19101

۱۹۱۰۱

پايش شبكه ي اجتماعي تحت مدلي پيشنهادي برمبناي توزيع پواسون با استفاده از نمودار كنترلي مناسب

كارشناسي ارشد

بهينه سازي سيستم ها

۱۳۹۴

۱۳۹۷/۱/۲۸

دكتر رسول نورالسناء

دكتر سعيدي مهرآباد

صنايع

تحليل شبكه اجتماعي روش تشخيصي قدرتمندي براي تحليل طبيعت و الگوي ارتباطات ميان اعضاي حاضر در شبكه هاي تروريستي، شبكه هاي اجتماعي برخط نظير توييتر،شبكه هاي بيولوژيكي و ساير موارد مي باشد. تغييرات در شبكه هاي اجتماعي ممكن است يك رويداد يا رفتار مهم درون يك سازمان را منعكس كند. تشخيص اين تغييرات به طور موثر مي تواند امكان هشدار زودهنگام و پاسخ سريع تر به فعاليت هاي سازماني مثبت و منفي را بدهد. در مطالعه ي پيش رو با ارائه ي مدلي بر مبناي توزيع پواسون، اجتماعاتي در يك شبكه ي موزون و بدون جهت بطور تصادفي تشكيل مي شوند و شبكه ي حاصل مورد پايش قرار مي گيرد. به همين منظور به مرور ادبيات و بررسي پژوهش هاي صورت گرفته در اين زمينه پرداخته شده است. همچنين مطالعاتي در زمينه ي نحوه ي شناسايي جوامع متناسب با داده هاي موجود صورت گرفته است و الگوريتمي بر اساس ماژولاريتي بهبود يافته بدين منظور مورد استفاده قرار گرفته است. سپس با استفاده از شبيه سازي در نرم افزار متلب و تجزيه و تحليل داده ها بر اساس معيار متوسط طول كشف عملكرد مدل پيشنهادي با بكارگيري نمودار هاي كنترلي شوهارت، ميانگين متحرك موزون نمايي و جمع تجمعي مورد ارزيابي قرار مي گيرد. نتايج ارزيابي نشان مي دهد كه اگر شناسايي جوامع پيش از انجام پايش صورت گيرد، يافتن منشأ تغيير در شبكه و كشف علت بروز آن به مراتب آسان تر صورت مي گيرد. عملكرد مناسب متوسط طول دنباله در نمودار كنترلي ميانگين متحرك موزون نمايي و جمع تجمعي، در مقايسه با نمونه اي از مطالعات انجام شده صحت نتايج ارزيابي را تاييد مي كند. در همين راستا، جهت فراهم آوردن فاكتورهاي لازم براي مقايسه ي طرح ها، تصحيح بونفروني بر روي طرح پيشنهادي پياده سازي شده است. واژه‌هاي كليدي: تحليل شبكه هاي اجتماعي، توزيع پواسون، نمودارهاي كنترلي، متوسط طول كشف، شناسايي جوامع

1397/04/29

Social network monitoring under suggested model based on Poisson distribution using an appropriate control chart

7/20/2018 12:00:00 AM

The social network analysis is a powerful diagnostic method for analyzing the nature and pattern of communication between members in terrorist networks, on-line social networks such as Twitter, biological networks, and etc. Changes in social networks may reflect an event or significant behavior within an organization. Detecting these changes can effectively enable early warning and faster response to positive and negative organizational activities. In this paper, communities are randomly formed in a weighted and non-directional network by presenting a model based on Poisson distribution, and the network is monitored. Moreover, the present study investigates how communities are identified with the existing data and an algorithm based on improved modularity has been used for this purpose. Then, using simulation in MATLAB software and analyzing data based on the average run length, the performance of the proposed model was evaluated by applying the SHEWHART control chart, the EWMA and the cumulative sum. The evaluation results show that, if the identification of communities is carried out before monitoring, finding out the source of the change in the network and discovering its cause is much easier. The proper performance of the average run length while using EWMA and CUSUM control charts confirms the validity of the evaluation results in comparison to a sample of studies. In this regard, BONFERRONI’s correction has been implemented on the proposed scheme to provide the necessary factors for comparing the designs. Keywords: social network monitoring, Poisson distribution, control charts, community detection, average run length