逆向网络，满足|v
″
|＝|v
′c|，且如果边e
ba
包含在子图v
′c中，则边e
ab
∈e
″
，其中，|v
′c|表示子图v
′c的节点数量，v
″
和e
″
分别表示逆向网络的节点集和边集，|v
″
|表示逆向网络的节点数量；
[0057]
步骤b：从被感染观察点子集合o
′
中随机选择节点m，按照t
″
＝t
′0 t
′m计算节点随机游走步长t
″
，其中，t
′m表示节点m的感染相对时间，t
′0是从区间中随机产生的，的取值范围为[0,20]；
[0058]
步骤c：以节点m作为随机游走起点，向它的随机邻居之一开始随机游走，然后节点m的状态变为恢复；
[0059]
步骤d：游走持续t
″
步，v表示随机游走的最后一个节点，按照λ＝λ∪{v}更新节点集合λ；
[0060]
步骤e：重复步骤b-步骤d共t
λ
次，得到最后更新的节点集合λ，在最后更新的节点集合λ中出现次数最多的节点即为传播源t
λ
的取值为106。
[0061]
步骤7：将传播源的固定阶数之内的邻居节点加入候选集vc，以候选集的相对大小φ＝|vc|/n作为评价指标，φ越小表示遏制感染的范围越小；其中，|vc|表示候选集vc包含的节点数量，所述的固定阶数为一阶或二阶。
[0062]
为验证本发明方法的有效性，在模型网络和真实网络上进行实验，其实验网络数据如表1所示。
[0063]
表1
[0064]
数据集节点数边数er1000035000sf1000040000pg49416594scm722824784locg196591950327wg8757134322051
[0065]
实验中，采用传播源定位算法jc(jordan center,约旦中心性)方法和网络免疫领域的ci(collective influence,集体影响)方法、msrg(min-sum and reverse-greedy,最小值求和及反向贪心)方法、finder(finding key players in networks through deepreinforcement learning，深度强化学习寻找关键节点)方法作为对比方法。jc算法考虑所有感染节点和恢复节点实现传播源定位，同时候选集通过节点排序构造。本发明方法的相关参数设置为：对于节点数n≤105的网络t
p
＝5000，节点数 105＜n≤106的
网络t
p
＝2500，节点数n＞106的网络t
p
＝500；在ris算法中t
λ
＝106；设定实验中网络中的边感染率β
uv
相同，为固定值β，恢复率γu相同，为固定值γ＝0.1，爆发率ε＝0.1。
[0066]
图3给出了在四个不同网络中采用不同方法得到的关于不同感染概率的候选集占比的结果示意图。其中，jc表示jc算法，hubs_s表示基于节点度排序的观察点选择方法，pref(rd)表示关于具体rd值的pref算法，例如pref(0)代表无任何方向信息，而 pref(1)表示所有方向信息均已知。横坐标为感染率β，纵坐标为候选集占比φ。由图3 的(a)和(b)可以看出，如果传播过程对称(当感染概率很大时)，jc算法是一个高效的传播源定位估计器，但随着感染概率的降低，性能减弱。对比而言，本发明方法针对感染概率整个范围的变化表现出较为稳定的性能，当感染概率较低时，本发明方法优于jc算法，比如在sf网络中，当β＝0.1时，φ(pref(1))＝0.0004，φ(jc)＝0.0721。除此之外，本发明pref(0)明显在er网络中的表现优于在sf网络中，表明sf网络中的度较大的节点对pref(0)算法的性能有影响。图3的(c)和(d)中的真实网络进一步证实了这一结论，在pg网络中hubs_s算法比jc算法效果更优，但在scm网络中，只有本发明方法 pref(1)有效，其他方法均失效。
[0067]
图4给出了不同方法在两种大型网络中得到的关于不同观察点比例的候选集占比结果示意图，图中，ci表示ci算法，msrg表示msrg算法，finder表示finder 算法，pref表示本发明方法。横坐标为观察点占比q，纵坐标为候选集占比φ，该对比实验固定β＝0.5。图(a)和图(b)是locg网络，图(c)和图(d)是wg网络，图(a)和图 (c)中设置rd＝0，图(b)和图(d)中设置rd＝1。可以看出，当观察点比例(移除比例)趋近于0时，候选集占比也趋近于1；一个具体的方法在rd＝0时表现效果较好，当rd＝1 时，也同样展现较好的性能；针对具体的q值，与算法ci、msrg和finder相比，本发明pref算法得到的候选集范围更小，缩小了传播源的搜索范围，特别是在wg 网络中。
[0068]
综上，本发明实现网络传播源定位，其中观察点集合的大小，观察点方向信息获取比例和观察点集合产生的策略都在缩小传播源搜索范围、提高定位效率中具有至关重要的作用。特别地，本发明方法在q值的取值范围内都表现较好，在不同的传播模型中具有较强的鲁棒性。本发明结合网络免疫问题，对网络进行分解后实现传播源定位的思路，表现出有效性、高效性、稳定性，适用于大型网络中的传播源定位问题。