网络分析模型（精选十篇）
网络分析模型 篇1
随着Internet的飞速发展, 视频会议、多媒体传输等网络业务的不断出现, 使得现代网络业务的复杂性和突发性备受关注, 能否揭示现代网络业务的真实性并为网络研究提供一个正确和有效的模型, 成为研究现代网络的关键。
20世纪70年代, 由于网络业务的性能单一, 人们主要基于泊松过程、指数分布等建立模型, 这些模型是平稳的独立增量过程, 他们的共同特点是所描述的流量序列都具有短相关性。然而事实并非如此, 随着新业务的不断出现, 网络中的业务流均表现出很强的突发性。90年代初期, Leland等证实了局域网流量中存在自相似性, Paxson等证明了WWW广域网流量的自相似性和突发性, Crovella等也发现了WWW流量具有自相似性。通过对大量的网络业务流的测量和分析发现:网络业务在很长时间范围内都具有相关性, 即业务流具有长相关 (Long Range Dependence, LRD) 特性, 而自相似 (Selfsimilar) 模型是最能够描述这种特性的模型之一。
1 自相似理论
1.1 自相似的定义
我们采用贝尔实验室的定义考察一个广义平稳过程X= (Xt;t=0, 1, 2, 3…) , Xt表示第t个单位时间里到达的网络业务实体 (packet, cell等) 数目。记ì=E[Xt], ó2=E[ (Xt-ì) 2], 自相关函数r (k) =E[ (Xt-ì) (Xt+k-ì) ]/ó2。
令, 代表长度为m的聚集过程。对每个m, X (m) 都定义了一个广义平稳随机过程, r (m) 为其对应的自相关函数。
如果对所有的m, 均有
我们称X为精确二阶自相似过程, 并称H=1-â/2为其自相似参数。例如, 离散分形高斯噪声FGN, BH (t+1) -BH (t) 为精确二阶自相似过程, 其中BH= (BH (s) :s≥0) 为分形布朗运动FBM, 0.5
则称X为渐进二阶自相似过程。例如, 分数自回归联合滑动平均过程FARIMA (p, d, q) , 0
自相似过程的最重要特性是当m→∞, 其聚集过程X (m) 的自相关结构并不退化。传统业务模型则不同, 当m→∞, 聚集过程X (m) 的自相关结构将退化, 即
1.2 自相似产生原因分析
网络流量自相似产生的原因主要有两方面, 一是文件内在的特性, Web文件呈重尾分布导致文件传输的时间也呈现重尾分布, 从而导致网络业务流的自相似性;另一个重要原因就是网络协议和TCP拥塞控制共同作用使得网络业务流呈现自相似性。网络业务自相似性原因的分析, 对于认识网络自相似性以及其对网络性能的影响都有很大帮助。
2 网络流量自相似模型的分析
传统的流量模型已不能很好地描述实际的网络特征, 于是人们提出用具有长相关特性的自相似模型来描述网络流量, 下面就网络中广泛应用的自相似模型进行分析研究。
2.1 分形布朗运动及分形高斯噪声
分形布朗运动 (fractional Brownian motion, FBM) 及分形高斯噪声 (fractional Gaussiannoise, FGN) 是Mandelbrot和Van Ness于1968年提出的一种描述1/f过程 (统计自相似过程) 的数学模型, 定义如下:
令B (t) 是普通的布朗运动, 则称满足下式的随机函数BH (t) 为分数布朗运动。
其中, 参数H满足0
在式 (4) 中, 若H=1/2, 则FBM就成为普通的布朗运动了 (即) 。因此, FBM是普通布朗运动的推广。文献[5]中详细地研究了FBM的性质, 这里仅将有关的性质叙述如下。
(1) FBM是均值为零的非平稳的高斯过程, 其自相关函数为
其中,
(2) 尽管FBM是非平稳的, 但其增量过程
却是平稳的且是自相似的。BH, ä (t) 增量过程的自相关函数为
因此, 它的功率谱为
尽管FBM不可微, 但正如普通的布朗运动那样, 它具有广义的导数, 将FBM的导数过程WH (t) 定义为FGN, 即有
则FGN的自相关函数及其谱密度分别为
FGN的优点是模型简单, 缺点是有一定的局限性。因为要产生1/f谱, 必须要求1/2
FBM是使用最广泛的自相似模型之一, 在数学上有坚实的理论基础, 常用于进行理论分析;但FBM是严格的自相似过程, 不能对具有短相关性的流量很好地进行分析。因此, 分形布朗运动模型并不能完整地描述网络实际情况。
2.2 ON/OFF模型
ON/OFF源叠加模型是对传统模型的扩展, 将自相似过程看成是无数用户数据源叠加的结果。模型定义了大量的数据源, 每个源有ON和OFF两个状态, 各个数据源相互独立且状态持续时长符合重尾分布。
当数据源处于ON状态时以恒定的速率产生数据, 而处于OFF状态时则不产生任何数据。自相似过程可以通过叠加大量的具有重尾分布的ON/OFF数据源得到, 当数据源的个数趋于无穷时, 总的网络流量是趋于渐近自相似的。
ON/OFF模型有明确的物理意义, 把复杂的聚合流量特征分析细化到对每个信号源的分析, 可以解释产生自相似的部分原因;缺点是这种自相似业务只是渐近自相似的, 且假设前提过于严格, 大多数网络业务的分布是无法建立在此前提上的。
2.3 分形自回归聚合滑动平均模型 (FARIMA)
分形自回归聚合滑动平均模型是传统模型中自回归聚合滑动平均模型的扩展。FARIMA是一种基于FARIMA (p, d, q) 过程的业务生成方法, 它的定义为:, 其中φ (B) 为自回归项 (AR) , θ (B) 为滑动平均项, B为定义的一个延迟算子, Ä=1-B为差分算子, åk为高斯过程, 对实数d∈ (0, 0.5) , X为具有长相关特性的平稳可逆过程, 分形差分算子其中表示分布当k→∞时, 相关函数r (k) ~ák2d-1, á为有限正值, 与k无关。X是渐进自相似的, 其自相似参数为:H=d+1/2。
FARIMA模型可以有效地描述网络流量的长相关特性, 同时也能很好地表示具有短相关结构的业务流量, 但是它的计算量太大, 生成n点数据的算法复杂性为O (n2) 。
2.4 多分形小波模型 (MWM)
多重分形小波模型是基于Haar小波的网络流量模型, 这里Haar小波函数和尺度函数构成了一个简单的小波正交基, 其尺度函数和母函数如下:
Haar小波变换的尺度系数和小波系数可通过下面的递推公式计算:
由于网络流量数据都是非负的, 要模拟网络流量, 就必须保证尺度系数和小波系数是非负的。尺度系数表示流量在不同尺度变换下的逼近值, 因此流量值非负时, 尺度系数值一定非负。即,
为保证流量值非负, MWM模型中引入因子Aj, k,
并使得
这里Aj, k是[-1, 1]之间的独立随机变量, 由式 (4) 可知, 只要将Aj, k限定在[-1, 1]的区间内就能保证模拟流量值非负。MWM模型产生模拟数据序列的过程可以简要描述如下:
(1) 设j=0, 计算大尺度的系数a0.0, 建立起流量的全局均值;
(2) 在尺度j上, 产生随机倍乘变量Aj, k, 选Aj, k为对称分布的β分布, 并通过式 (6) 计算, aj, k, k=0, ……, 2j-1;
(3) 在尺度j上, 由式 (4) 计算出尺度j+1的dj+1, 2k和dj+1, 2k+1, k=0, …, 2j-1;
(4) 增加j, 重复步骤 (2) 、 (3) , 直至达到尺度j=n为止。
MWM是一个乘法模型, 能够对网络流量的短相关和长相关特性进行描述, 因而可以很好地匹配实际网络流量;不足的是小波变换系数并非在每个尺度下都独立, 而且小波基的选取也影响模型的质量, 基于小波预测的效果现在并不能让人满意;但由于小波分析是处理非平稳序列最有效的方法;流量预测有望应用小波技术取得突破。
3 结束语
网络传输自相似性的模型及其性能评价是目前计算机网络研究所面临的重要挑战之一, 也是国际上备受关注的热点。
总而言之, 随着在更多的网络中统计发现, 自相似特性己经被公认为是大多数网络的一个普遍特性。有关自相似流量的研究己经从讨论自相似是否会对网络产生影响, 而转为建立各种自相似业务模型和寻求更完美的生成算法上来了。可以说, 自相似流量的建模与生成方法己经成了网络流量建模的一个重要的部分。
摘要：流量模型是流量预测和网络性能评价的核心基础。好的流量模型必须能够准确描述网络实际流量的特征情况, 才能准确预测流量状况。随着网络业务类型不断增加, 实际网络中业务流特性越来越复杂, 表现为长相关性和自相似性等。本文重点分析了当前广泛使用的几种自相似模型, 对自相似业务的分析和处理具有一定的指导意义。
关键词：自相似,长相关,Hurst参数,流量模型
参考文献
[1]Leland W E, Taqqu M S, Willinger W, et al On the Self-similar Nature of Ethernet Traffic (Extended Version) [J].IEEE/ACM Trans-actions on Networking.1994.
[2]Paxson V, Floyd S.Wide-area traffic:the failure of Poisson modeling[J].IEEE/ACM Transaction on Networking.1995.
[3]Crovella M, Bestavros A.Self-similarity in World Wide Web traffic:evidence and possible causes[J].IEEE/ACM Transactions on Networking.1997.
[4]张冬梅, 王韬, 侯景辉.网络流量自相似产生原因的分析[J].科学技术与工程.2006.ANNESS J W.Fractional Brownian motions, fractional noises and applications[J].SIAM Rev.1968.
[5]赵佳宁, 李忠诚.基于模拟的网络流量自相似现象分析[J].计算机科学.2001.
[6]胡严, 张光照.重尾On/Off源模型生成自相似业务流研究[J].电路与系统学报.2001.
网络分析模型 篇2
针对基本遗传算法(SGA)收敛速度慢、局部寻优能力差等缺陷,采用十进制编码,引入改进的算术交叉、非均匀变异操作等算法,分析和建立了改进的遗传神经网络(IGA-BP)模型,并将该模型应用于大坝水平位移的预测.结果表明,该模型在收敛速度、预报精度等方面比传统模型有较大的`改善.
作 者：李珂 岳建平马保卫 周凯 秦茂芬 LI Ke YUE Jian-ping MA Bao-wei ZHOU Kai QIN Mao-fen 作者单位：李珂,岳建平,马保卫,秦茂芬,LI Ke,YUE Jian-ping,MA Bao-wei,QIN Mao-fen(河海大学土木工程学院,江苏,南京,210098)周凯,ZHOU Kai(福建省陆海建设监理所,福建,福州,350009)
刊 名：测绘工程 ISTIC英文刊名：ENGINEERING OF SURVEYING AND MAPPING 年，卷(期)： 17(2) 分类号：P258 关键词：遗传算法 IGA-BP 变异算子 数学模型 变形分析网络分析模型 篇3
关键词：心流体验；在线消费者；消费行为
在经济与互联网技术的不断发展下，网络消费已逐渐成为人们的主要消费方式之一。而随着产品同质化程度的提高，网络消费者不再满足于产品和服务的经济性，他们开始注重体验消费和服务的过程。于是“消费体验”开始逐渐被研究者所重视。消费体验是消费者在使用产品或享受服务时体验到的感觉以及认识。目前对网络消费的研究主要集中在品牌、网站等内容上，对消费者体验的研究并不是很多。本文拟运用心流体验（flow experience）对在线消费中的行为模式进行分析。
一、心流体验的特征与应用研究的源起
心流体验这一概念最早由美国心理学家Csikszentmihalyi提出。它起初应用于积极心理学中，研究攀岩、下棋、舞蹈等活动中人们的主观体验。Csikszentmihalyi概括了心流体验的九个特征：（1）清晰的目标；（2）即时反馈；（3）人技能与任务挑战相匹配；（4）行动与知觉的融合；（5）专注于所做的事情；（6）潜在的控制感；（7）失去自我意识；（8）时间感的变化；（9）自身有目的的体验。Hoffman 和 Novak 首次将心流体验的概念运用于网络导航行为， 并论述了心流体验在浏览互联网期间的特点：（1）与计算机交互活动产生一系列无缝反应；（2）本质上令人愉快；（3）伴随着自我意识的丧失；（4）自我强化刺激。有学者将心流体验的研究运用到网络购物环境中，探索影响消费者对购物网站的态度的因素。学者们一致认为心流体验对于网上浏览的消费者的体验质量具有关键的作用， 而心流体验则是营销者可以影响的变量， 也就是说商家可以通过对影响和改变消费者的心流体验来改变消费者的购物行为，以达到商家的不同目的。
二、影响心流体验的因素
据以往研究表明，心流体验对消费者的购买行为的影响很重要，那么如何促进“心流体验”，使消费者在浏览网页过程中有更多的愉悦感，已成为学者们关注的问题。从目前研究看，影响在线消费的心流体验的因素有消费者自身和网站两方面。
（一）消费者自身因素
风险认知是消费者在进行消费时主观认识到的风险。消费者所感知到的风险有财务风险、隐私风险、绩效风险等。Tan研究证明消费者在网上购物时比在店内购物时知觉到更高的风险。网络购物是在虚拟的环境下进行交易，消费者的知觉线索被部分剥夺，所获信息有限，更使这种风险效应放大。消费者为降低这种感知风险，会增加浏览网页的时间，搜集信息。因此，在浏览网页时通过心流体验所获得的愉悦感，有助于转移消费者的注意力，从而降低他们感知的风险；反之，低感知风险也让消费者更容易产生心流体验。
购买意愿是消费者选择产品时的一种主观倾向，是预测消费行为的重要指标。购买意愿可以通过三个维度来测量：购买意向、礼品馈赠和群体推荐。网络购物与实体零售之间存在多种差异，在购买意愿上体现最为显著。首先，传统的购物模式需要消费者投入体力、时间等精力。网上浏览购物网站无需承担风险，也不用投入额外的精力，所以消费者更可能在没有任何真正购买意愿的情况下浏览和搜索信息。其次，网上购物时，消费者的购买意愿更易改变。网络卖家通过各种渠道，如邮件、页面广告等形式向消费者传递商品、促销等信息，研究者已经发现可以通过改变消费者心流体验的强度和持续时间来影响消费者的购物行为。
根据已有的研究发现，针对个体因素对心流体验的影响的探索主要集中在感知风险、自信心等方面，而对消费者自身特性的分析并不是很多。但消费者的自身特性也是心流体验不可忽视的重要因素之一。由于消费者在个性、文化背景、生活方式等方面存在差异，当他们面对相同的网络环境和产品时，他们的知觉、体验也不尽相同，产生的心流体验程度也不同。
（二）网站因素
网站是网络购物的主要载体，消费者在进行网络购物时，都是通过互联网来实现的。所以网站对消费者的购物行为也有一定的影响。例如网站的便捷性、互动性、安全性等因素对消费者在购物过程中心流体验的产生以及购买意愿都具有重要影响。
三、“心流体验—消费行为”的模型构建
基于以上对心流体验的分析探讨，本文将提出“心流体验—消费行为”模型（见图1）。该模型假设：消费者的心流体验对其消费行为有直接的影响，影响消费者心流体验的因素包括网站设计、网站内容和消费者自身特性，这三个因素相互独立又相互影响，是进行网络消费行为时需要加以识别的基本因素，而心流体验作为影响消费者消费行为的中介变量，对网络消费的冲动性购买行为产生直接影响。本模型是分析和应用心流体验在线消费的基本框架，它们的含义和关系如下：
（一）网站设计—远程感知—心流体验
远程感知是一种由网络媒介引发的体验， 主要是指网络环境下个体远程感受到的体验， 这种环境可以是空间上远距离的真实环境， 也可以是虚拟环境。它的意义在于当消费者浏览网页时，其不仅能感知到所处的物理环境，还能感知到由超媒体所定义的虚拟环境。当消费者的远程感知越高，他所感知到的网络购物环境就越真实，也越容易产生心流
体验。
对于网站而言，互动性是影响消费者远程感知的基本因素。网站的互动性越高，消费者越容易融入购物环境中。对于商家而言，在作网站设计时，可以采用一些互联网技术，增进网站与消费者的互动，如引进消费者在线产品体验技术等。便捷的网站导航可以使消费者很快熟悉并轻松访问网站。它同样能够促进消费者的远程感知，在很大程度上影响消费者的购买行为。Venkatesh 和Davis用“感知易用性”这一变量来衡量导航的便捷性。
nlc202309021006
（二）网站内容—心流体验
网站内容的新颖性与安全性与消费者心流体验的产生密切相关。在线浏览时，网站内容的新颖性可以提高消费者的专注程度。网站如果能够给消费者提供一些新颖的、更具个性化的信息与产品，就会对消费者更有吸引力，从而促进心流体验的产生。对可靠性而言，商家可以建立有效快速的沟通平台，通过图片、音频等方式传递信息。以此来刺激消费者的感官，让消费者更有真实感，从而降低消费者的感知风险，使其更快融入网站所提供的虚拟环境中。感知易用性可作为衡量网站安全性的变量。
（三）消费者个性特征—心流体验
Finneran 和 Zhang 研究发现，个体的个性特征对心流体验的产生也有影响。他们认为，具有以自我为中心、探索性、娱乐性与吸收性特征的个体更可能产生心流体验。但在中国文化背景下，中国人的个性特征与其文化倾向和价值观念相关联。黄胜兵、卢泰宏将消费者个性维度分为“仁、智、勇、乐、雅”。席佳蓓、王新新在此基础上作了更深入的研究。他们以儒、道、释三家文化为背景，结合中国传统文化与现代文化，将中国人的消费个性分为四种：积极进取型、随遇而安型、消极智慧型、新潮开放型。积极进取型的消费者重视地位和名誉；随遇而安型的消费者重视个体感受；消极智慧型的消费者追求精神生活；而新潮开放型的消费者偏爱享乐、刺激、新潮。不同个性的消费者进入心流状态的时间不同，产生心流体验的强度也不同。因此商家可以将消费者个性因素作为细分市场的变量，可以通过调节心流体验的强度和持续时间来改变消费者的购买意愿。
（四）心流体验—消费行为
Smith和Sivakumar研究发现，不同的心流体验会导致不同的网络购物行为。Korzaan把心流体验理论和慎思行为理论结合在一起，对消费者的网络购物行为进行了分析，发现当消费者浏览网站时，心流体验会影响其购买态度，消费者从网站中获得的心流体验越强，对物品的购买意愿就越强，反之购买该网站物品的意愿就越弱。
1.心流体验—冲动性行为
冲动性购买行为是一种与计划性购买相对的行为。它是消费者事先没有购买计划或意图，在受到特定情境的影响而产生情感上的购买需要，并立即实施购买的行为。研究表明，冲动性购买与消费者的情感状态、购物享受及心情有很大关联。因此，针对没有购买意愿的消费者，商家可以通过调节心流体验，触发其冲动性购买行为。
2.心流体验—冲动性行为—二次购买行为
Novak 和 Thomas 认为心流体验是一个动态的过程，他们将心流体验分为三个阶段：前因阶段，体验阶段和效果阶段。在效果阶段，个体体验到愉悦、满足甚至幸福感。而这种感觉会使个体产生重复进行相关活动的强烈愿望。因此，如果消费者冲动性购物时所体会到的愉悦感被消费者学习到，当其再次浏览该物品时，先前购买时所经历的愉悦感就被激发，更易进入心流体验状态，产生二次购买行为。
在顾客体验逐渐占据主导地位的在线消费中，“心流体验—消费行为”模型是分析消费行为有效和实用的工具，借助“心流体验—消费行为”的模型，探索消费者个性特征、网站设计、网站内容等因素，将心流体验与消费者行为进行匹配，为网上商家销售与顾客消费体验提供有益指导。作为一个新的视角，该模型对网络营销商来说有着重要的意义。
[1]蔡雅琦，施俊琦，王垒.冲动性购买行为的研究综述[J].应用心理学，2004，（3）：53-57.
[2]丛芳.基于“心流体验”视角的在线消费者购买行为影响因素研究[D].上海：上海交通大学，2008.
[3]陈洁，丛芳，康枫.基于心流体验视角的在线消费者购买行为影响因素研究[J].南开管理评论，2009，12（2）：132-140.
[4]黄胜兵， 卢泰宏.品牌个性维度的本土化研究[J]. 南开管理评论.2003，（1）：4-9.
[5]席佳蓓， 王新新.中国文化背景下品牌个性类型研究[J]. 管理学研究.2009， （7）：85-90.
[6]王新新，陈润奇.流体验理论在网络购物中的应用：研究现状评介与未来展望[J].外国经济与管理，2010，32（11）：50-57.
[7]王新新，田超杰. 基于时尚消费的冲动性购买行为研究[J]. 商业研究.2010，（12）： 165-169.
[8]钟一舰，张菱珊，李潇楠.知觉风险与消费决策关系研究现状及发展趋势[J].社会心理科学，2012，27（3）：274-279.
[9]Csikszentmihalyi， M.. Beyond boredom and anxiety[M]. San Francisco， CA： Jossey Bass， 1975.
[10]Csikszentmihalyi， M.. Flow： The psychology of optimal experience[M]. New York： Harper and Row， 1990.
[11]Ghani， J.. Flow in human computer interactions： Test of a model[A]//Carey， J.. （Ed.）， Human Factors in Information Systems： Emerging Theoretical Bases[C]. New Jersey ：Ablex Publishing Corp， 1995.
[12]Ghani， J.A.， Deshpande， S.P.. Task characteristics and the experience of optimal flow in human–computer interaction[J]. The Journal of Psychology， 1994， 128（4）：381–391.
[13]Tan. S. J.. Strategies of reducing consumers’ risk aversion in internet shopping[J]. Journal of Consumer Marketing， 1999， 16 （2）： 163-180.
[14]Novak， T. P.， Hoffman， D. L.， & Duhachek， A.. The influence of goal directed and experiential activities on online flow experiences[J]. Journal of Consumer Psychology， 2003， 13（1/2）： 3-16.
[15]Pace， S.. A grounded theory of the flow experiences of Web users[J]. Internaional Journal Human Computer Studies， 2004，60（3）： 327- 363.
[16]Smith， D. N.， K. Sivakumar. Flow and internet shopping behavior a conceptual model and research propositions[J].Journal of Business Research， 2004， 57： 1199-1208.
网络分析模型 篇4
产业网络是一群各自拥有独特资源, 也相互依赖对方资源的企业组织以及科研机构、中介机构、政府组织等, 通过经济、社会等关系, 凭借专业分工和资源互补, 在要素投入、生产制造和技术合作等方面进行互动, 长期所形成的正式或非正式的互惠性往来关系[1]。它是一种介于市场与企业之间的资源配置方式。产业网络提供了网络内不同节点互动的平台, 节省了成员组织间的交易成本, 加快了组织间资源流通和共享速度, 提升了企业竞争力, 其相关研究越来越受到学术界和实业界的广泛关注。
目前关于产业网络的研究, 国内外学者在产业网络的演进[2,3]、产业网络的复杂性[4,5,6]和产业网络的升级[7]等方面做出了有影响力的工作。纵观这些研究成果, 大部分过于强调社会经济网络对降低交易成本与合作创新的影响, 且以定性的规范研究与实证研究为主, 相对忽视了资源网络化流动对产业发展的重要作用, 除了对产业网络认识不足外, 也缺乏正确认识和研究产业网络的方法。
复杂网络理论的发展为人们认识产业网络提供了一个全新的视角, 也为产业网络研究进入精密科学阶段提供了一个有力工具。本文在简要分析产业网络构成要素的基础上, 提出了一种基于资源流动的产业网络模型, 该模型将资源交换与共享所引起的产业发展当作一种互补性资源的合作生产, 引入柯布—道格拉斯生产函数, 考察不同网络结构条件下资源网络化流动对产业发展的影响。这些研究工作对深入、定量地揭示产业发展的关键要素, 探索产业网络的演进机理, 以及制定科学合理的产业发展战略、政策等具有一定的参考价值。
1 产业网络的描述
产业网络在现实社会经济生活中是客观存在的。这是因为, 任何一个产业内部都会形成反映商品从生产到运输、销售再到顾客消费的产业价值链。纵向的产业关联体现了嵌入到这种链式结构中的制造商、运输商、批发商和零售商等之间进行产品的交换以及产品的增值过程;而在每一个纵向关联之上的企业和相关服务机构都会通过竞争、合作和服务的行为来促使产业关联的横向发展。因此, 不管产品和发展阶段等诸多因素有何差异, 任何一个产业都会通过行为主体之间的互动而形成一个紧密联系的产业网络, 即使这些网络在成熟度、紧密度等方面存在众多差别性的特征。
网络理论认为产业网络由主体、行为和资源3个基本构成要素构成。
1.1 主 体
可以从纵向、横向和环境3个角度解释, 从纵向来看, 产业网络中的行为主体有产业链上的上游企业、中游企业和下游企业构成;从横向来看, 产业网络中的行为主体有与产业相关的竞争企业和合作企业构成;从环境来看, 产业网络中的行为主体有为产业服务的金融机构、高校科研机构、中介机构以及行业协会和政府部门等构成 (如图1所示) 。应当指出, 在产业网络中各类行为主体的数量是不同的, 与产业链相关的企业占据了产业网络行为主体总数的极大部分, 而相关服务机构数量则相对较少。
1.2 行 为
行为是指主体之间进行物质、信息等资源流动的过程, 在各种资源交换和共享的过程中伴随着产品价值的增值和价值链的形成。从纵向来看, 主体之间的行为有供应链关系;从横向来看, 主体之间的行为有竞争与合作关系;从环境来看, 主体之间的行为有服务和被服务关系。这些竞争、合作和服务等行为依据产业网络主体和资源的差异而呈现出多种不同的具体形态。
1.3 资 源
主体之间进行竞争、合作和服务等行为的同时伴随着各种资源的流动, 产业网络的形成为资源交换和共享提供了通道和途径。产业网络中的资源按流动性可分为流动性资源 (劳动力、资金、技术、信息和企业家素质等) 和非流动性资源 (区位条件、自然资源和基础设施等) [9]。流动性资源是产业发展中的投入性要素, 是区域产业发展的源泉, 非流动性资源为流动性资源提供了发挥效益的可能。
综上所述, 产业网络行为主体追求收益最大化促进了主体之间竞争、合作和服务等行为的产生, 从而客观上促进了产业网络的形成与发展。另一方面, 产业网络的形成与完善加快了行为主体间资源交换和共享速度, 节省了主体间的交易成本, 提升了主体竞争力。现实社会经济生活中, 任何一个企业或机构都会被吸纳到这种无形的网络结构中来, 很难游离在这种网络所产生的“场”之外, 区域产业发展就是通过各种流动性资源在产业网络中不断交换和共享而实现的。
2 基于WS小世界网络的产业网络模型
2.1 模型中的网络
用V={1, 2, …, N}表示一个有限个体集合, 对任意i, j∈V, 定义e (i, j) , 当i与j有边连接时, e (i, j) =1, 否则e (i, j) =0。网络G={e (i, j) ;i, j∈V}是所有个体的关系对列表, 个体i的近邻用集合Γi={j;j∈V, e (i, j) =1}表示。dij是节点i到节点j的最短距离。
对于网络G的构造, 本文采用Watts和Strogatz提出的小世界网络模型[10] (WS模型) 来描述从一个规则网到一个随机网的转移过程。建立模型的步骤如下:
(1) 从具有N个节点的环形网络开始, 其中每一节点都与它初始的K个邻点相连 (每一边有K/2个) 。为了获得一个稀疏但任何时刻总有连接的网络, 考虑N>K>lnN>1。
(2) 以概率P随机为网络的每条边重新布线, 同时保证没有自连接和重复边。该过程引进PNK/2条长距离边, 它们连接那些属于不同邻点的一部分节点。通过改变P, 可以观察到从规则网 (P=0) 到随机网 (P=1) 的变化。
当P=0时, 网络是规则网络, 网络的平均距离L (
2.2 资源流动机制
在产业网络中, 行为主体之间由于互惠性交易而导致互补性资源交换和共享的同时, 交易双方都获得了收益。事实上, 很难明确在这个过程中到底有多少种因素对主体的收益增长起作用, 但交易双方的收益增长一定与其资源投入量有关。流动性资源按流动方式可分为物质资源 (实物交换方式, 如劳动力、资金等) 和信息资源 (非实物交换方式, 如技术、信息等) , 如果将交易双方获得的收益理解为互补性资源的合作生产, 则这两种资源可视为收益的两个投入要素。
假设产业网络中行为主体在进行资源交换和共享时具有完全理性, 即可以做出让自己收益最大的选择, 记t时刻主体i及其近邻主体j{j∈V, e (i, j) =1}的物质和信息资源存量分别为 (uit, vit) 和 (ujt, vjt) , 当主体i与其近邻主体进行交易时, 双方获得的收益可以用柯布—道格拉斯生产函数表示:
式中:0<α;β<1;α+β≤1;0<A<1, A表示其它所有因素对收益增长的影响。式 (1) 蕴涵着3个前提假设: (1) 收益增长源于交易双方的互补性资源, 忽略同类资源交换和共享所产生的收益; (2) 流动性资源具有多样性, 为便于模型分析, 只依据流动形态划分为物质和信息资源, 并认为两者之间存在互补性; (3) 物质和信息资源两者组合即能形成最大生产能力, 不考虑资源投入在数量和质量上的匹配关系。
行为主体获得最大化收益后, 将会吸引更多的物质和信息资源, 即主体的物质和信息资源存量会实现补充和增长, 设资源存量增长如式 (2) 所示:
式中:λ1<λ2, 即信息资源存量增长快于物质资源, 这与知识经济条件下科学技术迅猛发展的环境前提是一致的。
对于某个重连概率P所对应的网络结构, 在t∈[Tx-1, Tx] (x=1, 2, 3…) 时间步内, 产业网络的平均收益μTx为:
反映收益分布均匀程度的收益标准差为:
3 数值仿真
3.1 仿真设置
取网络节点数N=300, 初始近邻数k=10, 主体初始的物质和信息资源存量均匀分布在区间[0, 1]内。取3%的主体物质资源量均匀分布在区间[1, 5]内, 类似于产业网络中存在的少数核心大企业;取3%的主体信息资源量均匀分布在区间[1, 5]内, 类似于产业网络中的科研机构等;取A=0.1, α=0.4, β=0.6, λ1=0.001, λ2=0.0015。
选取重连概率P (P∈{0.001, 0.1, 0.9}) 生成网络。当P=0.001时, 网络接近于规则网络, 网络的集聚系数大、平均距离长;当P=0.1时, 该点附近属于网络小世界效应最明显的区域, 网络的集聚系数大、平均距离短;当P=0.9时, 网络接近于随机网络, 网络的集聚系数小、平均距离短。
3.2 网络结构与产业发展
为了研究网络结构与产业发展的关系, 依次在不同P所对应的固定网络结构下进行仿真。在每个网络结构下, 随机选中一个主体与它的所有近邻进行交易, 交易双方按式 (1) 和式 (2) 进行合作生产和更新, 最大演化时刻数T=9000, 这样每个主体平均被选中30次, t时刻产业网络的平均收益μTx按式 (3) 计算, 收益标准差σTx按式 (4) 计算。
图2表明不同的网络结构对产业发展具有不同的影响。在行为主体具有完全理性条件下, 随机化程度P越大, 产业网络的平均收益增长速度越快, 收益标准差增长速度也越快, 收益分布越不均匀, 反之则相反。
3.3 模型修正
上述的仿真结果表明, 产业发展似乎完全取决于网络的平均距离, 而与网络的集聚系数关联不大。究其原因是:在行为主体具有完全理性条件下, P越大网络的平均距离越短, 意味着主体有更多可能和更大范围选择收益最大的资源交换和共享对象, 产业网络的平均收益增长也越快;而产业网络的平均收益值是以整个网络的所有主体为对象计算的, 网络的集聚效应在平均计算中相互抵消, 这样平均距离就处于主导地位。
事实上, 行为主体在选择资源交换和共享对象时不可能是完全理性的。 (1) 行为主体不可能对资源流动而获得的收益做出十分准确的判断选择; (2) 行为主体在选择合作对象时, 不可能不考虑收益以外的其他因素, 比如说, 潜在风险、寻找最优合作对象的成本以及多元化发展战略等。因此, 将模型的式 (1) 修改成式 (5) , 即主体充分利用近邻环境的所有资源来实现自身体的收益增长。
式中
修正模型的所蕴涵着3个前提假设及仿真设置条件与上述相同, 其仿真结果如图3所示。从图3中可以看到, 具有小世界效应的产业网络的平均收益增长最快, 其收益标准差增长也最快。
文献[11]通过对温州鞋革业和北京IT业等产业集群的研究, 得出结论:小世界网络比规则网络和随机网络具有更高的资源流动性和更广的资源整合范围, 即具有小世界效应的产业网络具有更强的资源整合能力, 并认为这在某种程度上代表了产业网络的竞争优势, 本文的研究为这一结论提供了佐证和模型支撑。
4 结束语
本文结合复杂网络理论, 提出了一种基于资源流动的产业网络模型。仿真结果表明:在主体具有完全理性情况下, 网络的随机化程度越高, 产业网络的平均收益增长越快, 收益分布偏差越大;在主体具有有限理性情况下, 具有小世界效应的产业网络的平均收益增长最快, 收益分布偏差最大。
一般来说, 人们期望在保持平均收益快速增长的同时又保持一定的收益分布不均匀性。但对于一个特定的产业网络而言, 这种收益分布不均匀性在什么样的程度或范围, 进一步地, 随着产业的发展, 这种收益分布偏差和平均收益有什么样的关系才是合理的, 即既能促进资源的合理流动和优化配置, 又能避免资源过分集中在少数企业, 从而增大产业发展的潜在风险, 还需做进一步深入研究。此外, 产业网络中政府角色的定位问题以及产业发展风险预警机制的构建也是今后研究的方向。
参考文献
[1].盖翊中, 隋广军.基于契约理论的产业网络形成模型——综合成本的观点[J].当代经济科学, 2004, 26 (5) :56~59
[2].Christer, Karlsson.The Development of Industrial Net-works[J].International Journal of Operations and ProductionManagement, 2003, (23)
[3].黄守坤, 李文彬.产业网络及其演变模式分析[J].中国工业经济, 2004, (6) :53~60
[4].李守伟, 钱省三.产业网络的复杂性研究与实证[J].科学学研究, 2006, 24 (4) :529~533
[5].罗一鸣, 毛力平.产业网络的CAS模型[J].商场现代化, 2006, (3) :98
[6].李永, 方锦清, 刘强, 等.我国高技术产业网络的相关特性探讨[J].上海理工大学学报, 2008, 30 (3) :300~306
[7].文嫮, 曾刚.全球价值链治理与地方产业网络升级研究[J].中国工业经济, 2005, (7) :20~27
[8].张丹宁, 唐晓华.产业网络组织及其分类研究[J].中国工业经济, 2008, (2) :57~65
[9].李群.资源流动视角下区域持续竞争优势研究[J].山东大学学报 (哲学社会科学版) , 2005, (5) :76~83
[10].Watts D J, Strogatz S H.Collective dynamics of“small-world”networks[J].Nature, 1998, 393 (6684) :440~442
网络营销的用户行为模型网络营销 篇5
那么我们在做这些营销工作的时候总会想象我们的用户到底是要什么，要获得什么，怎么样让其买单，这很重要。我们有很多的成功的营销人，借助一些可以存在的模式和业态，获得了小金，但是如果我们没有将这些系统化，无论什么时候我们都将被新的东西所抛弃掉。
用户的行为模型也是我本人从这上面去思考去发现总结的一点点东西，当然在细分概念，做解决方案，当然要论证还要很长的时间去论证其有效性。
这就是我所描绘出来的模型图谱，其实应该看到很简单的三点作为支撑，这个用户模型来说，基本上可以描绘目前的所包含的营销行为和他在里面的位置，你都可以找的到。
从我个人认为注意力是契机，是我们能将营销做下去的契机，并且从用户体验中不断的获得忠诚度，并且在形成粘力的过程中获得注意力的二次开发，从而达到我们想要获得客户忠诚，
这是非常重要的。
那么从起点开始，我们制作注意力，创造注意力，使得我们的市场脉动向它靠拢，能够创造出商业机会和注意，所以在这个行为上面注意力是一个基础，而4P也在这之前已经为整个市场行为准备好了，他们借助注意力，注意力也贯穿在其中。而获得这种机会之后，用户自然的回去试用，是否犹如提起注意力的时候那样的好，体验产生了。体验是一个动词，借助用户的行为其成为用户的首选，用户从中获取价值，这样形成了粘性。而粘力和体验是相互关联的。首先要说的是体验和粘力是两个交织的过程，在体验之初已经形成了轻性粘力，被用户所执行着，而在粘性中，用户在重复、反馈体验的行为和结果。使得我们能够更好的去解决用户的问题。这显得特别重要，所有的公司其实很多都是在解决这部分的问题而努力，只是他们解决问题的方法的高低的问题，最终都是想要解决这个问题的。
而完成了原有的几个之后，用户行为又会回到原点，这次叫做注意力的二度开发，能够解决问题的，用户认可继续行为模型，不能解决的最终退出这条行为链。
所以我了从这个角度去阐释一下营销的思路应该怎么去做，剩下的是留给读者去想，去悟出自己的行业情况和问题。我也不多做解决了。
作者：陈晓功
网络分析模型 篇6
关键词 神经网络;时滞;Lyapunov函数;全局同步;M-矩阵
中图分类号 O175.14 文献标识码:A
1 引 言
神经网络的同步或混沌同步在诸如保密通信、模式识别和图形处理等工程问题中有着重要的应用,具体见文献[1-3]. 在这些具体应用中,系统往往是由
各种孤立的神经网络系统所耦合而成的大系统,深刻把握这种大系统的同步现象对其具体应用起到至关重要的作用.因此,通过利用Lyapunov泛函方法和Hermit矩阵理论,文献[4-6]对耦合神经网络模型的同步性进行了研究,并得到了耦合系统同步的充分条件. 然而,就目前的研究而言,大多数文献都假设:(i)系统中的所有参数
都是常数,即神经元直接的连接权重、时滞和耦合系数都是常数;(ii)线性耦合矩阵满足扩散耦合条件,即矩阵行和为零,非对角元
都是非负数. 在实际问题中,要设计出要求满足上述假设的耦合系统是非常困难的.
本文将在去掉耦合矩阵满足扩散条件的前提下,对一类非自治和变耦合的变时滞神经网络耦合系统的全局同步性进行研究. 通过构造
P2P网络拓扑模型分析 篇7
P2P网络拓扑模式的发展经历了三个阶段:集中式P2P、分布式P2P和混合式P2P,目前主要采用混合式P2P。
1 集中式P2P
集中式P2P结构是最早的P2P应用模式,因其仍具有中心化的特点也被称为非纯粹的P2P结构。集中式P2P模式的拓扑结构类似于B/S,需要一个中心服务器来进行连接,但服务器作用只限于记录各对等体共享资源的相关信息及响应对等体并生成共享资源的索引信息,与传统的网络模式不同的是,真正的共享资源保存在每个对等体上而不是在服务器上。当某个对等体要访问其他对等体的共享文件时,只需服务器提供对方对等体的相关信息就可以建立一条直接互连的通道,无需服务器的干预(见图1),代表性网络为Napster。
当某节点希望搜索一个不知道位置的资源时,该节点向目录服务器发送请求,目录服务器在数据库中查询到匹配的资源后将其定位信息返回该节点,然后在两个节点之间执行交互。
集中式P2P具有维护简单、检索效率高的特点。但中心目录服务器却成为脆弱的瓶颈,如果该服务器失效,整个系统都会瘫痪。而且,不同等级的用户连接速度也会使系统性能大大降低,容易出现单点故障。
2 分布式P2P
分布式P2P没有中心服务器,各对等体随机接入网络,通过与其相邻的对等体直接连接形成整个网络体系,每个对等体的功能相似、地位平等。采用随机图的组织方式,利用TTL(Time-to-Live),洪泛(Flooding),随机漫步或有选择转发等方式搜索网络资源。当节点度数服从幂率(power—law)规律时,该方式能够较快发现目标结点,而且面对网络的动态变化体现了较好的容错能力。代表性网络是Gnutella。其拓扑如图2所示。
由于没有中心服务器记录共享资源的索引信息等,对等体通过转发请求共享资源的查询包遍历整个网络获取共享资源。
分布式P2P无中心化的特点避免了单点失效的问题,一个对等体失效并不影响整个网络的正常运行,并且不容易受到网络攻击。但是由于没有中央服务器保存对等体共享资源的索引信息,当对等体要获取网络资源时,必须使请求包遍历整个网络才能得到结果,由此产生许多无效的数据包,因此这种模式占用带宽较大,而且需要花费很长时间才能有返回结果。
随着P2P网络规模的逐渐扩大,网络开销成指数级上升。因此准确性和可扩展性是非结构化网络面临的两个重要问题。
3 混合式P2P
混合式P2P网络结合了集中式结构和分布式拓扑的优点,网络中存在着中间服务器,文件目录是分布的。混合式P2P模式引入了超级对等体的概念,按其功能可将超级对等体分成索引对等体和搜索对等体等。混合式P2P将各对等体按性能分成普通对等体和超级对等体两类,超级对等体保存其他对等体的共享资源的索引信息,若干普通对等体以超级对等体为中心形成一个类似集中式P2P模式的小型网络,各小型网络再通过其超级对等体相连形成一个大的混合P2P(见图3)。
混合式P2P中的超级对等体即充当了集中式P2P的中心服务器,又起到了分布式P2P中普通对等体的作用,任何一个普通对等体搜索共享资源时都要通过超级对等体,其搜索步骤如下:
1)对等体首先将请求查询发送到所属小型网络的超级对等体中,在超级对等体中搜索共享相关信息。
2)若超级节点能在其管辖区域查询到共享资源的索引信息,则返回查询信息。
3)超级节点查询不到共享资源,则将请求查询包发送给相邻的超级对等体。
混合式网络结构综合了分布式P2P和集中式P2P两种P2P模式的特点,保留了分布式P2P无中心化和集中式P2P快速查找的优势。既能在一定程度上有效避免单点化的问题,又能在不占用大量带宽的基础上较快速的完成搜索。混合式P2P模式是目前最为流行的P2P模式,其代表软件如Bit Torrent.
P2P并不是一个新概念,早在1969年ARPANET出现的时候,网络应用的模式就是P2P。如今,P2P又回到了人们视线。尽管P2P技术现在还不成熟,但为我们提供了前所未有的自由和便利。随着P2P研究的进一步深入,P2P技术将为信息社会带来更多的机遇与挑战。
参考文献
[1]林宇,程时端,李琦.对等网络[J].中兴通讯技术,2006,12(1):57-60.
[2]任浩.网格研究[EB/OL].http://grid.cs.tsinghua.edu.cn.
[3]万焱,郑振华.P2P技术与应用研究综述[J].软件导刊,2006,(1).
网络分析模型 篇8
1 问题描述
在本文的配送网络设计中, 考虑一个资源点, 即只有一个工厂为配送中心或客户提供生产服务, 有n个客户接受配送中心或工厂的服务, 同时有m个候选配送中心 (已根据地价、运输距离、交通状况、环境因素等完成初步选址) 。商品供需关系和流动情况形成了整个物流配送系统的网络结构 (如图1) 。本文需要通过分析该配送网络的成本结构, 从m个候选配送中心中选出使得配送网络总成本最小的若干个配送中心, 首先完成配送网络的结点选择, 同时通过对资源点与需求点之间物资流动的合理安排来实现配送网络的物资流优化。
图1中箭头所示方向, 只是货物的可能移动方向。传统的配送方法是将货物从工厂运输到区域配送中心, 然后从区域配送中心运输到分销商仓库, 最后从分销商仓库运输到客户需求点。这种层层传递的方法虽然简化了管理, 但是过于死板, 严格的分层使得运输不够灵活, 仓库规模效应无法最大化, 而且运输成本不一定是最低的。本文所讨论的配送网络设计方法虽然也考虑了分层管理, 但并未明确每个配送中心隶属于“哪一层”, 根据网络成本需要, 传统网络中的区域配送中心可以和配送中心合并到同一层, 彼此的区别只在于设施的规模差异。
本文所涉及的延迟策略仅限于成品再包装。在该策略的驱动下, 不同状态的货物可以有如下几种移动和处理方式, 见下图2。因为到达最终客户手中的货物一定是包装完好的成品, 所以成品的包装要么在工厂直接完成并配送到需求点;要么被批量运送到配送中心后进行储存, 然后根据客户的最后订单进行包装并完成配送过程。
图2中黑色线条代表的是网络中传统的配送模式, 即货物按层次逐级配送, 最终达到客户手中。而红色线条则显示了在3层网络构建过程中, 根据客户订单的大小、服务要求、时效要求、运输规模效应、仓库设施规模效应等等, 不同状态的货物可以在网络中灵活进行配送。而延迟策略的使用, 使得网络的成本结构发生了变化。
2 配送网络成本分析及建模
本文所研究的配送网络包括三层, 即工厂、配送中心、客户。该配送网络的成本构成为:工厂和配送中心的货物存储成本;货物在工厂、配送中心和需求点装卸车的成本;货物在工厂 、配送中心的物料处理成本 (包括货物入库、库存补充、货物分拣、出库、订单处理等) ;工厂到配送中心/工厂到客户/配送中心到客户的运输成本。其中所有从工厂生产的货物都必须被运输到工厂附近的全国总仓, 因此货物在工厂产生的成本并不会对网络的结点选择产生量的影响, 所以此部分成本未被考虑到本文的网络成本模型中。
模型建立:
s.b.:
a) Supply≥∑i=1, …, numWHS∑f=0, 1Qif+∑j=1, …, numCS+∑f=1Qjf
b) Demandj≤∑f=1Qjf+∑i=1, …, numWHS∑f=1Qijf
c) ∑f=0, 2Qif=∑j=1, …, numCS∑f=1Qijf
d) Qif, Qjf, Qijf, PTif, PTjf, PTijf, PHif≥0
e) SRi, Ratio, n, Vb≥0
f) CTi, CTj, CTij, CSi, CHi≥0
其中:i=1, …, numWHS; j=1, …, numCS; f=0, 1
式中:n:每个托盘上平均堆码纸箱数量;Vb:平均每个纸箱的体积;Ratio:仓库每个托盘所占用的面积;numWHS:所有候选配送中心的总数量 (单位:个) ;numCS:所有客户的数量 (单位:个) ;SRi:第i个配送中心的库存周转率 (单位:月, 已经根据公司库存战略, 提前确定) ;Supply:工厂在一年内能提供的货物生产量 (单位:立方) ;Demandj:第j个客户在一年内的需求量 (单位:立方) ;Di:从工厂附近的全国总仓到第i个配送中心的距离 (单位:公里) ;Dj:从全国总仓到第j个客户的距离 (单位:公里) ;Dij:从第i个配送中心到第j个客户的距离 (单位:公里) ;Qif: 一年内从全国总仓运送到第i个配送中心的f状态的货量 (立方) ;Qjf:一年内从全国总仓直接运送到第j个客户的f状态的货物量 (立方) ;Qijf:一年内从第i个配送中心运送到第j个客户的f状态的货物量 (立方) ;PTi:从全国总仓配送货物到第i个配送中心的单位运输成本 (元/立方) ;PTj:从全国总仓配送货物到第j个客户的单位运输成本 (元/立方) ;PTij:从第i个配送中心配送货物到第j个客户的单位运输成本 (元/立方) ;Cnetwork:网络总成本;CTi:从全国总仓配送货物到第i个配送中心的配送成本 (元/年) ;CTj:从全国总仓配送货物到第j个客户的配送成本 (元/年) ;CTij:从第i个配送中心配送货物到第j个客户的配送成本 (元/年) ;Surfacei:第i个配送中心的面积 (单位:平米, 仓库面积根据进出库量及库存策略确定) ; Renti:第i个配送中心的仓库租金 (元/平米/天, 其中租金里包括仓库的固定投资成本折旧、仓库的维护、货架的投资与折旧、水电费消耗、仓库保险等仓库里可能发生的所有成本, 该租金由仓库租赁服务公司直接根据客户需求及市场规律确定) ;Stocki:第i个配送中心的库存量 (托盘数) ;CSi:第i个配送中心一年的仓储成本 (元/年) ;PHif:第i个配送中心对f状态的货物的单位物料处理成本 (元/箱) ;CHif:第i个配送中心对f状态的货物的物料处理成本 (元/年) ;Yi是配送中心i是否被选中的决策变量, 当i被选中时, Yi=1, 否则Yi=0;f为成品的状态, 当货物状态为包装完毕时, f=1, 否则f=0.
3 实例验证
本文采用C++编程, 运用遗传算法和穷举法求解。计算得到的最优化配送网络结点由乍浦仓、天津仓及所有客户组成。得到的最优网络总成本为:Cnetwork=34727500元/年。如果所有货物均在乍浦总仓完成再包装, 即在网络设计过程中不引进延迟策略, 且所有候选配送中心无一被选中, 其网络总成本为:Cnetwork=39150520元/年。引进延迟策略后的最优网络总成本相比未引进情况下降了接近13%。由此可见, 延迟策略对网络成本的下降确实具有比较显著的效果。其中按从小到大顺序排列网络总成本前10位以及各个被选中的配送中心接收的货量如下表3所示 (其中货量单位为鞋子的双数) :
其中从乍浦总仓运输到各个配送中心的货物均为未包装的成品, 再包装工序被延迟到被选中的配送中心完成, 实现了运输的规模经济效应。
4 结语
本论文将延迟策略中的再包装运用到配送网络设计的过程中, 通过分析网络的成本结构, 建立混合整数规划模型, 以最小化网络总成本为目标, 完成配送网络的结点选择, 并得到货物在各个结点之间的流动方向和流动量。并通过案例分析, 验证了延迟策略对配送网络设计的影响, 以及该策略给整个网络带来的成本效应。
参考文献
[1]王金妹.物流网络配送系统规划方法研究[J].长安大学硕士学位论文, 2005, (1) .
[2]Frank Schwartz.Distribution network design with postponement.
[3][美]唐纳德.J.鲍尔索可斯, 戴维.J.克老斯著, 林国龙, 宋柏, 沙梅译.物流管理供应链过程一体化[M].北京:机械工业出版社, 1999:121-123.
网络分析模型 篇9
本文的研究对象是福建省大额支付系统资金流网络, 重点关注各城市间的资金往来信息。因此本文对大额支付系统的交易数据进行处理, 将其按行政区划重新组织, 以便从城市的角度研究福建省大额支付系统资金流。重新组织后的交易数据将以福建省各城市为节点, 各城市间的资金流量为边的权值, 资金流向为边的方向, 从而形成一张有向加权网络。因数据来源等问题, 本文构建的网络模型有以下4点说明。
一是支付系统中的交易信息包括交易金额和交易笔数两个方面, 因此本文将以福建省各城市为顶点、先后以各城市的交易金额和交易笔数为边, 建立福建省大额支付系统交易金额复杂网络模型和交易笔数复杂网络模型。
二是因支付管理信息系统的自身设计缺陷, 无法获得福州地区各县、市、区间的大额支付系统资金往来明细, 故本文所构建的网络模型中城市顶点数目仅有59个。
三是本文主要关注城市间的资金流网络, 不考虑城市内部的资金流转, 故本文构建的网络模型均是无环网络。
四是从支付系统中获得的城市间资金流动数据是双向的, 为了把要研究的问题简单化并尽量保持原有数据信息, 本文保留了城市间资金流动的净额和方向, 去除了双向信息, 使得连接两个节点的边只有一个方向。如果两个城市间往来的业务量恰好相等, 则这两个节点间没有边。
二、福建省大额支付系统资金流网络模型结构
网络模型结构图是对抽象网络模型的直观展现。本文对大额支付系统的业务数据进行处理后, 以2011年各城市间交易笔数和交易金额构建了两个网络结构图, 如图1和图2所示。
数据来源:福建省支付管理信息系统
数据来源:福建省支付管理信息系统
图中边的粗细均表示边的权重大小, 也就是两个城市间交易笔数和交易金额的大小, 交易笔数越大、交易金额越高则边越粗。从两图中可以看出, 除了极少数两个节点间没有连线外, 其他节点几乎两两连线, 也就说这个网络模型几乎就是一个完全网络。这说明了大额支付系统覆盖范围广, 参与者已经覆盖了福建省各行政区域, 各行政区域之间或多或少都有资金往来业务。
(一) 交易笔数网络结构
交易笔数网络结构图是以城市间交易笔数为基础构建的网络模型, 为了更直观地显示交易笔数网络结构图的内部结构, 可以对图中的边设置阈值。当边的权值小于该阈值时, 则不显示;反之, 则显示。设置阈值后的2007-2011年间福建省城市间大额支付系统交易笔数网络结构如图3所示。
数据来源:福建省支付管理信息系统
合适的阈值能够抛弃原图中权重较小的边, 突显其主体结构。经过多次尝试, 图3系列中的阈值均被设为10 000, 即两个城市间的净业务往来若低于10 000笔, 在图中对应的两个节点间就没有边。从阈值限制后的网络结构图中可以看出, 福建省大额支付系统的交易笔数网络形成了以福州为中心面向全省辐射的结构, 而且这种辐射结构在相同阈值条件下随着支付系统业务量的逐年增长变得逐渐清晰。这就证明了福州是福建省资金流动的龙头。
交易笔数网络结构图还从两个方面显示出大额支付系统交易笔数逐年增长的趋势。一个方面是网络中边的数量在明显增多。从2007-2011年, 网络结构图的阈值是不变的, 而网络中边的数量明显增多, 节点间的联系更密切, 网络变得更密集。这说明随着大额支付系统总体业务量的增大, 原本没有达到阈值条件的两个城市间的交易笔数已逐渐超过了阈值条件, 这是一个从无到有的过程。比如2008年与2007年相比, 图中就增加了福州到龙海以及福州到安溪两条边, 2009年与2008年相比, 又增加了福州到沙县、福州到永春等边。
另一方面是网络中原有的边明显变粗, 这是一个从弱到强的过程。因为阈值是一样的, 所以边变粗说明边的权重在增大, 两个城市间的业务量在增加。这一点在福州和泉州之间表现得十分明显。2007年福州和泉州间的连线还不是很突出, 但到了2008年, 这条边已经变得较为醒目, 且不断变粗, 到了2011年, 这条边已经十分显眼。随着边的变粗, 原先不易发现的结构细节也逐渐清晰起来。如从2007-2011年, 福州、泉州和晋江这三座城市的边逐渐形成了一个明显的三角形。
(二) 交易金额网络结构
交易金额网络结构图是以城市间交易金额为基础构建的网络模型。同样地, 研究对图中的边设置了阈值。设置阈值后的2007-2011年间福建省城市间大额支付系统交易金额网络结构如图4所示。
图4系列中的阈值均被设置为两个城市间净资金流量若低于十亿元, 在图中对应的两个节点间就没有边。从图4中可以看出, 福建省大额支付系统的交易金额网络也形成了以福州为中心面向全省辐射的结构, 而且这种辐射结构在相同阈值条件下随着支付系统业务量的逐年增长变得逐渐清晰。这再次验证了福州是福建省资金流动的龙头。
数据来源:福建省支付管理信息系统
与交易笔数网络结构图一样, 交易金额网络结构图也从两个方面显示出大额支付系统交易金额逐年增长的趋势。一方面是网络中边的数量在明显地增多, 另一方面是网络中原有的边不断变粗。
三、福建省大额支付系统资金流网络参数研究
(一) 网络平均路径长度和平均度
复杂网络的平均路径长度定义为任意两个节点之间距离的平均值。本文构建的有向网络的节点度等于出度和入度之和。出度指从该节点指向其他节点的边的数目, 入度指其他节点指向该节点的边的数目。有向网络的平均度等于各节点度之和除以两倍的节点数目。通过计算网络平均路径长度和平均度可以反映出网络的一些特性。2007-2011年交易笔数和交易金额网络平均路径长度和节点度统计表见表1和表2所列。
从表1和2中可以得到以下结论。
一是2007-2011年两个网络的平均路径长度都在1.5左右。这意味着任意两个节点间几乎都有一条边, 网络模型近乎完全网络。从资金流的角度来看, 这说明随着市场经济的发展和非现金结算业务的推广, 福建省任意两个城市间几乎都有资金往来。
二是本文构建的网络模型共59个节点, 那么一个节点最多只能有58条边, 节点度的最大值是58, 网络平均度的最大值是29。这五年来两个网络模型的平均度都很接近最大值29, 这再次说明了网络中边的数量很多, 网络模型接近完全网络, 每座城市几乎与所有其余城市都有资金往来, 不存在自成一体的孤城。
三是两个网络模型的平均路径长度基本上在逐年减少、平均度在逐年提高, 这说明了五年来福建省各城市间资金往来愈加频繁, 经济联系愈加紧密。
四是按出度从大到小的排序结果中, 福州和厦门常年位居前两名, 几乎与其余每座城市都有边连接, 这说明福州和厦门无论是交易笔数还是交易资金的流出量都大于流入量, 且流往全省各座城市。按入度从大到小的排序结果中, 惠安县、连城县等城市多次进入前三名, 说明这些城市的交易业务流入量大于流出量。
(二) 特征向量中心度
复杂网络中的特征向量中心度是在网络总体结构中最居于核心的节点, 在计算时把与该节点相连的其他节点的中心度考虑进来, 进而度量该节点的中心度。在本文构建的资金流网络中, 特征向量中心度表现为该节点作为网络中心节点、资金流转中心的重要程度。
研究显示, 无论是交易笔数还是交易金额网络, 这五年来福州市都是名列第一。这就再次验证了福州是福建省资金流动龙头的结论, 显示了福州作为福建省金融中心的价值和实力。五年来厦门市也多次名列第二, 表明厦门市是福建省内资金流动的重要中转点, 适合作为福建省的金融次中心, 与福州市形成南北金融双中心效应。
四、结论
一是资金流网络模型形成了以福州为中心向全省辐射的结构, 且该结构在相同阈值条件下随着支付系统业务量的逐年增长变得逐渐清晰。同时资金流网络模型显示出大额支付系统交易笔数逐年增长的趋势。
二是随着市场经济的发展和非现金结算业务的推广, 福建省任意两个城市间几乎都有资金往来, 不存在经济发展的孤岛。同时, 五年来福建省各城市间资金往来愈加频繁, 经济联系愈加紧密。
网络分析模型 篇10
为了保障网络的可用性,防止来自外部或内部的攻击行为, 网络管理者花费了大量的资源来购买防火墙、入侵检测系统和防病毒软件等网络安全工具,力图保障网络的安全。这些网络安全工具和网络设备都以日志和警告等形式记录了大量的网络安全数据。然而,各个安全产品间是相对独立的,传统网络安全技术大多是孤立地来分析这些安全信息,而不去考虑其内在的联系, 也不能单独构成有用的安全事件,更不能及时形成真正有指导意义的安全响应知识。运用数据融合的方式对来自不同数据源的数据进行关朕分析,找出其内在的联系,发现潜在的模式,这样能更有效、更及时地发现和预防网络中存在的潜在危害。
1关联规则分析
关联规则是描述数据库中数据项之间存在关联的规则,即根据一个事物中某些项的出现可导出另一项在同一事物中也出现, 即隐藏在数据间的关联或相互关系。当安全事件数量积累足够多的时候,可以有效挖掘出事件之间的关联特性。例如,通过挖掘可以得到对网络的正常访问和非正常访问状况,为及时分析处理网络非正常访问提供有力帮助。
1.1关联规则算法描述
设I = {I1,I2,…,Im}是项的集合。设任务相关的数据ID是数据库事务的集合,其中每个事务T是项的集合,使得T⊆I。 每一个事务有一个标识符,称作TID。设A是一个项集,事务T包含A当且仅当A⊆T。
关联规则是形如A⇒B的蕴涵形式,其中A∈B,B∈I,并且A∩B=Φ。
规则A⇒B在事务集D中成立,具有支持度S,其中S是D中事务包含A∪B(即A和B二者)的百分比,它是概率P(AUB)。
规则A⇒B在事务集D中具有置信度C,如果D中包含A的事务同时也包含B的百分比是C,这是条件概率P(B|A),即是:
同时满足最小支持度阈值(M_sup)和最小置信度阈值(Min_conf)的规则称作强规则。项的集合称为项集,包含K个项目的集合称为K-项集。项集的出现频率是包含项集的事务数,如果项集的出现频率大于或等于Min_sup与D中事务总数的乘积项集满足最小支持度Min_sup,则项集满足最小支持度,称它为频繁项集。[1]
1.2关联规则挖掘要点
在关联规则的四个属性中,支持度和可信度能够比较直接地形容关联规则的性质。从关联规则定义可以看出,任意给出事务中的两个物品集,它们之间都存在关联规则,只不过属性值有所不同。如果不考虑关联规则的支持度和可信度,那么在事务数据库中可以发现无穷多的关联规则。为了发现有意义的关联规则, 需要给定两个阈值:最小支持度和最小可信度,前者规定了关联规则必须满足的最小支持度,后者规定了关联规则必须满足的最小可信度,在关联规则的挖掘中要注意选取恰当的最小支持度和最小可信度。对关联规则的理解需要熟悉业务背景,丰富的业务经验对数据有足够的理解,只有很好理解关联规则,去其糟粕, 取其精华,才能充分发挥关联规则的实际应用价值。
2安全事件概述
2.1定义与表现形式
网络安全事件指对网络运行、网上应用构成侵害和威胁的异常活动,包括对系统的破坏、未经授权的情况下使用另一个账户或系统的特殊权限以及执行恶意代码并毁坏数据等。
安全事件可分为两类:一种是其发生环境局限于本地主机, 称之为主机安全事件;另外一种是发生于网络环境中的事件,称之为网络安全事件。[2]这些事件一般只能通过专门的工具或设备如防火墙、防病毒网关、入侵检测系统(IDS)等检测出。所以安全事件通常会反映在以下几个方面:各种网络安全设备产生的告警数据、各种应用产生的安全日志数据、IDS告警信息等。
2.2关联分析的必要性
传统的安全设备,存在安全防御的弱项。首先,随着入侵行为多样性的发展,误报与漏报现象严重,难以识别出真实的威胁。 其次,分布式攻击增长很快,即这些攻击往往不是来自某个固定的攻击源。第三,现有的安全设备、安全数据、安全策略往往是分散独立的,它们各自表达自己的安全目标、属性、规则和条件, 相互间缺乏协作互补和全局关联,这样就很难实时动态的监测整个网络的安全态势。因此对这些安全事件进行关联分析是势在必行的,基于关联规则的网络安全事件分析模型较好的解决了传统安全系统中存在的问题。
对安全事件进行关联分析的目的,就是从看似分散独立的海量安全数据中寻找异常活动背后的逻辑,发现攻击信息(包括攻击的意图、步骤、危害、风险等)。[5]从多个层面,多个维度,对网络安全设备所报告的安全事件进行进一步分析与可信度验证, 减少告警冗余,发现综合安全事件,并根据这些信息生成安全事件的分析模型,用于对安全事件的自动鉴别,对网络全局安全态势进行真实有效的评估。
3基于关联规则网络安全事件分析模型
3.1模型方案
首先,对网络安全设备接收到的安全事件和日志进行识别、 过滤,进行数据变化和规约,转化为易于挖掘的格式,形成具有特定格式的事件序列。其次,为了形成知识库模型,需要对历史数据或训练数据由数据挖掘引擎对事件序列进行学习和分析,挖
掘出用户的正常行为模式或者异常行为模式,并将正常或者异常规则存入知识库中。最后,根据知识库中的规则,入侵检测模块对当前数据进行分析,当某用户的行为与知识库中定义的异常行为相一致时,判定其为入侵。关联规则网络安全事件分析模型图如图1所示。
3.2模型实例分析
网络设备记录的用户访问事件的原始数据集经过处理后得到的有效安全事件数据集记录如表1所示。
首先将记录中的数据符号化(I1:上午,I2:下午,I3:晚上),转化为关联规则挖掘中对应的事务数据库,其结果如表2所示。
对上述事务数据应用关联规则挖掘,设最小支持度为20%, 可得到频繁项目集{I1,I4,I7,I11},从而得的关联规则如表3所示。
由上述关联规则说明:用户A通常在上午登录,IP地址为238.12.10.201,他经常执行系统操作。以上面的数据为基础,如果用户A上午登录,且IP地址为238.12.10.201,那么他执行系统操作的支持度和可信度分别为20%和50%;频繁项目集中的其它规则可依此类推。
应用这种方法,可以分析用户的行为模式,判断用户身份,将用户的当前行为与历史行为比较,可以发现用户的异常行为,如上述用户A,如果在晚上登录,则被认为是异常行为,如果一个普通用户企图执行系统操作,也被认为是异常行为。同样,对入侵攻击事件和包过滤事件进行分析,也可以分析某个IP的行为模式和异常行为,快速找到攻击者。
4总结
