本文提出了一个新的节点影响力排序指标——K壳与社团中心性（K-shell and community centrality, KSC）指标，该指标综合考虑节点的内部因素和外部因素，对节点的影响力进行排序。其中内部因素包括节点的度中心性、K-shell、介数中心性、紧密度等，外部因素为节点所处的社团的相关特性。

最后，通过模拟传染病模型得到节点的影响力排序。根据得到的影响力排序对几种主流的中心性指标及本文提出的指标进行评价，实验结果表明，本文提出的影响力排序指标在排序效果上优于度中心性、K-shell、介数中心性、紧密度等指标，且适用于多种类型的复杂网络。

本文提出了KSC（K-shell and community cenntrality）指标，用于对复杂网络中的节点进行更准确的排序。我们认为复杂网络中的节点的影响力不但与节点的内部属性，如：节点的度中心性、节点的紧密度、节点的介数中心性、及节点的K-shell值有关。更与节点在复杂网络中所处的位置有很大的关系，即节点的外部属性，其中包括节点所处的社团的大小，社团间的紧密度等。本文所提出的方法即为综合考虑节点的度、紧密度、介数、K-shell值等内部属性，和节点所处的社团、社团大小、社团间的紧密度等外部属性，简而言之，本模型提倡内因和外因的结合作为评判节点的标准。

本文提出的KSC指标作用于复杂网络中，并给出KSC指标的计算公式，即根据内部影响力和外部影响力计算节点的KSC指标的值，节点的内部影响力又由节点的度中心性、K-shell、介数中心性、紧密度等内部属性决定，节点的外部影响力由节点所处的社团、社团的大小等外部因素决定。我们通过R语言代码计算节点的内部影响力和外部影响力，进而讨论节点的内部影响因子和外部影响因子。通过三个大小、规模、拓扑结构各异的网络观察不同的内部影响因子和外部影响因子对最终的节点的KSC指标值的影响，进而观察得不同网络拓扑结构中通用的内部影响因子和外部影响因子的取值。

最后本文利用SIR（Susceptible-Infected-Recovered）模型对疾病传播机制进行仿真，生成了三个真实示例网络中的节点影响力的排序，以此作为各个中心性指标及我们的KSC指标的评价标准。分别在三个示例网络中用SIR模型得到的节点影响力排序对度中心性、K-shell、介数中心性、紧密度和 KSC指标进行评价，结果证明我们的KSC指标的优越性及准确性。并且证明KSC指标在大部分规模及拓扑结构的网络中都适用，具有普遍适用性。

论文各章节的安排

本章剩余章节安排如下：

第二章讲几种中心性指标的实现方法、研究成果及现状。

第三章主要对SIR指标模型进行描述。

第四章主要是KSC指标的实现，在第三章的基础上继续探讨决定KSC指标的值的内部影响力和外部影响力，并通过三个大小、规模、拓扑结构各异的网络观察不同网络拓扑结构中通用的内部影响因子和外部影响因子的取值。

第五章是实验的分析，在实验分析中提出对SIR模型，通过SIR仿真模拟的结果对各个中心性方法进行对比。

第六章是全文的总结，综述实验结论。