Geschäftskontext
Ein Telekommunikationsanbieter muss kritische Knotenpunkte (Single Points of Failure) in seinem Glasfasernetzwerk identifizieren. Da das Netzwerk sehr groß ist, wird eine approximative Berechnung der Betweenness-Zentralität benötigt, um Router zu finden, die als Brücken zwischen Subnetzwerken fungieren.
Datenaufbereitung
Simulation eines größeren Netzwerks mit 1000 Verbindungen zur Überprüfung der Performance.
Kopiert!
| 1 | |
| 2 | DATA mycas.FiberNet; |
| 3 | call streaminit(123); |
| 4 | DO i=1 to 1000; |
| 5 | from = put(ceil(rand('uniform')*100), z3.); |
| 6 | to = put(ceil(rand('uniform')*100), z3.); |
| 7 | weight = rand('uniform'); |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | |
| 11 | RUN; |
| 12 |
Étapes de réalisation
1
Laden der simulierten Netzwerkdaten.
Kopiert!
| 1 | /* Daten liegen bereits im Speicher als mycas.FiberNet vor */ |
2
Ausführung mit Sampling für Betweenness und Multithreading für Performance.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | network.centrality / links={name='FiberNet'} outNodes={name='CriticalRouters', replace=true} direction='UNDIRECTED' between='WEIGHT' betweenNorm=true samplePercent=20.0 nThreads=8; |
| 4 | |
| 5 | RUN; |
| 6 |
Erwartetes Ergebnis
Die Aktion läuft erfolgreich durch und nutzt Multithreading. Die Tabelle 'CriticalRouters' enthält normalisierte Betweenness-Werte, die basierend auf einer 20%-Stichprobe der Knoten geschätzt wurden, um die Rechenzeit zu minimieren.