学位论文简介
随着全球数据量爆炸式增长，从大规模图数据中挖掘有价值的信息已成为研究热点。凝聚子图作为图结构中关键的局部特征，广泛应用于金融风控、电子商务、智慧交通等领域。针对凝聚子图的相关工作在动态适应性、属性信息利用和查询效率等方面的不足，本文围绕无向图和二部图中的凝聚子图模型（k-core、(α,β)-core和(p,q)-biclique）展开了深入的研究和分析，取得了以下创新性成果：
(1) 针对二部图中(p,q)-biclique在动态性适应不足及忽略权重属性导致分析效率低下的局限性，首次研究了流式二部图中密度约束的(p,q)-biclique维护问题。首先，根据传统(p,q)-biclique计算方法，设计了一种基本维护框架。在此基础上，提出了两种高效的剪枝策略，用于在维护过程中对大量无意义的中间结果进行剪枝处理。大量的实验证实了所提出方法的高效性和有效性。
(2) 针对现有k-core模型要么因忽略属性特征引起无法满足用户个性化需求，要么因属性约束过严导致查询灵活性差的问题，本文首次开展了无向图中松弛属性约束的k-core搜索研究。为解决该问题，提出了一种新颖的索引结构，其通过为每个顶点及其可能k值维护一些关键的属性集。该方法极大地降低了索引的空间开销，同时保证了高效的查询效率。
(3) 针对二部图的(α,β)-core模型与无向图的k-core模型存在类似挑战，即忽略属性特征或属性约束过严，首次研究了二部图中松弛属性约束的(α,β)-core搜索问题。首先提出了一种在线查询方法，其通过迭代删除不满足属性或结构约束的顶点来获得最终结果。随后，设计了两种基本索引。为提升索引的可扩展性，提出了一种空间最小化的索引，该索引显著减少了索引中的冗余信息，还确保了高效的查询效率。
主要学术成果
[1]Xin Deng, Zheng Qin, Peng Peng, et al. TopK-BC: Efficient Maintenance of Top k (p,q)-bicliques over Streaming Bipartite Graphs[C], IEEE International Conference on Data Engineering, 2025: 3696-3709. (CCF A类会议, 第一作者)
[2]Xin Deng, Peng Peng, Chuanyu Liu, et al, Efficient Indexing for Label-constrained Cohesive Subgraph Queries over Large Graphs", IEEE International Conference on Data Engineering, 2025: 2135-2147. (CCF A类会议, 第一作者)
[3]Xin Deng, Peng Peng, Baoqing Sun, et al, SQAC: Scalable Querying of Attribute-Constrained (α, β)-Cores over Large Bipartite graphs, IEEE International Conference on Data Engineering, 2026. (CCF A类会议, 第一作者)
[4]Xin Deng, Peng Peng, Mingdao Li, et al, Scalable Indexing for Label-Constrained k-Core Queries over Large Graphs, IEEE Transactions on Knowledge and Data Engineering?, 2026. (CCF A类期刊, 第一作者, 已投)
[5]Xin Deng, Zheng Qin, Peng Peng, et al, MMCS: Multi-Query Optimization for Minimum Community Search over Large Graphs, ACM Special Interest Group on Management of Data Conference, 2027. (CCF A类会议, 第一作者, 拟投)
[6]Hui Zhou, Zheng Qin, Peng Sun, Xin Deng, et al, Unifying Gradient Leakage Attacks Against Privacy-Protected Federated Learning in IoT Networks, IEEE Internet of Things Journal, 2026, 13(4), 6564-6574. (SCI, 中科院二区Top期刊, 第四作者)
[7]Hui Zhou ,Yuling Chen, Zheng Qin, Xin Deng, et al, Thwarting gradient inversion in federated learning via generative shadow mapping defense, Journal of Systems Architecture, 2025, 172: 103671. (CCF B类期刊, 第四作者)
[8]Hui Zhou, Zheng Qin, Yipeng Zou, Xin Deng, et al, Do Adversarial Perturbations Truly Mitigate Gradient Inversion in Federated Learning?, International Joint Conference on Neural Networks, 2025: 1-8. (CCF C类会议, 第四作者)
