Узлы для сетей: Узлы для вязания рыболовных сетей

Содержание

УЗЕЛ ДЛЯ РЫБОЛОВНОГО ЭКРАНА из лески. не скользит.

Видео о рыбалке | Рыболовные узлы | УЗЕЛ ДЛЯ РЫБОЛОВНОГО ЭКРАНА из лески. не скользит.

Представляем Вашему вниманию видео на тему: «узлы рыболовные для сетей из лески». Для каждого любителя рыбалки в нем найдется что-то новое и познавательное. Данное видео вполне может стать источником интересных решений в вопросах рыбной ловли и всего, что с ней связано.

Другие видео из категории «Рыболовные узлы»:

  • Рыболовный узел «Клинч»-простой (Clinch Knot fishing) видео
  • Рыбацкий штык или якорный узел. Надежно крепим якорь
  • Простейшие рыболовные узлы на все случаи жизни Узлы для начинающих
  • Узлы. Как завязать Узел Гвоздь. Рыбацкие узлы. Снасти для рыбалки. Энциклопедия узлов. Fishing gear
  • Как привязать крючок с лопаткой?! Узел накидная петля HD
  • Рыболовный узел Олбрайт (Albright knot) для поводков и шок лидера видео-Как вязать
  • Как привязать воблер? Узел «Rapala» (RAPALA KNOT) HD
  • Простые рыболовные узлы
  • Универсальный узел Уни (Uni Knot)-Как вязать Рыболовные узлы видео
  • Как привязать воблер — Рыболовный узел «ПЛОТНАЯ ПЕТЛЯ» (HOMER-RHODE LOOP KNOT)

    Интересное

    Ссылки по теме «узлы рыболовные для сетей из лески»

    • Хотя большинство рыбаков считает сеть неспортивной снастью, но существует много ситуаций, когда без неё просто не обойтись. Поэтому многие хотят знать, как плести в домашних условиях рыболовную сеть из лески.Если сеть из нити – одни, из лески – другие. Плетение из лески подразумевает использование двойного шкотового узла. Посмотрите на видео как плести такие узлы
      http://KakUlov.ru/snasti/xudoj-setyu-ryby-ne-nalovish-kak-splesti-samostoyatelno/
    • Рыболовные узлы — Продолжительность: 6:20 Рыболовный интернет-магазин YourFish.ru 257 ***4*** просмотров.Как плести рыболовную сеть(экран) из лески и нити.wmv — Продолжительность: 10:2*** amiga2***1160 205 153 просмотра.
      https://www.youtube.com/watch?v=N7LuzKBXybk
    • Виды узлов для плетеной лески. Узлы для вязания мормышек. Узлы для посадки рыболовных сетей.Существует множество видов рыболовных узлов, каждый из которых уместно использовать в каком–то конкретном случае. И сегодня их разнообразие продолжает увеличиваться: каждый рыболов дорабатывает уже существующие способы вязания под свои нужды.
      http://tutryba.ru/snasti/leska/rybolovnye-uzly.html
    • Плетение рыболовных сетей своими руками. Инструменты и приспособления. Вязание узла. Набор высоты сети. Плетение рыболовных сетей.Из нее резвая, сильная рыба может проделать брешь и выскользнуть на свободу. «Тряпку» используют, когда предполагается улов таких пород, как толстолобик, лещ, крупный карась. Эти представители ихтиофауны могут с лёгкостью повредить сеть из лески, но если попадутся в капроновую, запутаются в ней основательно и не уйдут.
      http://pike-fish.ru/fishing-tackle/kak-vyazat-rybolovnye-seti-svoimi-rukami-i-s-pomoshhyu-stanka.html
    • Рыболовные сети используются уже тысячи лет, что свидетельствует об их эффективности. Также, из сетки можно изготовить ряд вспомогательных рыболовных инструментов (подсаки, емкости для сбора рыбы). Если хотите смастерить своими руками рыболовную ловушкуЧтоб начать вязание сети, на челнок наматывается большое количество лески или капроновая нить. Далее, берете в одну руку челнок, а в другую шаблон. Леска или капроновая нить обматывается один раз вокруг шаблона и завязывается с помощью любого узла (это вспомогательная петля).
      http://i-vizhivu.ru/instrumenty-dlya-vyzhivaniya/kak-plesti-rybolovnuyu-set.html
    • Демонстрация плетения узлов для сетки из лески на капроне.Самые лучшие узлы для плетения рыболовных сетей .Пособие для начинающего браконьера.
      https://www.youtube.com/watch?v=U6LzbHNkO5s
    • Part.1 Простой и быстрый способ вязания … Hand making of fishing nets.(triangular canvas). A simple way of knitting fishnet Видео о том как правильно плести полотно рыболовной сети обычн… Добавлено 2 г. назад. Канал: Дмитрий Як… Как плести рыболовную сеть.Узел для рыболовного экрана из лески. не…
      http://www.fassen.net/show/Как плести рыболовную
    • УЗЕЛ ДЛЯ РЫБОЛОВНОГО ЭКРАНА из лески. не скользит. Pavel Strogov.Самые лучшие узлы для плетения рыболовных сетей .Пособие для начинающего браконьера.
      https://www.youtube.com/watch?v=1MsPyHQr3LY
    • Для закрепления крючков на леске, связывания поводков и т.д. существует достаточно много различных видов узлов. А умение вязать их крепкими для рыбалки крайне необходимо, тем более для рыболовов, только начинающих этот замечательный процесс. Для чего нужны крепкие и прочные узлы для рыбалки? В существующих каталогах больших фирм, которые производят рыболовные снасти, постоянно размещаются новые, исключительные в области прочности узлы.
      http://www.syl.ru/article/220767/new_kak-vyazat-uzlyi-dlya-ryibalki-poshagovaya-instruktsiya
    • Применяется рыбацкий узел для соединения тросов раз­ личного диаметра, рыболовных лесок.Содержание Введение Простые узлы Базовые узлы Штыки Рыболовные узлы Соединительные узлы Схватывающие узлы Булини Концевые узлы Узлы специального назначения Непростой «простой» узел Вязание сетей Глоссарий.
      http://www.fgids.com/docs/uis.pdf
  • Навигация

    Категории

    Навигация

Виды устройств в IP-сетях: конечные узлы, маршрутизаторы и их функции. Сколько IP-адресов может быть у компьютера.

Привет, посетитель сайта ZametkiNaPolyah.ru! Продолжаем изучать основы работы компьютерных сетей и протокол сетевого уровня IP, а если быть более точным, то его версию IPv4. На этот раз речь пойдет о устройствах в IP сетях и их видах, которых всего два: конечные или терминальные узлы и транзитные узлы или маршрутизаторы. Мы разберемся с основными принципами работы этих устройств и поговорим о том, сколько может быть IP-адресов у одного устройства.

 

Если тема компьютерных сетей вам интересна, то можете ознакомиться с другими записями курса.

Оглавление первой части: «Основы взаимодействия в компьютерных сетях».

Оглавление четвертой части: «Сетевой уровень: протокол IP и его версия IPv4».

4.9.1 Введение

Содержание статьи:

На самом деле эта тема должна была быть одной из первых в рамках разговора о протоколе IP, но у нас уже был разговор про работу коммутаторов, роутеров, сетевых концентраторов и даже обобщающая тема о разнице между сетевыми устройствами, поэтому здесь мы не будем подробно углубляться в работу сетевых устройств, а поговорим про важные особенности оборудования в рамках протокола IP. Стоит добавить, что эта часть у нас про IPv4, но всё, что будет в этой теме, также относится и к протоколу IPv6.

4.9.2 Поведение устройств в IP сетях и их виды

Устройства в IP-сетях делятся на два больших вида:

  1. Конечные узлы, их еще называют терминальными узлами, их функции описаны в
    RFC 1122
    .
  2. Промежуточные узлы или маршрутизаторы для них есть описание в RFC 1812.

Конечные узлы также делятся на два вида:

  1. Узлы отправители.
  2. Узлы получатели.

Зачастую конечный узел работает и как отправитель, и как получатель. То есть он может генерировать IP трафик, распаковывать IP-пакеты и передавать сообщения транспортного уровня вышестоящему обработчику. В общем, конечный узел должен уметь инкапсулировать и деинкапсулировать IP-пакеты, а также принимать решения о том куда или кому направить IP-пакет (про модель стека протоколов TCP/IP и OSI 7, а также о декомпозиции задачи сетевого взаимодействия читайте по ссылкам).

Основная задача транзитных устройств – передавать трафик дальше, то есть маршрутизатор, получив IP-пакет, должен принять решения о выборе оптимального маршрута, опираясь на IP-адрес назначения. Хотя маршрутизатор может генерировать трафик, а также проверять содержимое IP-пакетов и уже на основе содержимого принимать решение по маршрутизации, нам пока это не так интересно.

Вне зависимости от того, к какому виду относится то или иное устройство, между этим устройством и его соседом должен быть канал связи или канальная среда, протокол IP может работать поверх огромного количества каналов связи и канальных протоколов, но чаще всего вы будете встречаться с такими:

  1. Ethernet, например, работа протокола IP поверх Ethernet II описана в RFC 894.
  2. IP может работать поверх любой сети стандарта 802, в том числе и поверх 802.11 (Wi-Fi), описание есть в RFC 1042.
  3. IP поверх ATM описан в RFC 1932.
  4. Практически поверх любого протокола, организующего взаимодействие точка-точка IP может работать (о физической и логической топологии компьютерных сетей здесь), например, очень часто вы можете встретить связи IP и PPP.
  5. Есть даже RFC 1149, описывающий работу IP поверх голубей.

Как я уже говорил в самом начале, задача протокола IP передавать пакеты из пункта А в пункт Б и он их будет передавать, главное, чтобы был хоть какой-то, даже самый плохенький канал между этими пунктами.

4.9.3 Терминальные узлы: узлы-отправители и узлы-получатели

Давайте более подробно рассмотрим действия терминальных узлов в IP сетях и поговорим о их основных задачах. Представим, что у нас есть один конечный узел, который может только генерировать трафик, а другой узле может только получать трафик (о взаимодействие двух узлов в компьютерной сети здесь). Тогда действия узла отправителя можно описать следующим образом:

  1. Принять данные с транспортного уровня и сформировать из них пакет, добавив к этим данным заголовок. Обычно размер сообщения транспортного уровня подбирается таким образом, чтобы оно могло целиком поместиться в поле данных IP-пакета, поверх поля данных добавляется заголовок, в котором содержатся указания о том, как обрабатывать этот пакет и куда его направлять.
  2. Следующим шагом узел-отправитель должен решить какому соседу по канальной среде лучше всего направить получившийся IP-пакет:
    • если конечный получатель находится в одной канальной среде с узлом-отправителем, то пакет будет направлен непосредственно этому узлу;
    • если получатель находится в другой канальной среде, то узел-отправитель должен будет направить пакет на транзитный маршрутизатор.
    И в том, и в другом случае отправитель должен определиться с двумя важными моментами перед отправкой пакета: в какой физический интерфейс направлять пакет и какой канальный адрес у соседа, которому направляется пакет. В случае, если канальной средой является Ethernet, определить канальный адрес помогает протокол ARP.
  3. Запаковать IP-пакет в кадр канального уровня и передать в физический интерфейс.

Вот такие нехитрые действия выполняет узел отправитель, когда готовится передать IP пакет. Как узел понимает в какой канальной среде находится сосед? Всё очень просто. Он сравнивает свои IP-адрес и маску подсети с IP-адресом получателя и если номера сети у этих IP-адресов совпадают, то получатель находится в одной канальной среде с отправителем и до него можно достучаться напрямую, если номера сети разные, то это означает, что получатель находится в другой канальной среде и до него можно добраться через промежуточные узлы.

Узел-получатель совершает значительно меньше действий, нежели отправитель, но оно и понятно, давайте посмотрим:

  1. Получить пакет. На самом деле пакет приходит как последовательность бит, из которых узел складывает слова, из слов скалываются кадры, выполняется первая проверка корректности, если все хорошо, отрезается заголовок канального уровня, выполняется проверка корректности пакета на сетевом уровне. Если данные не «побились» по дороге, то узел должен убедиться, что именно он является получателем, а не кто-то другой. Тут понятно, что узел сравнивает IP-адрес назначения со своим IP-адресом.
  2. Все проверки пройдены, значит, нужно снять заголовок IP-пакет и передать обработку транспортному уровню.
    Как видите, действий у получателя значительно меньше: ему нужно убедиться, что данные в пути не побились, а также убедиться, что пакет предназначен ему, а не кому-то еще, если пакет предназначен кому-то другому, то получатель обычно отбрасывает такой пакет. И тут есть момент, связанный с доверием: никто не запрещает получателю получать и обрабатывать пакеты, которые не предназначены этому получателю, всё зависит от настроек конечного узла.

Стоит заметить, что проверка целостности данных происходит не только на конечных точках, но и на всех транзитных узлах. Данные, передаваемые через канал связи, проверяются получателем.

4.9.4 Транзитные узлы или маршрутизаторы

Транзитные узлы зачастую могут выполнять роль терминальных узлов и даже просматривать содержимое IP-пакетов, но это не главные задачи, которые стоят перед маршрутизаторами, главная их задача – передавать трафик дальше в соответствие с маршрутной информацией, которая есть у узла. Действия маршрутизатора будут следующими:

  1. Получить IP-пакет от соседа по канальной среде. Убедиться, что пакет не был поврежден по дороге. Также маршрутизатор должен убедиться, что он не является получателем данного пакета, сверив свои IP-адреса с тем, что в пакете.
  2. Маршрутизаторы занимаются тем, что перекладывают пакет из одной канальной среды в другую. Поэтому следующим шагом маршрутизатору нужно понять: в какую канальную среду нужно отправить полученный пакет. Это может быть, как конечный получатель, если этот получатель находится в одной канальной среде с интерфейсом роутера, или это может быть другой транзитный узел, если получатель не находится в одной канальной среде с маршрутизатором. Стоит заметить, что маршрутизатор в процессе передачи не изменяет IP-адрес источника и IP-адрес назначения, они остаются неизменными, изменения вносятся в адреса канального уровня.
  3. После того, как маршрутизатор определился со вторым шагом, ему нужно определиться с выходным интерфейсом и канальным адресом соседа, которому будет направлен пакет.
  4. Маршрутизатор модифицирует IP-пакет, как минимум, изменяет TTL и контрольную сумму, запаковывает пакет в кадр и отправляет в выбранный ранее интерфейс.

Как видите, у транзитных узлов работы больше, чем у конечных. Более того, транзитный узел является некой компиляцией функций узла-получателя и узла-отправителя.

4.9.5 Сколько IP-адресов может быть у компьютера?

Нам осталось рассмотреть вопрос о том, сколько IP-адресов можно настроить на одном сетевом устройстве? Но к этому вопросу стоит подойти из далека: сколько может быть канальных интерфейсов у устройства? Допустим, у устройства пять канальных интерфейсов, а это означает, что на каждый канальный интерфейс можно назначить IP-адрес.

Тут стоит помнить, что в каждую канальную среду на одном устройстве должен смотреть один канальный интерфейс, а из этого следует, что в каждом канальном интерфейсе устройства должны быть назначены IP-адреса из разных подсетей. То есть сейчас вы можете подумать, что если есть IP устройство с пятью канальными интерфейсами, то на него можно назначить пять IP-адресов и будете не правы, дело в том, что на одном интерфейсе может быть несколько IP-адресов при этом один из этих адресов будет основным, а все остальные вторичные (в следующей теме мы посмотрим как задать вторичный IP-адрес в Windows 10, а сейчас отметим, что на интерфейсах маршрутизаторов Cisco вторичные IP-адреса задаются при помощи ключевого слова secondary, при этом и третий, и четвертый, и десятый IP-адрес назначается при помощи secondary). IP-адреса на одном интерфейсе могут быть из одной подсети, криминального ничего не будет.

Подытожим: IP-адреса назначаются на канальные интерфейсы, IP-адреса на разных канальных интерфейсах должны быть из разных подсетей, на одном канальном интерфейсе может быть несколько IP-адресов, один из которых может быть основным, а все остальные вторичные. Адреса на одном канальном интерфейсе могут быть из одной подсети. Информация справедлива как для классовых сетей, так для бесклассовых.

4.9.6 Выводы

Пожалуй, эта вся самая важная и базовая информация о принципах работы IP-устройств. Не забывайте, что конечные устройства могут быть как получателями, так и отправителями, а также помните, что поведение конечных и транзитных устройств несколько различается.

как завязать, простая и понятная схема

В Книге узлов Эшли шкотовый узел занимает почетное первое место благодаря своему использованию во многих сферах жизни. Даже несмотря на то, что его эффективность составляет всего лишь 50 %, он все равно очень часто применяется в любой ситуации.

История шкотового узла

Помимо частого использования шкотовый узел занимает первое место в Книге узлов еще и потому, что он является одним из самых старейших узлов, которые существуют по сей день. Говорится, что произошел он 9000 лет назад. И тому есть подтверждение: найденный археологами фрагмент рыбацкой сети свидетельствует об этом на все 100%. Было установлено, что жители периода неолита использовали данный узел для связывания морских и рыболовных сетей, значит, они его и изобрели. Также узел часто применялся в ткацкой промышленности.

Также узел известен под многими другими названиями, среди которых узел Вебера, шкотовый стек или шотстек, а также сеточный, ведерный и ткацкий шкотовый узел.

Как выглядит шкотовый узел?

Узел является соединяющим и на первый взгляд кажется, что две веревки просто связаны между собой. На самом деле так и есть: с помощью двух веревок, которые могут быть даже различной толщины и материала, вы с первого раза сможете понять, как вязать шкотовым узлом в любой жизненной ситуации. Некоторые добавляют еще одну петлю на одной из веревок, чтобы фиксация была сильнее, так как все-таки узел довольно слаб. Утверждается также, что он держится лучше при наличии какого-то веса на одной из веревок.

Прежде чем добавить узел в книгу, автор Книги узлов Клиффорд Эшли провел несколько экспериментов с различными способами подсовывания конца одной веревки и его фиксирования. Почти во всех случаях он выявил, что шкотовый узел является очень слабым и ненадежным.

Кроме того, существует более усложненная и более надежная версия шкотового узла – двойной шкотовый узел.

Для чего применяется шкотовый узел?

В Книге узлов Эшли говорится, что используемый в качестве связующего узла, для рифов и парусов или для связывания пакетов, шкотовый узел просто неоценим.

Среди самых основных целей узла − временное соединение двух веревок, особенно если они разных размеров и материалов, например, удлинение бельевой веревки.

Что касается активного отдыха и развлечений, то шкотовый узел отлично подойдет для подвязывания гамаков, катания на лодках, а также будет очень полезен рыболовам. С помощью узла Вебера они смогут снарядить отличные сети, так как он отлично подходит для их связывания.

Преимущества и недостатки

Как мы уже описывали выше, узел является ненадежным и потому имеет не только некоторое количество преимуществ, но и значительный перечень недостатков. Прежде чем перейти к этому перечню, рассмотрим его положительные стороны:

  • относительно безопасный;
  • быстро завязывается;
  • легко развязывается;
  • универсальный.

А вот самым главным недостатком шкотового узла является то, что он очень скользит, поэтому тщательно подбирайте веревки. Также он может ослабляться, когда находится не под нагрузкой.

Из данной информации можем сделать вывод, что самые низкие оценки получает прочность и надежность узла.

Как вязать шкотовый узел?

Теперь можно приступить к изучению схемы шкотового узла, чтобы пополнить копилку навыков вязания:

1. Возьмите две веревки разных цветов, которые не будут скользить друг об друга и положите их параллельно друг другу.

2. На конце голубой веревки сделайте петлю.

3. В только что сделанную петлю просуньте конец розовой веревки.

4. Просуньте конец розовой веревки выше.

5. Теперь возьмите его и подложите под петлю из голубой веревки.

6. Вытащите розовую веревку на себя и просуньте также под розовую веревку, которая «выходит» из петли голубой.

Что касается двойного шкотового узла, то конец розовой веревки оборачивается вокруг голубой дважды. Такое дополнительное действие придает узлу большей силы.

Шкотовый узел на практике занимает всего лишь пару минут, что очень хорошо соответствует его параметрам надежности и силы. Однако, как видите, он имеет также множество преимуществ и способов применения в быту, из-за этого не теряется в истории и остается одним из самых часто используемых узлов в мире.

Надеемся, что теперь вы освоили навыки вязания шкотового узла, который кроме этого имеет много других названий, и даже проверили их на практике. В схеме его вязания нет ничего сложного, поэтому освоить его не составит труда, а тем более для опытного рыболова или охотника.

Приложение / КонсультантПлюс

к Требованиям

по защите сетей связи

от несанкционированного доступа

к ним и передаваемой

посредством их информации

 

КАТЕГОРИРОВАНИЕ УЗЛОВ СВЯЗИ ПО ЗАЩИЩЕННОСТИ

 

┌────────────────┬──────────────────────┬────────────────────┬─────────────────┐
│       Категории│          I           │         II         │       III       │
├────────────────┤                      │                    │                 │
│Типы сетей      │                      │                    │                 │
├────────────────┼──────────────────────┼────────────────────┼─────────────────┤
│Сети            │узлы связи сетей      │узлы связи сети     │узлы связи сети  │
│фиксированной   │междугородной и       │местной телефонной  │местной          │
│телефонной связи│международной         │связи с количеством │телефонной связи │
│                │телефонной связи,     │портов от 1024 до   │с количеством    │
│                │сетей зоновой         │10000, за           │портов до 1024   │
│                │телефонной связи,     │исключением         │                 │
│                │узлы связи сетей      │транзитных и        │                 │
│                │местной телефонной    │оконечно-транзитных │                 │
│                │связи с количеством   │узлов связи, которые│                 │
│                │портов более 10000, а │соединяются с       │                 │
│                │также транзитные и    │узлами обслуживания │                 │
│                │оконечно-транзитные   │вызовов экстренных  │                 │
│                │узлы связи сетей      │оперативных служб   │                 │
│                │местной телефонной    │                    │                 │
│                │связи, которые        │                    │                 │
│                │соединяются с узлами  │                    │                 │
│                │обслуживания вызовов  │                    │                 │
│                │экстренных            │                    │                 │
│                │оперативных служб     │                    │                 │
├────────────────┼──────────────────────┼────────────────────┼─────────────────┤
│Сети подвижной  │узлы связи сети       │                    │                 │
│радиосвязи, сети│подвижной радиосвязи, │                    │                 │
│подвижной       │узлы связи сети       │                    │                 │
│радиотелефонной │подвижной             │                    │                 │
│связи, сети     │радиотелефонной       │                    │                 │
│подвижной       │связи, узлы связи     │                    │                 │
│спутниковой     │в составе наземных    │                    │                 │
│радиосвязи      │станций сопряжения    │                    │                 │
│                │сети подвижной        │                    │                 │
│                │спутниковой           │                    │                 │
│                │радиосвязи            │                    │                 │
├────────────────┼──────────────────────┼────────────────────┼─────────────────┤
│Сети передачи   │международные         │транзитные узлы     │оконечные узлы   │
│данных          │транзитные узлы       │связи               │связи, оконечно- │
│                │связи                 │                    │транзитные узлы  │
│                │                      │                    │связи            │
├────────────────┼──────────────────────┼────────────────────┼─────────────────┤
│Сети телеграфной│международные         │междугородние       │зоновые узлы     │
│связи           │узлы связи            │узлы связи          │связи            │
└────────────────┴──────────────────────┴────────────────────┴─────────────────┘

 

 

Вязание узлов рыболовной сети

Подробный фото отчёт о вязании рыболовной сети. В первой части есть небольшой видеоролик вязания именно этой сети что на фото ниже, а так-же изготовления челнока для вязания сетей. И общаа информация о вязании сетей.

ПОСАДКА РЫБОЛОВНОЙ СЕТИ

Оснастка или посадка сети это ЗАВЕРШАЮЩИЙ и кропотливый этап на пути к созданию готовой сети.Для этого понадобится челнок с толстой нитью (капроновой),и вторая толстая нить.Далее вбивается гвоздь в стену на уровне груди и сделанными петельками верёвочки одеваются на гвоздь.

После берём сеть и тот конец что был началом ,развязываем его кольцо, на котором петли, и пропускаем через них челноком верёвку завязывая -фиксируя на узел каждую третью петлю на расстоянии в зависимости от размеров ячейки ,если например ячейка 40мм.,то расстояние между узлами примерно 20см.,это обычно определяется на глаз ,так чтобы ромбики ячеек были вытянутыми ,но не натянутыми.

После того как боковая часть сети готова ,нанизываем угол сети на гвоздь и расправляя ячейки ,захватываем челноком 3 ячейки и на верёвке между ячейками привязываем поплавок,после продеваем через 3 ячейки и привязываем на вторую верёвку и так шаг за шагом до конца.Потом сеть подвешиваем так чтобы низ сети не доходил до пола 10-20см.,вбиваем внизу гвоздь и делаем тоже самое ,нанизывая на гвоздь каждый шаг с грузилом.(см.рис).

Вообще посадка сети может быть разнообразной и зависит от того как и какую рыбу ловить ,с помощью оснастки ,сети можно придавать разные характеристики,например делая внизу шаг подвязывания ячеек немного шире чем вверху низ сели получается более мешковатый ,а следовательно и уловистость больше,а если предполагается ловить рыбу которая ходит вдоль поверхности ,то оснастка производится наоборот и т.д.

Размеры поплавков тоже играют большую роль ,так как их плавучесть должна быть в соответствии с с размерами рыбы ,если например рыба мелкая ,то и поплавки лучше слабенькие ,это нужно для того чтобы рыба свободно входила в сеть ,не натыкаясь на натяжение сети ,а для крупной и поплавки крупнее ,так-же и грузила ,в зависимости от условий и места установки сети ,»тяжелые» сети на глубине ,течении,а «лёгкие» на мелководье и отмелях.

Сетевой узел — это… Что такое Сетевой узел?

  • сетевой узел ЕАСС СУ — Комплекс технических средств, обеспечивающий образование и перераспределение сетевых трактов, типовых каналов передачи и типовых физических цепей ЕАСС, а также предоставление их вторичным сетям ЕАСС и отдельным организациям. Примечания 1.… …   Справочник технического переводчика

  • Сетевой узел связи. Узел связи — Совокупность сетевого узла первичной сети и узлов коммутации или коммутационных станций вторичных сетей, размещаемых в общих производственных сооружениях и представляющая собой организационно техническое единство Источник …   Словарь-справочник терминов нормативно-технической документации

  • Сетевой узел ЕАСС СУ — 8. Сетевой узел ЕАСС СУ Комплекс технических средств, обеспечивающий образование и перераспределение сетевых трактов, типовых каналов передачи и типовых физических цепей ЕАСС, а также предоставление их вторичным сетям ЕАСС и отдельным… …   Словарь-справочник терминов нормативно-технической документации

  • Сетевой узел ВАКСС — 3. Сетевой узел ВАКСС Сетевой узел национальной сети, в состав которого входит комплекс технических средств, обеспечивающий образование, транзит, переключение и предоставление потребителям групповых трактов и каналов передачи ВАКСС и… …   Словарь-справочник терминов нормативно-технической документации

  • Сетевой узел ЕАСС — 1. Комплекс технических средств, обеспечивающий образование и перераспределение сетевых трактов, типовых каналов передачи и типовых физических цепей ЕАСС, а также предоставление их вторичным сетям ЕАСС и отдельным организациям Употребляется в… …   Телекоммуникационный словарь

  • узел сетевой телеобработки данных — узел Устройство, соединяющее несколько звеньев данных вычислительной сети и осуществляющее коммутацию и (или) маршрутизацию данных по сети. Примечание В сетевой телеобработке данных различают четыре типа узлов: главный узел (главная ЭВМ), узел… …   Справочник технического переводчика

  • сетевой анализатор — Диагностическое средство широкого назначения, позволяющее измерять основные характеристики сигналов, оценивать качество каналов связи (в виде процента ошибочных кадров и т.п.), осуществлять функции мониторинга сети и проводить статистический… …   Справочник технического переводчика

  • сетевой информационный центр — Узел, ответственный за информационное обеспечение сети и предоставление услуг, связанных с регистрацией абонентов, организацией доступа к сетевому каталогу и др. [Л.М. Невдяев. Телекоммуникационные технологии. Англо русский толковый словарь… …   Справочник технического переводчика

  • узел — 01.04.14 узел (вычислительные сети) [node <network>] (2): Объект, который связан или соединен с одним или несколькими другими объектами. Примечание В топологии сети или в абстрактной компоновке узлы представляют собой точки на схеме. В… …   Словарь-справочник терминов нормативно-технической документации

  • Узел сетевой телеобработки данных — 89. Узел сетевой телеобработки данных Узел Устройство, соединяющее несколько звеньев данных вычислительной сети и осуществляющее коммутацию и (или) маршрутизацию данных по сети. Примечание. В сетевой телеобработке данных различают четыре типа… …   Словарь-справочник терминов нормативно-технической документации

  • Узлы и сети передачи данных. Сети и системы связи

    Узлы передачи данных – это стек оборудования связи, соединенный между собой благодаря каналам передачи информации. Они включают и разнообразное телекоммуникационное оборудование, позволяющее обмениваться информацией оконечным устройствам.

    Проектирование сетей передачи данных учитывает, что передача информации может осуществляться по проводным и беспроводным технологиям. Проектирование сетей передачи данных на данный момент – это услуга, востребованная во всех отраслях экономики РФ.

    Системы передачи информации считается одним из наиболее эффективных средств для развития бизнеса. Сейчас с помощью них удается обеспечить постоянный контакт персонала компании, которые находятся не только рядом, но и в отдалении друг от друга.

    В ряде случае данные могут передаваться с помощью интернета. Но для этого необходимо, чтобы он обладал достаточной пропускной способностью. Но если внутри компании требуется передача секретных и очень важных данных, то требуется, чтобы используемая сеть отличалась стабильностью, безопасностью и надежностью. По этой причине сейчас фирмы инициируют строительство узлов связи, спроектированных под специализацию компании.

    Для операторов связи «Кабельные системы» предоставляет услуги по проектированию узлов и сетей передачи данных в секторе b2b и b2c, наши специалисты выполняют работы по подбору и настройке оборудования, проектированию АТС, телекоммуникационных стоек и станционного оборудования.

    «Кабельные системы» имеет практический опыт в построении сетей и узлов связи, среди наших выполненных проектов есть большое количество запроектированных и построенных сетей ВОЛС, ШПД, КТВ, а также сетей GPON в Московской области.

    Широкое распространение, которое получило проектирование сетей передачи данных по технологии GPON, означает, что такая сеть обладает целым рядом преимуществ. И это правда, подобная архитектура дает возможность вести строительство сетей gpon без промежуточных узлов. Кроме того, в главном узле экономятся приемопередатчики. Также значительно экономятся волокна. А новые пользователи могут без особых проблем подсоединиться к этой сети. К тому же всех пользователей сравнительно легко обслуживать, так как даже если какой-либо промежуточный узел окажется неисправным, это никоим образом не скажется на функционировании всей системы в целом.

    «Кабельные системы» производит разработку рабочей документации «сети связи» в предельно быстрые сроки. Какая именно исходная информация нужна для разработки проекта, вы можете выяснить, обратившись к сотруднику нашей компании по указанному телефонному номеру, или вы можете подъехать непосредственно в наш офис.


    Что такое узел в компьютерной сети?

    Узел — это любое физическое устройство в сети других инструментов, которое может отправлять, получать или пересылать информацию. Персональный компьютер — самый распространенный узел. Он называется компьютерным узлом или интернет-узлом .

    Модемы, коммутаторы, концентраторы, мосты, серверы и принтеры также являются узлами, как и другие устройства, которые подключаются через Wi-Fi или Ethernet. Например, в сети, соединяющей три компьютера и один принтер, а также еще два беспроводных устройства, всего шесть узлов.

    Узлы в компьютерной сети должны иметь некоторую форму идентификации, например IP-адрес или MAC-адрес, чтобы другие сетевые устройства могли их распознать. Узел без этой информации или тот, который находится в автономном режиме, больше не функционирует как узел.

    Что делает сетевой узел?

    Сетевые узлы — это физические части, составляющие сеть. Обычно они включают в себя любое устройство, которое одновременно принимает и передает информацию. Но они могут получать и хранить данные, передавать информацию в другое место или вместо этого создавать и отправлять данные.

    Например, компьютерный узел может создавать резервные копии файлов в Интернете или отправлять электронную почту, но он также может транслировать видео и загружать другие файлы. Сетевой принтер может получать запросы на печать от других устройств в сети, а сканер может отправлять изображения обратно на компьютер. Маршрутизатор определяет, какие данные поступают на какие устройства, запрашивающие загрузку файлов в системе, но он также может отправлять запросы в общедоступный Интернет.

    Другие типы узлов

    В волоконно-оптической сети кабельного телевидения узлами являются дома или предприятия, которые подключаются к одному и тому же волоконно-оптическому приемнику.

    Другим примером узла является устройство, которое обеспечивает интеллектуальную сетевую услугу в сотовой сети, например контроллер базовой станции (BSC) или узел поддержки GPRS шлюза (GGSN). Другими словами, мобильный узел — это то, что обеспечивает программные средства управления оборудованием, например структуру с антеннами, которые передают сигналы на все устройства в сети.

    Уильям Бут на Unsplash

    Суперузел — это узел в одноранговой сети, который функционирует не только как обычный узел, но также как прокси-сервер и устройство, которое передает информацию другим пользователям в системе P2P.Из-за этого суперузлам требуется больше ЦП и пропускной способности, чем обычным узлам.

    В чем проблема конечного узла?

    Термин «проблема конечного узла» относится к риску безопасности, который возникает из-за того, что пользователи подключают свои компьютеры или другие устройства к чувствительной сети либо физически (например, на работе), либо через облако (из любого места), в то же время используя это одно и то же устройство для выполнения незащищенных действий.

    Некоторые примеры включают конечного пользователя, который берет свой рабочий ноутбук домой, но затем проверяет свою электронную почту в незащищенной сети, например в кафе, или пользователь, который подключает свой персональный компьютер или телефон к корпоративной сети Wi-Fi.

    Один из наиболее значительных рисков для корпоративной сети — это взломанное личное устройство, которое кто-то использует в этой сети. Проблема довольно ясна: смешивание потенциально незащищенной сети и бизнес-сети, которая, вероятно, содержит конфиденциальные данные.

    Устройство конечного пользователя может быть заражено вредоносным ПО с такими вещами, как клавиатурные шпионы или программы передачи файлов, которые извлекают конфиденциальную информацию или перемещают вредоносное ПО в частную сеть после входа в систему.

    Решить эту проблему могут сети VPN и двухфакторная аутентификация.То же самое и со специальным загрузочным клиентским программным обеспечением, которое может использовать только определенные программы удаленного доступа.

    Однако есть еще один метод — научить пользователей правильно защищать свои устройства. Персональные ноутбуки могут использовать антивирусную программу для защиты своих файлов от вредоносных программ, а смартфоны могут использовать аналогичное приложение для защиты от вредоносных программ для обнаружения вирусов и других угроз, прежде чем они причинят какой-либо вред.

    Другие значения узлов

    «Узел» также описывает компьютерный файл в древовидной структуре данных.Подобно настоящему дереву, ветви которого держат свои листья, папки в структуре данных содержат записи. Файлы называются листьями или листовыми узлами .

    Слово «узел» также встречается в node.js, который представляет собой среду выполнения JavaScript, которая выполняет код JavaScript на стороне сервера. «Js» здесь не относится к расширению файла JS, используемому с файлами JavaScript; это просто название инструмента.

    Спасибо, что сообщили нам!

    Расскажите, почему!

    Другой Недостаточно подробностей Трудно понять

    Что такое сетевой узел? — Определение от WhatIs.com

    В сети связи сетевой узел — это точка подключения, которая может принимать, создавать, хранить или отправлять данные по распределенным сетевым маршрутам. Каждый сетевой узел — будь то конечная точка для передачи данных или точка перераспределения — имеет либо запрограммированную, либо спроектированную способность распознавать, обрабатывать и пересылать передачи на другие сетевые узлы.

    Концепция сетевых узлов возникла с использованием распределенных сетей и коммутации пакетов. В зависимости от области применения сетевые узлы выполняют множество функций.

    Передача данных

    При передаче данных физические сетевые узлы включают в себя оборудование или устройства передачи данных, которые находятся между оконечным оборудованием данных (DTE) и цепями передачи данных. К ним относятся коммутаторы, мосты, модемы или концентраторы, которые выполняют преобразование сигналов, кодирование и синхронизацию линии. Сетевые узлы для передачи данных также включают оконечное оборудование данных, такое как цифровые телефонные трубки, принтеры или главные компьютеры, такие как маршрутизаторы, серверы или рабочие станции.

    Узлы сети Интернет

    В сетях Internet и Intranet большинство физических сетевых узлов являются хост-компьютерами, которые идентифицируются по IP-адресу. Некоторые устройства передачи данных, такие как точки доступа к беспроводной локальной сети (WLAN), не имеют IP-адресов хоста и считаются физическими сетевыми узлами или узлами LAN, а не интернет-узлами или хостами.

    Локальная сеть и глобальная сеть

    В локальных сетях (LAN) и глобальных сетях (WAN) сетевой узел — это устройство, которое выполняет определенную функцию.У каждого узла должен быть MAC-адрес для каждой сетевой карты (NIC). Примеры включают модемы с интерфейсами Ethernet, точки доступа к беспроводной локальной сети и компьютеры. Если устройство отключено, его функция в качестве узла будет потеряна.

    Узлы телекоммуникационной сети

    В фиксированных телефонных сетях узлы могут быть общедоступными или частными телефонными станциями или компьютером, обеспечивающим интеллектуальные сетевые услуги. В сотовой связи узлы включают в себя контроллеры базовых станций, которые управляют одной или несколькими базовыми станциями.Базовые станции сотовой сети не считаются узлами.

    Узлы системы кабельного телевидения

    В кабельных системах узлы приобрели более широкий контекст и обычно связаны с оптоволоконным кабелем, который соединяется с предприятиями или домами, обслуживаемыми обычным оптоволоконным приемником в пределах географической области. В кабельных системах оптоволоконный узел описывает количество переданных домов или предприятий, которые могут обслуживаться конкретным оптоволоконным узлом.

    Понимание влияния всех узлов в сети

  • Danon, L.и другие. Сети и эпидемиология инфекционных болезней. Междисциплинарная перспектива Infect Dis 2011, 284909 (2011).

    Артикул Google ученый

  • Фриман, Л. К. Центральное место в социальных сетях: концептуальное уточнение. Soc Networks 1, 215–239 ​​(1979).

    Артикул Google ученый

  • Фридкин Н. Теоретические основы мер центральности. Am J Sociol 96, 1478–1504 (1991).

    Артикул Google ученый

  • Бонасич, П. Мощность и центральность: семейство мер. Am J Sociol 92, 1170–1182 (1987).

    Артикул Google ученый

  • Albert, R. & Barabási, A.-L. Статистическая механика сложных сетей. Rev Mod Phys 74, 47–97 (2002).

    ADS MathSciNet Статья Google ученый

  • Кицак, М.и другие. Выявление влиятельных распространителей в сложных сетях. Nature Phys 6, 888–893 (2010).

    CAS ОБЪЯВЛЕНИЯ Статья Google ученый

  • Эстрада, Э. и Родригес-Веласкес, Х.А. Центральность подграфов в сложных сетях. Phys Rev E Stat Nonlin Soft Matter Phys 71, 056103 (2005).

    ADS MathSciNet Статья Google ученый

  • Бауэр, Ф.И Лизье, Дж. Т. Выявление влиятельных распространителей и эффективная оценка числа инфекций в моделях эпидемии: метод подсчета ходьбы. Europhys Lett 99, 68007 (2012).

    CAS ОБЪЯВЛЕНИЯ Статья Google ученый

  • Sikic, M., Lancic, A., Antulov-Fantulin, N. & Stefancic, H. Эпидемическая центральность — существует ли недооцененное эпидемическое воздействие сетевых периферийных узлов? EPJ B 86, 1–13 (2013).

    MathSciNet Статья Google ученый

  • Боргатти, С.P. Центральность и сетевой поток. Soc Networks 27, 55–71 (2005).

    ADS Статья Google ученый

  • Клемм К., Серрано М., Эгулуз В. М. и Мигель М. С. Мера индивидуальной роли в коллективной динамике. Научный журнал 2, 292 (2012).

    ADS Статья Google ученый

  • Тейлор, Л. Х., Латам, С. М. и Вулхаус, М. Е. Факторы риска возникновения болезней человека.Philos Trans R Soc Lond B Biol Sci 356, 983–989 (2001).

    CAS Статья Google ученый

  • Реперант, Л. А. Применение теории островной биогеографии к возникающим патогенам: к прогнозированию источников возникновения в будущем зоонозных и трансмиссивных болезней. Vector Borne Zoonotic Dis 10, 105–110 (2010).

    Артикул Google ученый

  • Кристенсен, К.М. Дилемма новатора: когда новые технологии приводят к краху великих фирм (Harvard Business Review Press, Бостон, 1997).

  • Ча, М., Хаддади, Х., Беневенуто, Ф. и Гуммади, К. П. Измерение влияния пользователей в Twitter: ошибка миллиона подписчиков. В: Proc International AAAI Conference on Weblogs and Social Media (2010).

  • Travençolo, B. & Costa, L. d. F. Доступность в сложных сетях. Phys Lett A 373, 89–95 (2008).

    ADS Статья Google ученый

  • Виана, М.П., Батиста, Дж. Л. Б. и Коста, Л. д. F. Эффективное количество узлов, к которым осуществляется доступ в сложных сетях. Phys Rev E Stat Nonlin Soft Matter Phys 85, 036105 (2012).

    ADS Статья Google ученый

  • да Силва, Р. А. П., Виана, М. П. и да Фонтоура Коста, Л. Прогнозирование вспышки эпидемии на основе индивидуальных особенностей разбрасывателей. J Stat Mech Theor Exp 2012, P07005 (2012).

    Артикул Google ученый

  • Боргатти, С.П. и Эверетт, М. Г. Теоретико-графическая перспектива центральности. Soc Networks 28, 466–484 (2006).

    Артикул Google ученый

  • Эстрада, Э. Обобщенные меры центральности, основанные на прогулках, для сложных биологических сетей. Дж. Теор Биол. 263, 556–565 (2010).

    MathSciNet Статья Google ученый

  • Бензи М. и Климко К. Матричный анализ различных мер центральности (2013 г.).URL arXiv: 1312.6722 [math.NA].

  • Андерсон Р. М. и Мэй Р. М. Инфекционные болезни человека: динамика и контроль (Oxford University Press, Oxford, 1992).

  • Фунтулакис, Н., Панайоту, К. и Зауэрвальд, Т. Сверхбыстрое распространение слухов в социальных сетях. В: Proc Двадцать третий ежегодный симпозиум ACM-SIAM по дискретным алгоритмам, SODA ’12, 1642–1660 (SIAM, 2012).

  • Барабаши А. Л. и Альберт Р. Возникновение масштабирования в случайных сетях.Science 286, 509–512 (1999).

    CAS ОБЪЯВЛЕНИЯ MathSciNet Статья Google ученый

  • Алмаас, Э., Ковч, Б., Вичек, Т., Олтвай, З. Н., Барабси, А.-Л. Глобальная организация метаболических потоков у бактерии escherichia coli. Nature 427, 839–843 (2004).

    CAS ОБЪЯВЛЕНИЯ Статья Google ученый

  • Тушетт, Х. Подход с большими отклонениями в статистической механике.Phys Rep 478. 2009. С. 1–69.

    CAS ОБЪЯВЛЕНИЯ MathSciNet Статья Google ученый

  • Лесковец, Дж., Кляйнберг, Дж. М. и Фалаутсос, К. Эволюция графика: уплотнение и уменьшение диаметров. ACM Trans. Знай. Discov. Данные 1 (2007 г.).

  • Мерсманн, О. Микробенчмарк: Функции синхронизации с точностью до субмикросекунды. (2013). Пакет R версии 1.3-0. URL http://CRAN.R-project.org/package=microbenchmark.(Дата обращения: 14.02.2014.

  • R Core Team. R: Язык и среда для статистических вычислений. Фонд R для статистических вычислений, Вена, Австрия (2012). URL http: //www.R -project.org/ ISBN 3-1-07-0.

  • Csardi, G. & Nepusz, T. Программный пакет igraph для сложных сетевых исследований. Inter-Journal Complex Systems, 1695 (2006).

  • Бейтс Д. и Мехлер М. Матрица: классы и методы с разреженными и плотными матрицами (2012).Пакет R версии 1.0-10. URL http://CRAN.R-project.org/package=Matrix. Дата обращения: 11.12.2013.

  • Сейдман С.Б. Структура сети и минимальная степень. Soc Networks 5, 269–287 (1983).

    MathSciNet Статья Google ученый

  • Костенбадер, Э. и Валенте, Т. В. Стабильность показателей центральности при выборке сетей. Soc Networks 25, 283–307 (2003).

    Артикул Google ученый

  • Гошал, Г.И Барабси, А. Л. Ранжирование устойчивости и сверхустойчивых узлов в сложных сетях. Нац Коммуна 2, 394 (2011).

    ADS Статья Google ученый

  • Адига, А., Кумар, А. и Вулликанти, С. Насколько надежно ядро ​​сети? В [Blockeel, H., Kersting, K. Nijssen, S. и Zelezný, F. (ed.)] [541–556] ECML / PKDD, Springer (2013).

  • Ллойд, А. Л. и Мэй, Р. М. Эпидемиология. Как вирусы распространяются среди компьютеров и людей.Science 292, 1316–1317 (2001).

    CAS Статья Google ученый

  • Ньюман, М. Э. Дж. Распространение эпидемических заболеваний в сетях. Phys Rev E Stat Nonlin Soft Matter Phys 66, 016128 (2002).

    CAS ОБЪЯВЛЕНИЯ MathSciNet Статья Google ученый

  • Уилкинсон, Р. и Шарки, К. Дж. Точная взаимосвязь между вероятностью вторжения и эндемической распространенностью для марковской динамики SIS в сетях.PLoS One 8, e69028 (2013).

    CAS ОБЪЯВЛЕНИЯ Статья Google ученый

  • Волц, Э. Динамика SIR в случайных сетях с неоднородной связностью. Журнал математики и биологии 5, 293–310 (2008).

    MathSciNet МАТЕМАТИКА Google ученый

  • Bressan, M. & Peserico, E. Выберите демпфирование, выберите рейтинг? JDA 8, 199–213 (2010).

    MathSciNet МАТЕМАТИКА Google ученый

  • Сын, С.-W., Christensen, C., Grassberger, P. & Paczuski, M. Зависимость рейтинга страниц и обратного ранга от коэффициента демпфирования. Phys Rev E Stat Nonlin Soft Matter Phys 86, 066104 (2012).

    Артикул Google ученый

  • Лесковец, Дж., Адамич, Л. А. и Хуберман, Б. А. Динамика вирусного маркетинга. ACM Trans. Интернет 1, статья 5 (2007 г.).

  • Лесковец, Дж., Ланг, К. Дж., Дасгупта, А. и Махони, М. В. Структура сообщества в больших сетях: естественные размеры кластеров и отсутствие крупных четко определенных кластеров.Inter Math 6, 29–123 (2009).

    MathSciNet МАТЕМАТИКА Google ученый

  • Вишванат Б., Мислав А., Ча М. и Гуммади К. П. Об эволюции взаимодействия с пользователем в Facebook. В: Proc 2nd ACM SIGCOMM Workshop on Social Networks (WOSN’09) (2009).

  • Чанг, Ф. и Лу, Л. Связанные компоненты в случайных графах с заданными последовательностями ожидаемых степеней. Ann Comb 6, 125–145 (2002).

    MathSciNet Статья Google ученый

  • Богуна, М., Пастор-Саторрас, Р., Диас-Гилера, А. и Аренас, А. Модели социальных сетей, основанные на социальной дистанционной привязанности. Phys Rev E Stat Nonlin Soft Matter Phys 70, 056122 (2004).

    ADS Статья Google ученый

  • Лесковец, Дж., Кляйнберг, Дж. И Фалаутсос, К. Графики с течением времени: законы уплотнения, сужающиеся диаметры и возможные объяснения. В: Материалы одиннадцатой Международной конференции ACM SIGKDD по открытию знаний в интеллектуальном анализе данных, KDD ’05, 177–187 (ACM, Нью-Йорк, Нью-Йорк, США, 2005).URL http://doi.acm.org/10.1145/1081870.1081893.

  • Янг Дж. И Лесковец Дж. Определение и оценка сетевых сообществ на основе фактов. В: Proc ACM SIGKDD Workshop on Mining Data Semantics, MDS ’12, 3: 1–3: 8 (ACM, New YorkNY, USA, 2012).

  • Гимера Р., Данон Л., Диас-Гилера А., Гиральт Ф. и Аренас А. Самоподобная структура сообщества в сети человеческих взаимодействий. Phys Rev E Stat Nonlin Soft Matter Phys 68, 065103 (2003).

    Артикул Google ученый

  • Чо, Э., Майерс, С. А. и Лесковец, Дж. Дружба и мобильность: движение пользователей в социальных сетях, основанных на местоположении. В: Proc 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’11, 1082–1090 (ACM, New YorkNY, USA, 2011).

  • Ричардсон М., Агравал Р. и Домингос П. Доверительное управление семантической сетью. In Fensel, D., Sycara, K. & Mylopoulos, J. (eds.) The Semantic Web — ISWC 2003 , vol. 2870 из Конспект лекций по информатике , 351–368 (Springer Berlin / Heidelberg, 2003).

  • Лесковец, Дж., Хуттенлохер, Д. и Кляйнберг, Дж. Подписанные сети в социальных сетях. В: Proc SIGCHI Conference on Human Factors in Computing Systems, CHI ’10, 1361–1370 (ACM, New YorkNY, USA, 2010).

  • Альберт, Р., Чонг, Х. и Барабаси, А. Интернет: диаметр всемирной паутины. Nature 401, 130–131 (1999).

    CAS ОБЪЯВЛЕНИЯ Статья Google ученый

  • Что такое узел? — Определение из Техопедии

    Что означает узел?

    Узел — это точка пересечения / соединения в сети передачи данных.В среде, где все устройства доступны через сеть, все эти устройства считаются узлами. Индивидуальное определение каждого узла зависит от типа сети, к которой он относится.

    Например, в физической сети домашней домашней системы каждый бытовой прибор, способный передавать или принимать информацию по сети, составляет узел. Однако пассивная точка распространения, такая как коммутационная панель, не будет считаться узлом.

    Узлы создают, принимают и передают информацию, а также хранят ее или передают другим узлам.Например, сканер в компьютерной сети создает изображения и отправляет их на компьютер, а маршрутизатор организует данные, полученные из Интернета, и распределяет их по отдельным устройствам в сети.

    Концепция узлов работает на нескольких уровнях, но в представлении общей картины узлы определяются как основные центры, через которые обычно маршрутизируется интернет-трафик. Это использование несколько сбивает с толку, поскольку эти же интернет-узлы также называются интернет-концентраторами.

    Techopedia объясняет узел

    Идея узлов была популяризирована с принятием теории коммутации пакетов и концепции распределенных сетей. В этом контексте узлы были шлюзами, которые могли получать, хранить и отправлять информацию по различным маршрутам через распределенную сеть. Каждому узлу было предоставлено равное положение в сети, а это означало, что потеря любого из узлов не нанесет значительного ущерба сети. (См. Также: Топология сети)

    Однако в применении к офисной или личной сети узел — это просто одно из устройств, выполняющих определенную функцию. Таким образом, потеря этого узла обычно означает потерю функции, например невозможность использования принтера.Соединения между узлами сети могут быть выполнены с помощью кабелей (проводная сеть) или с использованием других беспроводных технологий, таких как спутники связи, наземная микроволновая печь, Bluetooth или Wi-Fi.

    Вот несколько примеров сетевых узлов:

    Компьютерные сетевые узлы

    В компьютерной сети, такой как локальная сеть LAN или глобальная сеть WAN, узлами могут быть персональные компьютеры, а также другое оконечное оборудование данных (DTE ) и оборудования передачи данных (DCE).Сюда может входить такое оборудование, как модемы, маршрутизаторы, серверы и рабочие станции. Каждый из этих узлов идентифицируется MAC-адресом, и его функция теряется, если он переходит в автономный режим. (См. Также: EndPoint)

    Узлы сети Интернет

    В сетях Интернета или интрасети каждый хост-компьютер представляет собой узел Интернета, идентифицируемый по IP-адресу. Другие устройства уровня канала передачи данных, которые не имеют IP-адреса хоста (например, мосты или коммутаторы), но имеют MAC-адрес, по-прежнему считаются физическими сетевыми узлами или узлами LAN, но не интернет-узлами.(См. Также: Уровень 2, Уровень Datalink)

    Узлы распределенной системы

    В одноранговых или других типах распределенных сетей узлы состоят из серверов, клиентов и / или одноранговых узлов. Сами одноранговые узлы могут действовать как серверы и клиенты, в то время как узлы, которые маршрутизируют данные для других устройств в сети, определены как «надузлы».

    Узлы телефонной сети

    В традиционных телекоммуникационных сетях, таких как телефонные сети, каждый отдельный телефон или смартфон является узлом вместе с другими базами данных и точками коммутации, такими как узел поддержки GPRS шлюза (GGSN) и домашний регистр местоположения.

    Узлы системы кабельного телевидения

    В системах кабельного телевидения (CATV) узлы имеют более широкое значение, обычно связанное с волоконно-оптическими узлами. Каждый оптоволоконный узел представляет собой количество домов или предприятий, которые можно обслуживать с помощью кабелей, идущих от данного оптоволоконного приемника.

    границ | Определение узлов в сложных мозговых сетях

    Введение

    Мозг — это сложная сеть, в основе которой лежит организационная структура. Эту организационную структуру можно исследовать методами сетевой науки.Изучение сложных мозговых сетей резко развилось и повзрослело за последнее десятилетие, став методом выбора для анализа данных функциональной визуализации мозга. Хотя сетевая наука открывает большие перспективы для расширения наших знаний о человеческом мозге в вопросах здоровья, болезней, развития и старения, быстрое распространение и рост популярности сетевой науки как парадигмы для анализа данных нейровизуализации создает риск того, что новые методы могут быть применены неправильно или неверно истолкованы, что приводит к неточным и вводящим в заблуждение результатам.

    По сути, все сети состоят из двух основных компонентов: элементов системы и парных отношений между этими элементами. Формально графы представляют эти элементы как узлы, а попарные отношения между элементами как ребра / связи. Теория графов обеспечивает строгую, хорошо зарекомендовавшую себя основу для описания связи мозга, как локально, так и глобально, предоставляя первую надежную возможность обширно и неинвазивно исследовать весь человеческий мозг одновременно (Bullmore and Sporns, 2009; Rubinov and Sporns, 2010).В функциональных сетях мозга узлы представляют собой некоторую предопределенную совокупность тканей мозга, а края измеряют функциональную связь между парами узлов. Функциональная связность — это наблюдаемое явление, которое можно измерить количественно с помощью мер статистических зависимостей, таких как корреляции, когерентность или энтропия переноса (Friston, 1994, 2011). После того, как сеть мозга создана, стандартные методы сетевой науки могут пролить свет на множество различных характеристик, как локальных, так и глобальных, взаимодействий между областями мозга.

    Чтобы сети могли адекватно моделировать физические системы, узлы должны точно и осмысленно представлять элементы системы (Butts, 2009). В большинстве социальных, биологических и технологических сетей, что составляет узел, а что составляет связь, более четко и разумно определено. Например, в исследованиях сетей дружбы, отдельные люди являются очевидным выбором для узлов, а примеры дружбы между людьми — очевидным выбором для ссылок; аналогично, в исследованиях генных сетей, гены — очевидный выбор для узлов, а регуляторные белки — разумный выбор для связей.В мозговых сетях каждый отдельный нейрон может быть представлен как узел, а границы между узлами могут быть представлены синапсами. Хотя это было успешно выполнено в значительно менее сложном C. Elegans (Sporns and Kötter, 2004; Towlson et al., 2013), в настоящее время невозможно визуализировать, записать или с помощью вычислений проанализировать приблизительно 100 миллиардов нейронов в человеческий мозг, каждый из которых имеет ~ 7000 синапсов (Drachman, 2005). Хотя проект Human Brain Project и инициатива BRAIN пытаются создать такую ​​модель, представление нейронов как узлов и синапсов как звеньев в человеческом мозге может быть нежелательной целью.Полномасштабная копия человеческого мозга вряд ли создаст понятную модель, учитывая, что она столь же сложна, как и реальная система. Современные технологии ограничивают функциональный анализ сети мозга узлами выше миллиметрового масштаба, что означает, что многие потенциально взаимодействующие нейроны и синапсы будут представлены как отдельные узлы в сетях человеческого мозга.

    Отсутствие четкого, очевидного выбора того, что должно представлять узел в функциональной сети мозга, привело к анализу сетей мозга в широком диапазоне масштабов, начиная от 70 узлов (Wang et al., 2009) к сетям всего мозга из 140 000 узлов (Eguíluz et al., 2005) и с использованием различных схем разделения, зависящих от широкого диапазона критериев определения. Тем не менее, способ, которым узлы явно определены в сетях мозга, во многом определяет нейробиологическую интерпретацию топологии сети (Butts, 2009). В настоящее время не существует общепринятого узлового определения, что делает эту проблему одной из наиболее важных нерешенных проблем в сетевом анализе данных нейровизуализации.

    Целью данной статьи является обсуждение концепций и вопросов, связанных с определением узлов при функциональном анализе сети мозга.Очень важно признать тот факт, что оптимальный метод определения узлов остается загадкой. В любой такой сложной системе, как человеческий мозг, границы, которые используются для определения элементов системы, являются абстрактными и обычно связаны с решаемой проблемой. На самом деле, покойный специалист по сложным системам Донелла Х. Мидоуз отметила, что все границы имеют человеческое происхождение:

    «… границы созданы нами сами, и их можно и нужно пересматривать для каждой новой дискуссии, проблемы или цели.»(Медоуз и Райт, 2008 г.)

    Тем не менее, при создании модели человеческого мозга с использованием функциональных мозговых сетей необходимо определить отдельные узлы, и границы таких узлов могут существенно повлиять на результаты исследования (Smith et al., 2011). Из обычно используемых доступных методов некоторые, безусловно, имеют преимущества перед другими, и выбор узла может меняться в зависимости от изучаемых вопросов. Выявляя мотивы и проблемы в каждом из часто используемых подходов, мы пытаемся прояснить обсуждение и продвинуть вперед изучение сложных мозговых сетей.Здесь, после завершения всестороннего метаанализа доступной литературы, мы представляем обзор наиболее популярных схем определения узлов, основанных на: индивидуальных вокселях, анатомических атласах и предшествующих исследованиях функциональной активации. Мы утверждаем, что подход с наименьшим количеством имеющихся в настоящее время проблем — это воксельный подход. Для тех типов знаний, к которым в настоящее время стремятся большинство нейробиологов, доступные альтернативы воксельному подходу имеют значительные ограничения.

    В дебатах о наилучшем способе определения сетевых узлов различные доступные подходы можно свести к одному четкому различию: (1) априори определение узлов на основе атласов, предшествующей литературы или какой-либо другой функциональной визуализации техника; и (2) нет априорного определения узлов на основе (т.е.е., делая каждый воксель узлом). Поскольку нейробиология исследует организацию мозговых сетей, авторы этой рукописи полагают, что самые маленькие возможные подразделения (до некоторой степени, которая в настоящее время неизвестна) дадут наиболее объективные и информативные результаты. Однако, в соответствии с наблюдением доктора Медоуза, важно оставаться открытым для возможностей того, что разные определения границ подходят для разных вопросов. Если не будут найдены однозначные доказательства того, что одно определение границы лучше другого, жизненно важно, чтобы нейробиологи оставались открытыми для других, использующих различные определения узлов.Нельзя позволять догме вытеснять научные изыскания.

    Короче говоря, мы предпочитаем воксельный подход к изучению мозга как сложной сети, в основном потому, что он не обременен предыдущими редукционистскими результатами исследований мозга. Ограничение сетевых научных исследований мозга, основанных на результатах предыдущих методов визуализации, ограничит нашу способность обнаруживать новые, неизвестные свойства, которые нельзя наблюдать с помощью прошлых методологий (Telesford et al., 2011). Одна из сильных сторон подхода сетевой науки заключается в том, что он основан на том факте, что все области мозга скорее зависимы, чем независимы.Это нельзя переоценить. Внедрение априорной информации ослабит обоснованность подхода. Мы признаем, что все доступные в настоящее время методы ошибочны, потому что любая схема определения узлов будет содержать сигнал многих нейронов. Неясно, какой уровень грануляции лучше всего, поэтому на этом этапе мы должны использовать метод с наименьшим количеством предварительных предположений и как можно большим количеством доступных данных.

    Определения узлов в литературе

    Для нашего мета-анализа литературы исследования были сначала идентифицированы с использованием базы данных PubMed и включали статьи со следующими поисковыми терминами: «функциональный», «мозговой» и «сети».Поиск ограничивался статьями, посвященными исследованиям на людях, и статьями, опубликованными в период с 01.01.2005 по 31.01.2013. Этот первоначальный фильтр вернул в общей сложности 4847 исследовательских статей. Затем эти статьи были отфильтрованы, чтобы включить только оригинальные исследовательские публикации и исключить обзоры литературы и комментарии. Два разных исследователя независимо отфильтровали оставшиеся статьи, чтобы исключить исследования, описывающие функциональные сети, созданные с помощью электроэнцефалографии и магнитоэнцефалографии, а также структурные сети, созданные с помощью диффузно-взвешенной визуализации или морфометрии на основе вокселей.В окончательный список вошли 155 исследований, в которых принципы теории графов конкретно применялись к данным функциональной магнитно-резонансной томографии (фМРТ) (полный список см. В дополнительной информации). Для выявления связей между узлами в исследованиях использовались различные методологии.

    Эти исследования были затем классифицированы по схеме разделения, каждое из которых использовалось для анализа данных. Категории включали анализы, основанные на уровне вокселей (32 статьи), установленных анатомических атласах (86 статей) и ранее опубликованных карт активации фМРТ (20 статей).В нескольких исследованиях представлены различные нетрадиционные схемы парцелляции (23 статьи), а в ограниченном количестве реализованы схемы множественной парцелляции (5 статей).

    В исследованиях с использованием воксельного подхода количество узлов сильно варьировалось и составляло от менее 5000 до 140 000 узлов. В 2005 году Эгуилуз и его коллеги опубликовали то, что теперь известно как первое исследование, в котором анализ теории графов применялся к данным фМРТ мозга. Стоит отметить, что этот плодотворный вклад в исследования нейровизуализации был не только первым в своем роде, но и упоминался более 450 раз.В дополнение к традиционным воксельным методам наш поиск выявил новый вариант воксельной методологии. В этом подходе корреляционная матрица на основе вокселей была сгенерирована с использованием данных МРТ функциональной связности в состоянии покоя (rs-fcMRI). Затем воксели были сгруппированы в группы с использованием различных методов для определения границ, а не с использованием анатомических атласов (Thirion et al., 2006; Cohen et al., 2008; Mumford et al., 2010; Vejmelka and Palus, 2010; Craddock). et al., 2012; Blumensath et al., 2013). Эти границы в конечном итоге использовались для создания предполагаемых функциональных областей, которые, по сути, состоят из комбинаций исходных вокселей. Целью этого подхода является создание универсального функционального атласа человеческого мозга, который может быть стандартизирован и использован исследователями, интересующимися функциональной нейровизуализацией как в состоянии покоя, так и на основе задач.

    Хотя первоначальное применение принципов теории графов к данным нейровизуализации мозга было основано на вокселях, разделение мозга для функционального сетевого анализа перешло в сторону использования анатомических атласов.Эти атласы строго определены с использованием анатомических особенностей мозга, таких как расположение общих извилин, и не полагаются на какую-либо функциональную информацию. Атласы обычно стандартизированы, легко доступны и чаще всего используются как для структурного, так и для функционального нейровизуализационного анализа. Общее количество и размер (то есть вокселей) областей, составляющих весь мозг, различаются в разных анатомических атласах. Для создания сетей с использованием подхода, основанного на атласе, сигнал, зависящий от уровня кислорода в крови (ЖИРНЫЙ) от всех вокселей, усредняется в пределах каждой области интереса.Средние временные ряды для всех ROI используются для генерации окончательной корреляционной матрицы.

    Мы обнаружили, что атлас автоматической анатомической маркировки (AAL) был наиболее часто используемым, а вторым наиболее часто используемым атласом был вероятностный атлас Гарвард-Оксфорд с порогом от 25 до 30%. Следует отметить, что во многих исследованиях не использовались все области интереса, содержащиеся в определенном атласе. Вместо этого исследователи выбрали регионы, которые представляли интерес для авторов, или повторно взяли данные, чтобы создать ROI одинакового размера.

    Третий наиболее распространенный подход к парцелляции был основан на результатах предыдущих исследований активации фМРТ. В исследованиях, реализующих этот подход, использовались значительные кластеры, обнаруженные в картах групповой активации, которые ранее были опубликованы самими авторами или другими лицами, опубликовавшими результаты, относящиеся к теме статьи. В дополнение к этому, другие выполнили метаанализ нескольких различных карт активации фМРТ состояния покоя или на основе задач, чтобы определить парцелляцию. Во всех этих исследованиях для создания областей интереса использовалось ядро ​​Гаусса с максимальной полушириной 3–10 мм с центром в координатах пика, и во всех случаях этот подход исключал большую часть мозга, доступного для анализа.

    Воксельный подход

    Подход, который мы предпочитаем для определения узлов в функциональных сетях мозга, рассматривает каждый отдельный воксель как узел. Воксельные сети строятся путем присвоения узла каждой области мозга одинакового размера (воксела), а затем измерения взаимосвязи в активности, вычисляемой из пар одновременно записанных временных рядов. Воксели основаны на сетке, помещенной на мозг во время визуализации, а затем преобразованы в стандартное пространство MNI (Монреальский неврологический институт) во время предварительной обработки изображения.Размещение произвольное, но воксели примерно выровнены по объектам во время процедуры деформации. Признано, что идеального согласования не достичь, но интерпретация результатов никогда не должна сводиться к одному вокселю.

    Среди тех, кто использует воксельный подход, количество узлов сильно варьируется. Воксельные подходы варьируются от включения примерно 3400 узлов (Liu et al., 2011) до 140 000 узлов (Eguíluz et al., 2005) в сети мозга. Эта изменчивость связана с различиями в разрешающей способности захвата и тем, что исследователи решили ограничить свой анализ вокселами в определенных регионах.Такие различия в размере сети приведут к различиям в метриках сети, как и в случае всех трех основных подходов к определению узлов. Это сделает сравнение количественных переменных из воксельных сетей разного размера трудным для интерпретации. Однако, если задействован весь мозг и контролируется плотность соединений, тогда возможны сравнения между исследованиями с сетями разного размера. Размер сети не должен существенно мешать сравнениям расположения ключевых узлов в мозгу.

    Обсуждение

    Общая критика подхода, основанного на вокселях, заключается в том, что связь между соседними узлами является ложной и избыточной. Это связано с тем, что локальные пространственные корреляции из-за многих ненейронных факторов могут проявляться как края, даже если может не быть прямой функциональной связи (Power et al., 2011). Одна из возможных причин увеличения локальных корреляций — результат повторного разделения и размытия при обработке данных (Wig et al., 2011). Поскольку изменение границ и размытие являются неизбежными этапами стандартной обработки данных, можно лишь частично ослабить эффекты вокселей, совместно использующих небиологический сигнал.Другая возможная причина заключается в том, что сигнал фМРТ на самом деле связан с изменениями кровотока, а локальные воксели разделяют местный кровоток. Таким образом, изменения в региональном кровотоке могут увеличивать локальные корреляции, даже если нет сильных ассоциаций в нервной активности. Однако важно отметить, что нейробиология такова, что нейроны, по сути, в основном связаны с соседними нейронами. Вероятность подключения и количество подключений падают либо по гауссовскому, либо по экспоненциальному закону.Таким образом, вероятность соединения и количество контактов резко падает за пределы 0,5 мм от тела клетки нейрона (Liley and Wright, 1994; Hellwig, 2000). Спорнс и Цви (2004) далее продемонстрировали, что модель, содержащая преимущественно локальные связи с редкими удаленными связями, лучше всего отражает топологию маленького мира в анатомической сети мозга. Итак, даже при том, что кровоток может быть локально связан, настоящие нейроны тоже. Следовательно, трудно узнать, сколько артефактов фМРТ, а сколько реально, из-за того, что большинство соединений являются локальными.

    Чтобы изучить потенциальные эффекты локальных корреляций на метрики сети, Хаясака и Лауриенти (2010) удалили локальные границы, соединяющие пространственно соседние воксели в воксельной сети в субъектах, а затем пересчитали метрики сети. Они исследовали сетевые метрики в сетях, которые были получены путем применения различных пороговых значений к корреляционной матрице, что позволило создать сети с разной плотностью границ. Они обнаружили уменьшение кластеризации и увеличение длины пути из-за удаления локальных краев.Вкратце, кластеризация — это мера соединений, которые существуют между соседями данного узла, тогда как длина пути — это мера количества шагов, необходимых для перехода от одного узла к другому (для более подробной информации см. Watts and Strogatz , 1998). Эффект был минимальным, когда плотность краев в сети была установлена ​​так, что более 98% вокселей оставались подключенными к сети. Значительные изменения в кластеризации и длине пути действительно происходили, когда существенные части сети становились фрагментированными.Распределение степеней кардинально не изменилось, несмотря на удаление локальных краев. Чтобы избежать добавления в сеть ложных локальных корреляций, насколько это возможно, данные не должны сглаживаться пространственно. Сглаживание вводит ложно высокие корреляции между соседними вокселями. Даже если в протоколе предварительной обработки не выполняется пространственное сглаживание, данные фМРТ по своей сути содержат некоторую степень пространственного сглаживания из-за процесса сбора данных. Например, сам процесс пространственной нормализации может ввести локальные корреляции, которые могут изменить структуру сети.Это случайное пространственное сглаживание может создавать кажущиеся соединения на коротком расстоянии, которые, в свою очередь, увеличивают показатели кластеризации в воксельных сетях с высоким разрешением (van den Heuvel et al., 2008). Следует отметить, что это не так важно для сетей с более низким разрешением, поскольку размер каждого узла значительно превышает пространственную протяженность диапазона сглаживания (Zalesky et al., 2012). Другая критика воксельного подхода заключается в том, что отношения между узлами на коротком расстоянии особенно чувствительны к ложному увеличению движением объекта (Power et al., 2011). Однако движение объекта не ограничивается только локальными вокселями, поскольку голова движется как твердое тело. Таким образом, большинство артефактов движения связаны с интерфейсом различных типов тканей мозга (например, серым веществом / белым веществом) (Field et al., 2000), а области через полушария могут быть коррелированы из-за движения (Bright and Murphy, 2013), что делает это проблемой для любой схемы распределения.

    Другая критика подхода, основанного на вокселях, заключается в том, что существуют серьезные проблемы отношения сигнал-шум (SNR) и паразитные соединения из-за низкого уровня сигнала в маленьких вокселях.В частности, было высказано предположение, что чрезмерно высокое пространственное разрешение может быть связано с непропорциональной потерей отношения сигнал / шум (Fornito et al., 2010). Это приведет к увеличению случайных подключений в сети. По сути, это будет похоже на добавление случайных ссылок в настоящую сеть. Это приведет к уменьшению общей длины сетевого пути, но, вероятно, не повлияет на локальную кластеризацию (Watts and Strogatz, 1998). Основные противники воксельного подхода утверждают, что проблема заключается в увеличении кластеризации, а не в уменьшении длины пути (Power et al., 2011). Если бы отношение сигнал / шум воксельных данных было недостаточного качества, все традиционные исследования функциональной связности (например, Biswal et al., 1995, 1997), которые служат основой для сетевого анализа в мозге, были бы поставлены под сомнение. Кроме того, все традиционные исследования активации фМРТ проводятся на основе вокселей, и поэтому эти работы могут быть поставлены под сомнение.

    Нет сомнений в том, что усреднение сигнала по локальным вокселям, как это выполняется с невоксельным подходом, снизит уровни шума в каждом сетевом узле.Фактически, мы оценили величину значений корреляции в сети на основе вокселей и атласа, усредненной по 10 молодым здоровым субъектам в состоянии покоя, используя недавно опубликованные данные (Peiffer et al., 2009; Hayasaka and Laurienti, 2010). Положительные значения корреляции были значительно выше ( p = 0,001, парный тест t ), когда временные курсы были усреднены по анатомическим областям интереса (в среднем r = 0,221, SD = 0,017), чем при использовании отдельных вокселей. (в среднем r = 0.159, SD = 0,011). Хотя верно то, что усреднение вокселей снижает шум, также верно и то, что реальные сигналы теряются, если усредняются воксели с очень разными истинными сигналами. Фактически это то, что мы обнаружили, когда исследовали значения корреляции сильных ассоциаций, которые обычно сохраняются после пороговой обработки функциональных сетей. Пороговые значения были установлены таким образом, чтобы плотность подключений была сопоставимой для разных типов сетей. Для сети на основе атласа оставшиеся ребра имели среднее значение r , равное 0.421 ( SD = 0,047). Для воксельной сети оставшиеся края были значительно выше ( p <0,001, парный t -тест) со средним значением r 0,55 ( SD = 0,039). Таким образом, процедура усреднения, используемая при объединении многих вокселей в один узел, действительно уменьшила общий шум, но также уменьшила сигнал в самом сильном из сетевых соединений.

    Несмотря на некоторые потенциальные ограничения, воксельные сети обладают сильными сторонами, которые делают их идеальным выбором для новых открытий о функциях человеческого мозга.Представление узлов как вокселей одинакового размера позволяет использовать воксельный подход, чтобы избежать трех серьезных проблем, с которыми сталкиваются другие методы. Во-первых, воксельные сети не ограничиваются предположением, что вокселы из одних и тех же анатомических областей или функциональных областей достаточно похожи, чтобы их можно было усреднить для формирования более крупного узла. Во-вторых, поскольку каждый узел в воксельной сети имеет одинаковый размер, дисперсия сигнала не будет масштабироваться с количеством вокселей, которые вносят вклад в ее оценку, а это означает, что количественная оценка парных отношений не будет непропорционально более надежной для больших областей мозга ( Хаясака и Лауриенти, 2010).В-третьих, те ROI, состоящие из большего количества вокселов, чем другие ROI в региональных сетях, могут демонстрировать дифференциальную связность просто из-за того, что в сам ROI включено большее количество сигналов (Hayasaka and Laurienti, 2010). Поскольку каждый узел имеет одинаковый размер в воксельных сетях, не требуется разрабатывать механизм коррекции для учета различий в пространственной протяженности ROI.

    Воксельный подход генерирует мозговые сети с высоким разрешением (мезоскопические), позволяя исследователям признать и учесть (с учетом текущих технологических ограничений) неоднородность областей, присутствующих в более крупных ROI, определенных другими методами парцелляции.Например, в недавнем исследовании сильно взаимосвязанный концентратор в задней поясной коре головного мозга (PCC), наблюдаемый в воксельной сети с высоким разрешением, был сосредоточен в середине трех различных областей интереса (узлов) в сети с узлами, определенными с помощью AAL. атлас (Hayasaka, Laurienti, 2010). Независимо от того, сохранялись ли три смежных ROI в сети на основе атласа отдельно или усреднялись вместе, было бы невозможно осмысленно захватить область высокой степени в середине трех анатомических ROI.Кроме того, несмотря на то, что как анатомический атлас, так и воксельный сетевой анализ последовательно идентифицировал PCC и близлежащее предклинье как узлы или узлы с высокой степенью связи (Hagmann et al., 2008; van den Heuvel et al., 2008; Buckner et al. ., 2009), только воксельные сети позволяют точно локализовать узловые узлы в этих анатомических областях (Hayasaka and Laurienti, 2010). Следует отметить, что (Tohka et al., 2012) сравнивали сеть на основе вокселей (40 962 узла) и анатомическую сеть на основе атласа (54 узла) с результатами, подтверждающими результаты Hayasaka и Laurienti (2010).Эта способность более точно определять пространственное расположение концентраторов в функциональных сетях мозга позволяет исследователям более точно определять количественно ассортативность сети, эффективность потока информации в сети, устойчивость сети к целевым и случайным атакам, а также характер распределения степеней сети (является ли распределение степеней действительно безмасштабным или вместо этого экспоненциально усеченным степенным распределением степеней). Обзор этих показателей см. В Bullmore and Sporns (2009), Rubinov and Sporns (2010) и Kaiser (2011).Кроме того, значительный объем исследований показал, что хабы радикально реорганизуются при различных неврологических расстройствах, включая болезнь Альцгеймера (Supekar et al., 2008), инсульт (Desmurget et al., 2007), шизофрению (Lynall et al., 2010) и нарушениями сознания (Achard et al., 2012). Это говорит о том, что способность точно и эффективно определять местоположение концентраторов может служить важной цели в клинических условиях.

    Несколько расширений воксельного подхода были разработаны с использованием корреляций rs-fcMRI путем попытки сгруппировать вместе воксели с похожими свойствами.Каждая группа вокселей или функциональная «единица» потенциально может представлять узел для дальнейшего анализа сети. Полный набор представляющих интерес фундаментальных единиц теоретически можно описать с помощью надежной мозговой карты, подобной карте стран мира, где каждая страна аналогична отдельной функциональной единице (Wig et al., 2011). Методы, используемые для идентификации функциональных единиц (узлов) с использованием данных rs-fcMRI, можно разделить на 3 категории: обнаружение резких переходов в паттернах rs-fcMRI (Cohen et al., 2008; Barnes et al., 2010, 2012; Nelson et al., 2010), идентифицируя функционально похожие кластеры (Thirion et al., 2006; Mumford et al., 2010; Vejmelka, Palus, 2010; Craddock et al., 2012), и методы выращивания регионов (Blumensath et al. , 2013).

    Некоторые, кто выступал за эти подходы rs-fcMRI и против подхода, основанного на вокселях, утверждают, что, хотя опрос вокселей подходит для статистического анализа данных нейровизуализации, когда целью является идентификация групп вокселей со схожими свойствами, рассматривая воксель как узел в сети явно подразумевает, что он моделируется как отдельная единица обработки информации (Wig et al., 2011). Подразумевается, что, поскольку воксели не являются отдельными единицами обработки информации, воксели не должны представлять узлы для сетевого анализа. Мы утверждаем, что такой аргумент является циркулярным. Методы, разработанные с использованием данных rs-fcMRI, основаны на том, что по сути является воксельным сетевым анализом. Фактически, (Barnes et al., 2010), которые реализуют алгоритм для обнаружения переходов в шаблонах связности для формирования границ между узлами, признают, что каждый воксель рассматривается как узел, и мера сходства (т.е., η 2 ) между узлами рассматривается как ребро, чтобы затем находить резкие переходы в связности. Точно так же методы кластеризации и наращивания области изначально требуют обнаружения корреляций между соседними вокселями, чтобы затем определить, должны ли эти воксели быть сгруппированы вместе. Группы вокселей, идентифицированные каждым соответствующим подходом, переопределяются как единый узел, так что исследователи могут вернуться к исходным данным и выполнить новый сетевой анализ, используя определения узлов, основанные на воксельном сетевом анализе.Если у кого-то есть проблемы с анализом по вокселям, то неразумно использовать анализ по вокселям для определения узлового набора в попытке избежать анализа по вокселям. Необходимо представить каждый воксел как единицу обработки информации при идентификации предполагаемых функциональных единиц, которые затем становятся новыми единицами обработки информации. Важно отметить, что поскольку каждый подход основан на воксельном сетевом анализе, проблемы, ранее представленные для воксельного подхода, связаны с методами, разработанными с использованием данных rs-fcMRI.

    Оптимальный метод объединения вокселей в функциональные «блоки» остается загадкой. Это в значительной степени связано с неотъемлемой неспособностью получить доступ к любой форме базовой истины, указывающей на то, что данный метод успешно разделяет функциональные единицы в головном мозге (Craddock et al., 2012; Lohmann et al., 2013). Распространенной стратегией было выявление алгоритмов, дающих результаты, сопоставимые с прошлыми методологиями. Однако эта стратегия смещает результаты в сторону предшествующих традиционных исследований фМРТ и затрудняет возможность делать новые открытия.Другие проверяют воспроизводимость результатов, генерируемых каким-либо новым алгоритмом. Однако способность точно воспроизводить результаты не означает, что алгоритм успешно очертил «истинный» набор функциональных единиц в мозгу. Тот факт, что какой-то подход воспроизводится, не означает, что он точен; это просто означает, что это воспроизводимо. Лучшим подходом к проверке новых схем парцелляции было бы определение того, какие методы лучше всего предсказывают различное поведение или патологии с помощью обширных исследований.До тех пор, пока не появятся доказательства, которые недвусмысленно демонстрируют, что существует истинное функциональное разделение всего мозга, мы утверждаем, что чем меньше a priori информации будет включено, тем лучше.

    Структурно-анатомические атласы

    Наиболее широко используемая схема парцелляции определяет узлы как индивидуально отделенные анатомические области интереса (ROI) из одного из многих легко доступных структурно-анатомических атласов. Средний временной ряд оценивается для каждого субъекта путем усреднения сигнала фМРТ по всем вокселям в каждой анатомически определенной области интереса.Из многих легко доступных современных структурных атласов головного мозга количество ROI (узлов) обычно колеблется от 70 до 250. Наиболее широко используемый анатомический атлас в исследованиях функциональных сетей мозга — это стандартный шаблон AAL, который разделяет кору и подкорковые структуры путем идентификации извилистые и бороздчатые границы. Полный шаблон AAL включает 116 областей интереса (узлов) (Tzourio-Mazoyer et al., 2002), но мозжечок часто опускается в сетевых исследованиях (Zalesky et al., 2010b), оставляя полушария головного мозга разделенными на 45 анатомических областей каждая. .В ходе нашего поиска литературы атлас AAL использовался для определения узлов в 69 из 86 исследований, в которых использовались структурно-анатомические атласы. Однако следует отметить, что в некоторых исследованиях для сетевого анализа использовались как минимум два разных атласа, одним из которых является атлас AAL.

    В дополнение к вариативности выбора либо полной сети из 116 узлов, либо частичного набора из 90 узлов, исследователи (1) нередко выбирают только определенные регионы из атласа AAL, который считается a priori представляющим особый интерес. на основе ранее существовавшей литературы (iftçi, 2011), (2), чтобы исключить области интереса с меньшим, чем заранее определенный процент охвата мозга (Fornito et al., 2011), или (3) разделить атлас AAL на большее количество узлов примерно однородного размера, ограниченных тем, чтобы лежать в объеме, заключенном в его родительский ROI AAL (Fornito et al., 2010; Zalesky et al., 2010a; Zhang et al., 2011; Achard et al., 2012). Среди тех, кто использует атлас AAL, вариабельность количества узлов варьируется от частичной сети мозга из 32 узлов (iftçi, 2011) до сети с пониженной дискретизацией всего мозга из 4320 узлов (Fornito et al., 2010).

    Подобные закономерности изменчивости парцелляции возникают, когда разные исследователи используют другие структурно-анатомические атласы.Например, среди тех, кто использует вероятностный атлас Гарвард-Оксфорд, нередко (1) использовать полный набор областей интереса, охватывающих 48 корковых и 21 подкорковую структурную область, соответствующую частям корковых извилин и подкорковых ядер серого вещества (2). ), чтобы выбрать только определенные области интереса из атласа, которые априори считаются представляющими особый интерес на основе ранее существовавшей литературы (Lord et al., 2011), (3), чтобы полностью исключить данные из определенных областей интереса из-за неоптимальной регистрации (Davis et al., 2013) или (4), чтобы разделить атлас на большее количество областей примерно одинакового размера, полностью содержащихся в единственной родительской области интереса из исходного атласа (Alexander-Bloch et al., 2012, 2013). Среди тех, кто использует вероятностный атлас Гарварда-Оксфорда, вариативность количества узлов колеблется от частичной сети из 19 узлов (Lord et al., 2011) до сети с субдискретизацией всего мозга примерно из 300 узлов до установления порога (Alexander-Bloch и др., 2012). Наш поиск литературы показал, что в 10 исследованиях для определения сетевых узлов использовался Гарвард-Оксфордский вероятностный атлас.

    Обсуждение

    Сторонники использования анатомических атласов для определения узлов для сетевых исследований фМРТ часто утверждают, что области интереса должны представлять области с четкими анатомическими границами, чтобы сохранить интерпретируемость результатов исследований функциональной связности. Другие утверждают, что установить отношения между структурами мозга и их функциями можно только путем определения узлов на основе анатомических особенностей (Tzourio-Mazoyer et al., 2002). Несмотря на вариативность количества узлов и процента пространства мозга, используемых в литературе, тот факт, что размер и протяженность каждого узла остается фиксированным в одном атласе по предметам и исследованиям, является преимуществом для этого подхода.Отсутствие вариабельности в этом отношении может аккуратно стандартизировать исследования, позволяя проводить значимое сравнение результатов по всем исследованиям.

    Тем не менее, различные доступные в настоящее время анатомические атласы головного мозга демонстрируют заметные различия в количестве, форме и расположении областей интереса. Поскольку свойства ROI очень нелинейны, небольшое изменение количества, формы или расположения ROI может резко изменить профили подключения (Li et al., 2010), оказывая сильное влияние на показатели сети.Анатомические шаблоны с низким пространственным разрешением с большей вероятностью объединяют области, которые имеют различные временные сигналы (Fornito et al., 2010; Craddock et al., 2012). Усреднение разнородных временных сигналов снизит отношение сигнал-шум, поскольку представляющие интерес сигналы фактически усредняются, тем самым добавляя шум к анализу сети. Фактически, значительные различия в сетевых показателях наблюдались в разных анатомических шаблонах. Например, Wang et al. (2009) исследовали статистические различия в топологических свойствах функциональных сетей мозга между сетью AAL (90 узлов) и сетью автоматического нелинейного сопоставления изображений и анатомической маркировки (ANIMAL) (70 узлов).В то время как обе сети демонстрируют устойчивые атрибуты малого мира и экспоненциально усеченное степенное распределение, большинство других локальных и глобальных топологических параметров значительно различаются в двух сетях. Кроме того, из-за значительных различий как в количестве узлов, так и в процентном соотношении пространства мозга, включенного в сетевой анализ, среди исследователей, использующих варианты одного и того же анатомического атласа, осмысленное сравнение результатов любых двух исследований потенциально сложно, непрактично и вводит в заблуждение (Мед и другие., 2009; Кайзер, 2011).

    Из-за грубого разрешения подходов к определению узлов, основанных на анатомических атласах, эти атласы, скорее всего, сведут множество различных, взаимодействующих областей мозга с разными функциями в один узел. Следовательно, представление множества различных взаимодействующих групп нейронов (и синапсов) с разными свойствами в виде отдельных узлов может плохо отражать реальность, скрывая различия между меньшими единицами внутри свернувшегося узла. Не следует ожидать, что области, определяемые анатомическими атласами, будут содержать однородную функциональную связь по двум различным причинам.Во-первых, поскольку области интереса, полученные из большинства атласов, настолько велики, более вероятно, что они включают сигналы из нескольких различных функциональных субрегионов (Hayasaka and Laurienti, 2010). Чтобы преодолеть эту проблему, некоторые исследователи (например, Hagmann et al., 2008; Achard et al., 2012) произвольно разделили ROI, уменьшив возможность смешивания BOLD временных рядов. Хотя было показано, что случайное подразделение анатомических областей интереса увеличивает региональную однородность (Craddock et al., 2012), нет оснований предполагать, что эти случайно разделенные участки точно представляют структурные паттерны в основной нейроанатомии.Во-вторых, что более важно, предполагаемые функциональные области просто не должны подчиняться разделениям, созданным любой схемой парцелляции, основанной на анатомических ориентирах. Предполагаемые функциональные области могут выходить за морфологические границы, или несколько предполагаемых функциональных областей могут присутствовать в пределах одного морфологически определенного участка. Изменения состояния или состояния также могут привести к изменениям в организации предполагаемых функциональных областей, которые не нужно отображать на подразделения, основанные на анатомических особенностях.

    Фактически, анатомические атласы показали плохую однородность ROI, неспособность точно воспроизвести функциональные паттерны связности, присутствующие на шкале вокселей (Craddock et al., 2012). Чтобы дополнительно продемонстрировать этот момент, мы случайным образом выбрали одну анатомическую область интереса (узел) из атласа AAL (левое предклинье) и другое из вероятностного атласа Гарвард-Оксфорд (предклинье, поскольку в атласе предклинье не разделяется на две отдельные области интереса). Используя недавно опубликованные данные (Rzucidlo et al., 2013) случайным образом выбрали испытуемого (здоровая женщина 25 лет). Данные были получены при размере вокселя 4 мм × 4 мм × 5 мм, и каждый воксель был представлен как узел для сетевого анализа. Мы использовали коэффициент корреляции Пирсона (обычно используемый в литературе показатель корреляции) для сравнения временных рядов каждого вокселя с каждым другим вокселем в пределах идентифицированной анатомической области интереса у одного репрезентативного субъекта в состоянии покоя и во время выполнения стандартной задачи с двумя заданиями. Чтобы сгенерировать сети с сопоставимой плотностью границ, для данных состояния покоя был установлен порог 0.6996 и данные 2-back на уровне 0,6520, в соответствии с пороговой стратегией, изложенной в Hayasaka and Laurienti (2010). Рисунок 1 демонстрирует, что вокселы в пределах идентифицированной области интереса плохо коррелируют (среднее значение r близко к 0) друг с другом как в пределах ROI атласа AAL, так и в пределах ROI вероятностного атласа Гарварда-Оксфорда. Если бы это были однородные области (т.е. вокселы / области мозга «ведут себя одинаково»), то временные ряды вокселей в пределах ROI были бы очень похожими, давая высокие значения r .

    Рис. 1. На этом рисунке показана одна анатомическая область интереса (узел) из атласа AAL (левое предклинье) и другая из вероятностного атласа Гарвард-Оксфорд (предклинье, поскольку в атласе предклинье не разделяется на две отдельные области интереса). В столбце 1 показаны четыре гистограммы, каждая из которых отображает корреляцию временного ряда каждого вокселя с каждым другим вокселем в пределах идентифицированной анатомической области интереса у одного репрезентативного субъекта в состоянии покоя и при выполнении стандартной задачи с двумя заданиями.Для каждой гистограммы, изображающей каждую ROI, идентифицированную из каждого атласа и каждого условия, вокселы в идентифицированной ROI (узле) в целом плохо коррелируют друг с другом. Это говорит о низком отношении SNR . Во втором и третьем столбцах для этих вокселей в пределах каждой анатомической области интереса нанесены распределение степеней и средняя длина пути исключительно по отношению ко всем другим вокселям в пределах области интереса. Мы исключили соединения с другими вокселями за пределами области интереса.Предположительно, если бы идентифицированная функциональная область была функционально однородной, то в лучшем случае мы бы увидели, что каждый отдельный воксель в пределах области связан (сильно положительно коррелирован) с каждым другим вокселем в пределах области, или, в худшем случае, мы увидим распределение степеней в соответствии с нормальным изгиб. Однако столбец 2 показывает, что (1) не каждый воксел связан с каждым другим вокселем в предполагаемой области интереса и что (2) распределение степеней в самой области интереса следует степенному закону вместо равномерного распределения.Значительная сумма вокселей в каждой области интереса имеет относительно мало связей (сильные положительные корреляции) с другими вокселями в пределах области интереса, а некоторые не имеют связей с другими вокселями в самой области интереса. Ни один воксель в любой анатомической области интереса не имеет средней длины пути, равной единице, в самой области интереса ((Wig et al., 2011) утверждают, что каждый воксель должен быть подключен к каждому другому вокселю в пределах области интереса, чтобы область интереса была функциональной единицей. ). Следовательно, разные подобласти в пределах ROI, вероятно, имеют разные топологические особенности и, следовательно, по-разному влияют на структуру и функции сети в целом.

    Мы также построили график распределения степеней и средней длины пути для этих вокселей в пределах каждой анатомической области интереса исключительно по отношению ко всем другим вокселям в пределах области интереса. Рисунок 1 демонстрирует, что вокселы в каждой анатомической области интереса не имеют нормального распределения степеней, как можно было бы ожидать, если каждая область интереса будет функционально однородной. Вместо этого значительное количество вокселей в каждой области интереса имеет очень небольшое количество соединений с другими вокселями в пределах области интереса. Кроме того, поскольку ни один воксель в любой анатомической области интереса не имеет средней длины пути, равной единице в самой области интереса, разные подобласти в пределах области интереса имеют разные сетевые свойства.

    Метааналитические подходы к функциональной активации

    Другой подход к определению узлов в функциональных сетях мозга использует результаты ранее существовавших традиционных исследований фМРТ, вызванных задачами, для определения набора фиксированных ROI для всех последующих исследований. Некоторые области интереса были выбраны из предыдущих исследований фМРТ, вызванных заданием, изучающих либо индивидуальную когнитивную функцию, либо ограниченный набор когнитивных функций, которые затем реализуются в последующих сетевых анализах (например, Fair et al., 2007; Номура и др., 2010; Rish et al., 2013), в то время как другие использовали данные, полученные из разнообразных исследований, и выполнили метаанализ для определения набора узлов, которые будут использоваться для любого будущего сетевого анализа (Power et al., 2011; Wang et al. др., 2011). Среди тех, кто использует ранее существовавшие данные из разнообразного набора вызванных заданием исследований фМРТ, некоторые дополнительно включают данные МРТ функциональной связности в состоянии покоя (rs-fcMRI) для определения дополнительных областей интереса для включения в набор узлов (Power et al., 2011 ).

    Узлы, определенные с использованием данных активации фМРТ, неизменно, хотя и не обязательно, моделируются сферами, как правило, радиусом 3–6 мм, закрепленными в любой из точек пиковой активности в предполагаемой функциональной области (Power et al., 2011; Stevens et al., 2012) или координаты центра масс предполагаемой функциональной области (Dosenbach et al., 2007). Эти различия в радиусах сфер в разных исследованиях приводят к резким различиям в объемах в диапазоне примерно 113–905 мм 3 . Включение сфер для определения функциональных областей исключает все вокселы, кроме тех, которые находятся в сферах. Сферы предназначены для представления всей деятельности в рамках предполагаемых функциональных областей. Считается, что это сводит к минимуму вероятность пересечения границ функциональной зоны.Использование сфер действительно сводит на нет опасения, связанные с проблемами масштабирования дисперсии сигнала и различиями в количестве соединений ROI из-за различий в размерах ROI, которые влияют на сети на основе анатомических атласов (Wig et al., 2011). В доступной литературе ни одно исследование не использовало набор сферических областей интереса, охватывающих более 25% коры головного мозга и подкорковых ядер; многие покрывают лишь часть коры головного мозга и подкорковых ядер (например, Nomura et al., 2010; Rish et al., 2013).Количество узлов в исследованиях, использующих эту стратегию разделения, варьируется примерно от 10 до 264 узлов.

    Обсуждение

    Одна из основных причин ограничения функционального метода активации сферами основана на идее о том, что воксельный подход затруднен из-за тенденции соседних вокселей делиться небиологическим сигналом (вызывая повышенную корреляцию функциональной связности) и что Отношения на коротком расстоянии особенно подвержены ложному усилению движением объекта (Power et al., 2011; Wig et al., 2011). Однако эти же проблемы могут быть проблематичными и для подходов к функциональной активации, потому что каждая сфера состоит из набора соседних вокселей. Если такие артефакты действительно являются преимущественно локальными, усредняющий сигнал от соседних вокселей не будет усреднять эти сигналы, потому что паразитные сигналы расположены в соседних вокселях, которые усредняются.

    Сторонники этого подхода часто утверждают, что с помощью обширной метааналитической процедуры можно точно идентифицировать дискретные функциональные макроскопические «единицы» организации мозга, каждая из которых представляет собой отдельную единицу обработки информации.Предполагается, что эти макроскопические «единицы» лучше всего представляют правильно сформированные узлы в сетевом анализе. Это контрастирует с воксельным подходом, в котором вокселы не предназначены для соответствия макроскопическим единицам организации мозга. Следовательно, сторонники метааналитического подхода утверждают, что нет оснований полагать, что воксельный подход включает хорошо сформированные узлы (Power et al., 2011;?). Действуя в рамках этого предположения, сторонники метааналитического подхода утверждают, что неспособность воксельного подхода правильно моделировать макроскопические функциональные «единицы» имеет практические последствия, которые искажают сетевые измерения.Аргумент выглядит следующим образом:

    «Поскольку все воксели, существующие в функциональной области, несомненно, имеют одно ребро друг с другом, измерения графа, которые сосредоточены на определенных свойствах узлов, будут смещены в сторону узлов (вокселей), существующих в областях (и, возможно, сообществах), которые больше, чем другие, и меры, описывающие глобальные свойства графа, будут искажены из-за неправильного представления областей в зависимости от количества содержащихся в них вокселей »(Wig et al., 2011).

    Мы утверждаем, что эта критика безосновательна, и легко продемонстрировать, что все воксели, существующие в функциональных областях, не имеют общих границ друг с другом, предполагая, что используется разумная плотность сети (очевидно, если не применяется порог и все узлы подключены ко всем узлам, тогда утверждение выше будет верным).

    Чтобы проиллюстрировать эту точку зрения, мы попытались воспроизвести часть этого метода, исследуя пространственно смежную слуховую ROI в правом полушарии головного мозга, идентифицированную в предыдущем анализе фМРТ, вызванном заданием (Peiffer et al., 2009), как показано на рисунке 2. Всего в исследование был включен 61 нормальный здоровый взрослый человек в возрасте от 18 до 80 лет. В целевой части слуховой парадигмы всплески белого шума с частотой 2 Гц чередовались с тишиной. Испытуемые должны были идентифицировать тон с частотой 500 Гц, случайно включенный в белый шум.Все участники были включены в групповой анализ со случайными эффектами, и для карты активации был установлен порог t-балла, превышающий 10 (один образец, один хвост, t -тест с 60 df ). Область активации в правой слуховой коре затем использовалась в качестве области исследования. Затем была создана сеть мозга в состоянии покоя на уровне вокселей с использованием случайного индивидуального участника исследования (здоровая 25-летняя женщина) из другого исследования (Rzucidlo et al., 2013). Затем исследовали профиль связности слуховой области.Распределение степеней, длина пути и кластеризация для всех вокселей, исключительно в пределах идентифицированной области интереса без учета всех других вокселей за пределами предполагаемой функциональной области, показаны на рисунке 2. Предположительно, если идентифицированная функциональная область была функционально однородной, то в лучшем случае мы бы увидели каждый воксель в пределах области, связанный с каждым другим вокселем в пределах области, или, в худшем случае, мы увидели бы распределение степеней, соответствующее кривой нормального распределения. Однако на рисунке 2 показано, что не каждый воксел связан с каждым другим вокселем в предполагаемой области интереса, и распределение степеней внутри самой области интереса не является равномерным распределением.Вместо этого он следует усеченному степенному закону. Кроме того, если ROI был функционально однородным, то кластеризация должна быть близка к значению, равному единице для каждого узла в регионе. Однако рисунок 2 показывает, что это не так. Вместо этого существует широкое распределение значений кластеризации для тех вокселей, которые содержатся в ROI. Наконец, если ROI была функционально однородной, то средняя длина пути должна быть близка к единице (или точно единице) для всех вокселей в ROI, как Wig et al.(2011) предложили. Однако данные показывают, что для перехода от одного вокселя к другому в пределах области интереса часто требуется много шагов.

    Рис. 2. На этом рисунке показана слуховая ROI ( T > 10), определенная в предыдущем исследовании активации, во время которого испытуемые подвергались воздействию вспышек белого шума с частотой 2 Гц, чередовавшихся с тишиной. Испытуемые должны были идентифицировать тон с частотой 500 Гц, случайно включенный в белый шум. Предположительно, если бы идентифицированная функциональная область была функционально однородной, то в лучшем случае мы бы увидели бы каждый отдельный воксель в пределах области, связанный с каждым другим вокселем в пределах области, или в худшем случае мы бы увидели бы распределение степеней по нормальной кривой.Однако этот рисунок показывает, что не каждый воксел связан со всеми другими вокселями в предполагаемой области интереса, и распределение степеней внутри самой области интереса не является равномерным распределением. Вместо этого значительное количество вокселей в каждой области интереса имеет относительно мало соединений с другими вокселями в пределах области интереса, а распределение степеней следует степенному закону распределения вместо нормального распределения. Кроме того, если ROI был функционально однородным, то кластеризация должна быть близка к значению, равному единице для каждого узла в регионе.Однако этот рисунок показывает, что это не так. Вместо этого существует широкое распределение значений кластеризации для тех вокселей, которые содержатся в ROI. Наконец, если ROI был функционально однородным, то средняя длина пути должна быть близка к единице (или точно единице) для всех вокселей в ROI. Однако этот рисунок показывает, что для перехода от одного воксела к другому в пределах области интереса часто требуется много шагов. На этом рисунке также показано распределение степеней, длина пути и кластеризация для всех вокселей в пределах идентифицированной области интереса, но без отбрасывания всех других вокселей за пределами предполагаемой функциональной области.Понятно, что разные субъединицы (воксели) в предполагаемой слуховой ROI могут выполнять очень разные функции в отношении глобальной топологии сети.

    Чтобы дополнительно продемонстрировать неоднородность вокселей в этой области, мы рассчитали распределение степеней, длину пути и кластеризацию для всех вокселей со всей воксельной сетью мозга (рис. 2). Результаты показывают огромное разнообразие возможностей соединения между вокселями в пределах этой предполагаемой функциональной области. Такое разнообразие может быть критичным для самых разных функций в отношении глобальной топологии сети.Фактически, многие вокселы в пределах идентифицированных областей интереса имеют более короткие пути к вокселям вне области интереса, чем к вокселям внутри области интереса.

    Те, кто использует метааналитический подход, могут ответить, что координаты пиковой активности, представленные самой сферой, адекватно отражают свойства предполагаемой функциональной области. Таким образом, было бы важно только, чтобы сферы были функционально однородными. Хотя очевидно, что слуховой ROI не является функционально однородным, и, таким образом, метааналитический метод в этом отношении не работает, также можно показать, что даже сами сферы не являются функционально однородными.Используя те же данные, мы случайным образом выбрали шесть разных координат, определенных Power et al. (2011) как места пиковой активности предполагаемых функциональных областей, расположенных в пределах слуховой ROI. Узлы были представлены в виде кубов длиной 9 мм (относительно небольшой размер среди исследований, в которых использовались кубы или сферы), и в каждом узле содержалось в общей сложности 27 вокселей. На рис. 3 показано распределение всех вокселей внутри каждого куба. Ни один из вокселей ни в одном из шести кубов не имеет общего ребра со всеми другими вокселями внутри куба.Фактически, во всех кубах есть только 2 вокселя, которые связаны с 20 из 26 возможных других вокселей. Большинство вокселей имеют 10 или меньше соединений с потенциально 26 другими вокселями. Следовательно, неверно, что «все вокселы в функциональной области, несомненно, разделяют друг друга».

    Рис. 3. На этом рисунке показаны соответствующие распределения степеней 6 различных кубов, состоящих из 27 вокселей каждый, в координатах, предоставленных (Power et al., 2011). Размер каждого куба меньше, чем типичная сфера в литературе, поэтому, если все воксели в каждой сфере не имеют очень одинаковых высоких степеней внутри сферы, тогда неразумно использовать какие-либо сферы для представления функциональных областей. Несмотря на то, что в каждой сфере содержится 27 вокселей, максимальная степень 5 из 6 сфер не превышает 10. Кроме того, в 5 из 6 сфер есть по крайней мере один воксель, который не связан (сильно коррелированный ) с любыми другими вокселями в сфере.

    Кроме того, нет убедительных доказательств того, что графические измерения, сфокусированные на связности отдельных вокселей в более крупных областях, будут искажены из-за неправильного представления областей как функции содержащихся в них вокселей. Также нет никаких оснований полагать, что меры, описывающие глобальные свойства графа, будут искажены из-за неправильного представления областей как функции содержащихся в них вокселей. Независимо от того, как представлена ​​предполагаемая функциональная область, части ткани мозга в функциональной области обладают очень разными свойствами.Рассматривая эти предполагаемые функционально однородные «единицы» как единый узел в функциональной сети мозга, исследователи не смогут увидеть разные свойства в разных субрегионах самой функциональной области. Таким образом, изменение свойств вокселей в функциональных областях все еще заслуживает исследования. Фактически, используя воксельный подход, можно объективно обнаружить функциональные пространственные различия различных размеров у отдельных субъектов, без необходимости прибегать к накоплению произвольного набора ранее существовавших традиционных исследований фМРТ — процесс, по сути своей склонный к экспериментатору. предвзятость и ошибка — чтобы определить предполагаемые функциональные области.Кроме того, воксельный подход позволяет предполагаемым функциональным областям изменяться в зависимости от людей, условий, состояний и времени. Метааналитический подход предполагает, что функциональные области уже существуют и не меняются.

    Использование меньших сфер или кубов для представления более крупных функциональных областей или простой выбор частичного набора областей мозга для сетевого анализа не позволит включить все пространство мозга с обнаруживаемым сигналом в сетевой анализ. Следовательно, такие подходы, вероятно, искажают локальные и глобальные сетевые меры и не могут воспользоваться отличительными преимуществами сетевого подхода.Связь между всеми областями мозга можно оценить одновременно с помощью сетевой науки. Это невероятный шаг вперед в нейробиологических исследованиях. До 2005 года исследователи ограничивались оценкой связи между несколькими выбранными областями одновременно. Несмотря на свою ценность, такие анализы не позволяют исследователям исследовать, как та или иная область вписывается в общую сетевую организацию. Очевидные преимущества изучения того, как конкретная область вписывается в общую организацию сети, можно проиллюстрировать, исследуя эффективность информационного потока в сети (см. Рисунок 4).Изучая связь исключительно между 4 различными областями мозга в более крупной сети, можно было бы иметь представление о том, как эти четыре области взаимодействуют друг с другом, но было бы невозможно узнать, как эффективность других областей мозга обеспечивает альтернативные пути передачи информации. На рисунке 4 показано, как выводы анализа связности для выбранной группы регионов могут кардинально отличаться от анализа всего мозга. Каждая часть забытого пространства мозга потенциально может способствовать нескольким функциям сети в целом.Тот факт, что все возможные связи включены в сетевой анализ, гарантирует, что возможность подключения как в целом мозга, так и между регионами может быть точно оценена. Ведь все схемы узлового определения должны допускать значимую интерпретацию как локальных, так и глобальных показателей.

    Рис. 4. Сетевой анализ отдельного пациента в состоянии покоя на основе 90-узлового анализа AAL. Сеть из 90 узлов была выбрана потому, что ее легко визуально представить как единое целое.На рисунке показано, как выводы сетевого анализа, в котором не используются все узлы мозга, могут резко отличаться от анализа всего мозга. (A) Если рассматривать только синие узлы (без учета остальной части сети), существует ограниченное соединение между четырьмя узлами (черные линии). Чтобы перейти от узла 1 к узлу 4, требуется три шага. (B) Однако, когда включена вся сеть, можно увидеть другие узлы (зеленые узлы), которые подключаются к двум или более синим узлам. Через зеленые узлы видны новые пути между синими узлами.Теперь есть три разных пути через зеленый узел (каждый обведен голубым кружком), так что узел 1 может достичь узла 4 за два шага.

    Все подходы, которые определяют предполагаемую рентабельность инвестиций в исследованиях функциональной активации, фундаментально ограничены текущей доступностью и широтой исследований изображений (Wig et al., 2011, 2013). Набор задач, используемых для определения предполагаемых функциональных областей, значительно варьируется от исследователя к исследователю. Например, Wang et al. (2011) использовали 5 различных задач, в том числе: обработку ошибок, режим по умолчанию, память, язык и сенсомотор.Напротив, Power et al. (2011) использовали 9 различных задач, в том числе: нажатие кнопки, генерация глагола, чтение, длительная деактивация, вызванная задачей, временная деактивация, вызванная задачей, длительная активация блока задачи, активация блока задачи по сигналу, комиссия при ошибке и извлечение памяти. Мало того, что трудно или, возможно, невозможно сравнивать такие разные сети мозга (Honey et al., 2009; Kaiser, 2011), но также нет оснований предполагать, что какой-то конкретный набор задач лучше, чем другой.Набор задач, использованный Wang et al. (2011) не включают в себя какие-либо пространственно перекрывающиеся ROI, что сводит на нет проблему случайного (и, следовательно, произвольного) удаления вторгающихся ROI или пространственного усреднения определенных ROI из-за вторжения. Однако набор задач, использованный Power et al. (2011) является более всеобъемлющим и, вероятно, дает более полное описание фокусов активации мозга. Тем не менее, включение только 9 различных задач для определения всех функциональных областей в мозге может дать только неполное описание местоположения и степени всех предполагаемых функциональных областей, тем более что так много идентифицированных областей интереса были либо случайно удалены, либо пространственно усреднены вместе.Нет никаких нейробиологических причин предполагать, что пики активации, установленные путем анализа данных из 9 видов задач, будут применимы ко всем типам задач. Ни один набор задач не следует считать законченным или исчерпывающим.

    Важно отметить, что по мере того, как в метаанализ включается все больше задач, становится все более и более вероятным совпадение предполагаемых функциональных областей. Например, включив в метаанализ всего 9 различных задач для определения узлов, Power et al. (2011) пришлось усреднить 171 предполагаемую рентабельность инвестиций (представленных сферами в координатах пиковой активности), потому что они вторгаются друг в друга.Предположительно, более крупный и полный корпус вызванных задачей данных фМРТ будет содержать гораздо больше перекрывающихся узлов. И по мере того, как кто-то продвигается к включению более «полного» набора данных фМРТ, вызванных заданием, для определения предполагаемых функциональных областей, тогда все области мозга коллективно станут фокусами активации. По мере того, как собирается больше данных, связанных с задачами, все больше и больше сфер будут пространственно вторгаться друг в друга, что потребует от исследователей случайного удаления вторгающихся ROI или пространственно усредненных вторгающихся ROI.Оба варианта не могут точно представить сеть.

    Помимо вопросов индивидуальной изменчивости, мы утверждаем, что подход функциональной активации не может быть применен к интервенционным исследованиям, продольным наблюдательным исследованиям или исследованиям, которые исследуют сети мозга популяций с особой физиологией мозга. Паттерны нейронной активности в ответ на различные требования задачи значительно меняются на протяжении жизни (Stiles, 2008; Power et al., 2010; Vogel et al., 2010), и в литературе полно исследований, показывающих различные паттерны активации мозга в разных популяциях пациентов. Координаты пиковой активности предполагаемых функциональных областей, идентифицированных с помощью этого подхода у субъектов в пределах определенной возрастной группы или диагностической категории, могут не передаваться субъектам в другой возрастной группе или диагностической категории.

    В отличие от подходов функциональной активации, использование воксельного подхода позволяет проводить беспристрастное и беспристрастное исследование как межрегиональной, так и внутрирегиональной связи.Следовательно, воксельный метод может раскрыть новую информацию об организации сети, не полагаясь на произвольный набор ранее существовавших традиционных исследований фМРТ, связанных с задачами. Сетевая наука имеет огромное обещание рассказать нам что-то новое о функциональной природе мозга. Однако традиционные исследования фМРТ выявляют линейную связь между задачей и активностью мозга. Если сетевые научные исследования мозга ограничиваются результатами традиционной фМРТ, то они не смогут дать мало информации, кроме того, что уже было обнаружено.Подход сетевой науки открывает огромные перспективы для выявления новых взаимосвязей в мозге, но это невозможно, если мы ограничимся тем, что уже продемонстрировали предыдущие несетевые анализы фМРТ (Telesford et al., 2011).

    Заключение

    В этой рукописи были рассмотрены основные схемы, которые в настоящее время используются для определения узлов в функциональных сетях мозга: воксельный, анатомический атлас и метааналитический метод функциональной активации. Мы утверждаем, что воксельные сети с наибольшей вероятностью приведут к новым открытиям неизвестных свойств мозга.Другие методы ограничены априорными знаниями и, следовательно, ограничивают нашу способность делать новые открытия. Воксельные сети имеют разрешение, позволяющее идентифицировать ключевые сетевые узлы, которые заключены в более крупные анатомические области. Воксельные сети также позволяют обнаруживать ключевые узлы, которые не расположены в предполагаемой функциональной единице. В целом, воксельный метод основан на данных и позволяет делать открытия, которые не могут быть достигнуты другими методами.Несомненно, существуют ограничения для воксельного подхода, но мы считаем, что доказательства этих потенциальных ограничений в настоящее время скудны и что сильные стороны воксельного подхода перевешивают потенциальные недостатки.

    Существует фундаментальная разница в лежащих в основе принятых предпосылках между теми, кто занимается анализом сетей мозга (теория сложности), и теми, кто выполняет функциональное картирование мозга (редукционизм). Применение априорной информации из предыдущих исследований, основанных на исследованиях анатомии или активации мозга, ограничивает анализ сетей мозга открытиями, сделанными в этих областях.Такие методы, несомненно, поддержат прошлые исследования локализации функции, поскольку узлы основаны на таких исследованиях. Если цель состоит в том, чтобы просто воспроизвести предыдущие результаты с помощью нового метода, то на достижение этой цели следует направлять гораздо меньше усилий. Если целью является открытие новых принципов и организации человеческого мозга, исследователи не должны быть привязаны к результатам прошлой работы. Если сетевые исследования не воспроизводят прошлые открытия фМРТ или не подтверждают взаимосвязи структура-функция, которые были связаны с анатомией мозга, то либо мы открываем новые вещи о том, как работает мозг, либо мы ошибаемся.Мы должны изучить эти две возможности и признать, что все наши модели ошибочны и что новые идеи, исходящие из сетевой науки, приближают нас к истине о мозге. Лакмусовой бумажкой станет то, позволяет ли исследование мозговой сети лучше понять поведение человека, болезни мозга, клинические методы лечения и психику. Тест не должен заключаться в том, подтверждают ли мозговые сети то, что мы уже думаем о мозге, потому что на этом этапе наше понимание человеческого мозга довольно тривиально.

    Почему бы не использовать подход, который не включает априорных предположений о функциональных субъединицах мозга? Мы слышали аргумент, что без априорных предположений мы не можем понять и интерпретировать результаты. Многие спрашивают, что означают полученные данные по отношению ко всем предыдущим исследованиям нейробиологии. Мы бы предложили ответить, что не следует искажать свои результаты концепциями, которые могут сдерживать поле. Почему бы не посмотреть, может ли сетевая наука коренным образом изменить наше представление о мозге и его функциях, потому что это принципиально новый способ мышления.Он не предполагает, что определенные ткани мозга являются статическими функциональными единицами. Скорее, это позволяет динамическому мозгу, способному выполнять сложные функции, которые являются новыми сетевыми особенностями системы. Мы считаем, что взгляд на «статическую функциональную единицу» более ошибочен, чем непредвзятый динамический взгляд. Мы признаем, что последняя точка зрения (то есть подход, основанный на вокселях) также ошибочна, но давайте не будем сковывать эти новые методы с помощью прошлых методологий.

    Мы утверждаем, что не было разработано никакой схемы узловой разбивки, которая способна предоставить ценную информацию помимо того, что уже продемонстрировал воксельный подход.Кроме того, поскольку воксельный подход не требует реализации каких-либо априорных предположений относительно того, что составляет «правильный» узел, подход принципиально беспристрастен. Таким образом, такой подход позволяет данным говорить сами за себя. Хотя мы утверждали, что воксельный метод определения узлов в функциональных сетях мозга является лучшим методом, чем другие доступные варианты, «лучший» метод, который следует использовать, остается открытым вопросом, заслуживающим обсуждения и дополнительных исследований.Однако рецензенты чаще отклоняют рукописи, которые не используют метод, который они считают подходящим, вместо того, чтобы обсуждать их. Этот обзор должен был стать шагом вперед в стимулировании обсуждения. Очень важно признать тот факт, что абсолютно правильная схема разделения остается загадкой, и возможно, что несколько различных схем разделения, разработанных в будущем, будут ценными и значимыми для выяснения различных свойств сети.

    Заявление о конфликте интересов

    Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

    Благодарности

    Работа частично поддержана Национальным институтом злоупотребления алкоголем и алкоголизмом (AA021639), Центром трансляционных наук Университета Уэйк-Форест, Центром независимости пожилых американцев Уэйк-Форест (P30 21332), Национальным институтом злоупотребления алкоголем и алкоголизмом (T32-AA007565) ) и Sticht Center on Aging.

    Дополнительные материалы

    Дополнительные материалы к этой статье можно найти в Интернете по адресу: http: //www.frontiersin.org / journal / 10.3389 / fncom.2013.00169 / abstract

    Список литературы

    Achard, S., Delon-Martin, C., Vértes, P.E., Renard, F., Schenck, M., Schneider, F., et al. (2012). Хабы функциональных сетей мозга у пациентов в коматозном состоянии радикально реорганизованы. Proc. Natl. Акад. Sci. США . 109, 20608–20613. DOI: 10.1073 / pnas.1208933109

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Александр-Блох, А. Ф., Вертес, П. Э., Стид, Р., Лалонд, Ф., Clasen, L., Rapoport, J., et al. (2013). Анатомическое расстояние функциональных связей позволяет прогнозировать топологию сети мозга при здоровье и шизофрении. Cereb. Cortex 23, 127–138. DOI: 10.1093 / cercor / bhr388

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Александр-Блох, А., Ламбиотт, Р., Робертс, Б., Гедд, Дж., Гогтей, Н., и Буллмор, Э. (2012). Открытие популяционных различий в структуре сетевого сообщества: новые методы и приложения к функциональным сетям мозга при шизофрении. Neuroimage 59, 3889–3900. DOI: 10.1016 / j.neuroimage.2011.11.035

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Барнс, К. А., Коэн, А. Л., Пауэр, Дж. Д., Нельсон, С. М., Дозенбах, Ю. Б. Л., Миезин, Ф. М. и др. (2010). Идентификация отделов базальных ганглиев у людей с использованием функциональной связи в состоянии покоя, M. R. I. Front. Syst. Neurosci . 4:18. DOI: 10.3389 / fnsys.2010.00018

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Барнс, К.А., Нельсон, С. М., Коэн, А. Л., Пауэр, Дж. Д., Коулсон, Р. С., Мизин, Ф. М. и др. (2012). Парселляция в левой боковой теменной коре одинакова у взрослых и детей. Cereb. Cortex 22, 1148–1158. DOI: 10.1093 / cercor / bhr189

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Бисвал Б. Б., Килен Дж. В. и Хайд Дж. С. (1997). Одновременная оценка потока и сигналов BOLD в функциональных картах связности в состоянии покоя. ЯМР Биомед .10, 165–170. DOI: 10.1002 / (SICI) 1099-1492 (199706/08) 10: 4/5 <165 :: AID-NBM454> 3.0.CO; 2-7

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Бисвал Б., Зеррин Йеткин Ф., Хотон В. М. и Хайд Дж. С. (1995). Функциональная связность в моторной коре головного мозга человека в состоянии покоя с использованием эхо-планарной МРТ. Magn. Резон. Мед . 34, 537–541. DOI: 10.1002 / mrm.1

    0409

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Блюменсат, Т., Джбабди, С., Глассер, М. Ф., Ван Эссен, Д. К., Угурбил, К., Беренс, Т. Е. Дж. И др. (2013). Пространственно ограниченное иерархическое разделение мозга с помощью фМРТ в состоянии покоя. Neuroimage 76, 313–324. DOI: 10.1016 / j.neuroimage.2013.03.024

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Брайт, М. Г., и Мерфи, К. (2013). Устранение движения и физиологических артефактов от собственных BOLD-колебаний с использованием коротких эхо-данных. Neuroimage 64, 526–537.DOI: 10.1016 / j.neuroimage.2012.09.043

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Бакнер, Р. Л., Сепулькр, Дж., Талукдар, Т., Кринен, Ф. М., Лю, Х., Хедден, Т. и др. (2009). Корковые узлы, выявленные внутренней функциональной связностью: картирование, оценка стабильности и связь с болезнью Альцгеймера. Дж. Neurosci . 29, 1860–1873. DOI: 10.1523 / JNEUROSCI.5062-08.2009

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Чифтчи, К.(2011). Минимальное связующее дерево отражает изменения сети режима по умолчанию во время болезни Альцгеймера. Ann. Биомед. Eng . 39, 1493–1504. DOI: 10.1007 / s10439-011-0258-9

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Коэн А. Л., Фэйр Д. А., Дозенбах Н. У. Ф., Мизин Ф. М., Диркер Д., Ван Эссен Д. К. и др. (2008). Определение функциональных областей в мозгу человека с помощью МРТ функциональной связности в состоянии покоя. Neuroimage 41, 45–57.DOI: 10.1016 / j.neuroimage.2008.01.066

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Крэддок, Р. К., Джеймс, Г. А., Хольцхаймер, П. Э., Ху, Х. П., и Майберг, Х. С. (2012). Атлас фМРТ всего мозга, созданный с помощью пространственно ограниченной спектральной кластеризации. Гум. Мозговая карта . 33, 1914–1928. DOI: 10.1002 / hbm.21333

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Дэвис, Ф. К., Кнодт, А. Р., Спорнс, О., Лахи, Б. Б., Зальд Д. Х., Бриджиди Б. Д. и др. (2013). Импульсивность и модульная организация нейронных сетей в состоянии покоя. Cereb. Cortex 23, 1444–1452. DOI: 10.1093 / cercor / bhs126

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Дозенбах, Н. У. Ф., Фэйр, Д. А., Миезин, Ф. М., Коэн, А. Л., Венгер, К. К., Дозенбах, Р. А., и др. (2007). Четкие сети мозга для адаптивного и стабильного управления задачами у людей. Proc. Natl. Акад. Sci. США .104, 11073–11078. DOI: 10.1073 / pnas.0704320104

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Фэйр, Д. А., Дозенбах, Н. У. Ф., Черч, Дж. А., Коэн, А. Л., Брамбхат, С., Миезин, Ф. М. и др. (2007). Развитие отдельных сетей управления через сегрегацию и интеграцию. Proc. Natl. Акад. Sci. США . 104, 13507–13512. DOI: 10.1073 / pnas.0705843104

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Поле, А.С., Йен, Й.-Ф., Бурдетт, Дж. Х. и Эльстер, А. Д. (2000). Ложная церебральная активация на функциональных МРТ-изображениях BOLD: исследование движения с низкой амплитудой, слабо коррелированное со стимулом. Am. Ж. Нейрорадиол . 21, 1388–1396.

    Pubmed Реферат | Pubmed Полный текст

    Форнито А., Юн Дж., Залески А., Буллмор Э. Т. и Картер К. С. (2011). Общие и специфические нарушения функциональной связности при первом эпизоде ​​шизофрении во время выполнения когнитивного контроля. Biol.Психиатрия 70, 64–72. DOI: 10.1016 / j.biopsych.2011.02.019

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Форнито А., Залески А. и Буллмор Э. Т. (2010). Эффекты масштабирования сети в графоаналитических исследованиях данных FMRI в состоянии покоя человека. Фронт. Syst. Neurosci . 4:22. DOI: 10.3389 / fnsys.2010.00022

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Фристон, К. Дж. (1994). Функциональная и эффективная связь в нейровизуализации: синтез. Гум. Мозговая карта . 2, 56–78. DOI: 10.1002 / HBM.460020107

    CrossRef Полный текст

    Hagmann, P., Cammoun, L., Gigandet, X., Meuli, R., Honey, C.J., Wedeen, V.J., et al. (2008). Картирование структурного ядра коры головного мозга человека. PLoS Biol .6: e159. DOI: 10.1371 / journal.pbio.0060159

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Хаясака С., Лауриенти П. Дж. (2010). Сравнение характеристик регионального и воксельного сетевого анализа в данных фМРТ в состоянии покоя. Neuroimage 50, 499–508. DOI: 10.1016 / j.neuroimage.2009.12.051

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Хани, К. Дж., Спорнс, О., Каммун, Л., Жиганде, X., Тиран, Дж. П., Меули, Р. и др. (2009). Прогнозирование функциональной связности человека в состоянии покоя на основе структурной связности. Proc. Natl. Акад. Sci. США . 106, 2035–2040. DOI: 10.1073 / pnas.0811168106

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Лили, Д.Т. Дж. И Райт Дж. Дж. (1994). Внутрикортикальная связь пирамидных и звездчатых клеток: оценки синаптических плотностей и симметрии связи. Сеть 5, 175–189. DOI: 10.1088 / 0954-898X / 5/2/004

    CrossRef Полный текст

    Ли X., Маррелек Г., Гесс Р. Ф. и Бенали Х. (2010). Метод нелинейной идентификации для изучения эффективных соединений при функциональной МРТ. Med. Изображение Анал . 14, 30–38. DOI: 10.1016 / j.media.2009.09.005

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Лю Дж., Qin, W., Yuan, K., Li, J., Wang, W., Li, Q., et al. (2011). Взаимодействие между дисфункциональной связностью в покое и ответами мозга, вызванными героиновыми сигналами, у мужчин, воздерживающихся от употребления алкоголя, зависимых от героина. PLoS ONE 6: e23098. DOI: 10.1371 / journal.pone.0023098

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Ломанн, Г., Стельцер, Дж., Нойман, Дж., Эй, Н., и Тернер, Р. (2013). «Больше другое» в функциональной магнитно-резонансной томографии: обзор новейших методов анализа данных. Brain Connect . 3, 223–239. DOI: 10.1089 / brain.2012.0133

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Lord, L.-D., Allen, P., Expert, P., Howes, O., Lambiotte, R., McGuire, P., et al. (2011). Характеристика роли передней поясной извилины в психическом состоянии группы риска с использованием теории графов. Neuroimage 56, 1531–1539. DOI: 10.1016 / j.neuroimage.2011.02.012

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Lynall, М.-Э., Бассет, Д. С., Кервин, Р., Маккенна, П. Дж., Кицбихлер, М., Мюллер, У. и др. (2010). Функциональная связь и сети мозга при шизофрении. Дж. Neurosci . 30, 9477–9487. DOI: 10.1523 / JNEUROSCI.0333-10.2010

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Медоуз, Д. Х., и Райт, Д. (2008). Системное мышление: учебник . Уайт-Ривер-Джанкшн, Вирджиния: Chelsea Green Pub.

    Мамфорд, Дж. А., Хорват, С., Олдхэм, М.К., Лангфельдер, П., Гешвинд, Д. Х., и Полдрак, Р. А. (2010). Обнаружение сетевых модулей во временных рядах фМРТ: подход к взвешенному сетевому анализу. Neuroimage 52, 1465–1476. DOI: 10.1016 / j.neuroimage.2010.05.047

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Нельсон, С. М., Коэн, А. Л., Пауэр, Дж. Д., Виг, Г. С., Мизин, Ф. М., Уиллер, М. Е. и др. (2010). Схема парцелляции левой боковой теменной коры головного мозга человека. Нейрон 67, 156–170.DOI: 10.1016 / j.neuron.2010.05.025

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Номура, Э. М., Граттон, К., Виссер, Р. М., Кайзер, А., Перес, Ф., и Д’Эспозито, М. (2010). Двойная диссоциация двух сетей когнитивного контроля у пациентов с очаговыми поражениями головного мозга. Proc. Natl. Акад. Sci. США . 107, 12017–12022. DOI: 10.1073 / pnas.1002431107

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Пайффер, А.М., Хугеншмидт, К.E., Maldjian, J. A., Casanova, R., Srikanth, R., Hayasaka, S., et al. (2009). Старение и взаимодействие сенсорной корковой функции и структуры. Гум. Мозговая карта . 30, 228–240. DOI: 10.1002 / hbm.20497

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Пауэр, Дж. Д., Коэн, А. Л., Нельсон, С. М., Виг, Г. С., Барнс, К. А., Черч, Дж. А. и др. (2011). Функциональная сетевая организация человеческого мозга. Нейрон 72, 665–678. DOI: 10.1016 / j.нейрон.2011.09.006

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Риш, И., Чекки, Г., Тиро, Б., Тирион, Б., Плейз, М., Пайлер-Мартино, М. Л. и др. (2013). Шизофрения как сетевая болезнь: нарушение работы мозга у пациентов со слуховыми галлюцинациями. PLoS ONE 8: e50625. DOI: 10.1371 / journal.pone.0050625

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Rzucidlo, J. K., Roseman, P.Л., Лауриенти П. Дж. И Дагенбах Д. (2013). Стабильность топологии всего мозга и региональной сети в состоянии покоя и когнитивном состоянии и между ними. PLoS ONE 8: e70275. DOI: 10.1371 / journal.pone.0070275

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Смит, С. М., Миллер, К. Л., Салими-Хоршиди, Г., Вебстер, М., Бекманн, К. Ф., Николс, Т. Е. и др. (2011). Методы сетевого моделирования для FMRI. Neuroimage 54, 875–891. DOI: 10.1016 / j.нейровизуализация.2010.08.063

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Стивенс А. А., Таппон С. С., Гарг А. и Фэйр Д. А. (2012). Функциональная модульность мозговой сети позволяет улавливать меж- и внутриличностные различия в объеме рабочей памяти. PLoS ONE 7: e30468. DOI: 10.1371 / journal.pone.0030468

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Дж. Стайлз (2008). Основы развития мозга: объединение природы и воспитания .Кембридж, Массачусетс: Издательство Гарвардского университета.

    Супекар К., Менон В., Рубин Д., Мусен М. и Грейциус М. Д. (2008). Сетевой анализ внутренней функциональной связи мозга при болезни Альцгеймера. PLoS Comput. Биол . 4: e1000100. DOI: 10.1371 / journal.pcbi.1000100

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Телесфорд, К. К., Симпсон, С. Л., Бёрдетт, Дж. Х., Хаясака, С., и Лауриенти, П. Дж. (2011). Мозг как сложная система: использование сетевой науки как инструмента для понимания работы мозга. Brain Connect . 1, 295–308. DOI: 10.1089 / brain.2011.0055

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Тока, Дж., Хе, Ю. и Эванс, А. К. (2012). Влияние плотности выборки на анализ корковой сети: области или точки. Magn. Резон. Imaging 30, 978–992. DOI: 10.1016 / j.mri.2012.02.029

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Тоулсон, Э. К., Вертес, П. Э., Анерт, С. Э., Шафер, В.Р., и Буллмор, Э. Т. (2013). Богатый клуб коннектома нейронов C. elegans . Дж. Neurosci . 33, 6380–6387. DOI: 10.1523 / JNEUROSCI.3784-12.2013

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Tzourio-Mazoyer, N., Landeau, B., Papathanassiou, D., Crivello, F., Etard, O., Delcroix, N., et al. (2002). Автоматическая анатомическая маркировка активаций в SPM с использованием макроскопической анатомической парцелляции головного мозга одного пациента MNI MRI. Neuroimage 15, 273–289. DOI: 10.1006 / nimg.2001.0978

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    van den Heuvel, M. P., Stam, C.J., Boersma, M., and Hulshoff Pol, H.E. (2008). Небольшой мир и безмасштабная организация функциональной связи состояния покоя на основе вокселей в человеческом мозге. Neuroimage 43, 528–539. DOI: 10.1016 / j.neuroimage.2008.08.010

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Фогель, А.К., Пауэр Дж. Д., Петерсен С. Э. и Шлаггар Б. Л. (2010). Развитие функциональной сетевой архитектуры мозга. Neuropsychol. Ред. . 20, 362–375. DOI: 10.1007 / s11065-010-9145-7

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Wang, J., Wang, L., Zang, Y., Yang, H., Tang, H., Gong, Q., et al. (2009). Функциональные сети мозга малого мира, зависящие от парцелляции: исследование с помощью фМРТ в состоянии покоя. Гум. Мозговая карта . 30, 1511–1523. DOI: 10.1002 / hbm.20623

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Ван Дж., Цзо, X.-Н., Гохель, С., Милхэм, М. П., Бисвал, Б. Б., и Хе, Ю. (2011). Графический теоретический анализ функциональных мозговых сетей: оценка повторного тестирования краткосрочных и долгосрочных данных функциональной МРТ в состоянии покоя. PLoS ONE 6: e21976. DOI: 10.1371 / journal.pone.0021976

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Парик, Г. С., Лауманн, Т. О., Коэн, А. Л., Пауэр, Дж. Д., Нельсон, С. М., Глассер, М. Ф. и др. (2013). Разделение корковых и подкорковых структур головного мозга отдельного субъекта с использованием снежного кома выборки корреляций состояния покоя. Cereb. Cortex DOI: 10.1093 / cercor / bht056. [Epub перед печатью].

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Парик, Г. С., Шлаггар, Б. Л., и Петерсен, С. Е. (2011). Концепции и принципы анализа мозговых сетей. Ann.N.Y. Acad. Sci . 1224, 126–146. DOI: 10.1111 / j.1749-6632.2010.05947.x

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Залески А., Форнито А., Хардинг И. Х., Кокки Л., Юсель М., Пантелис К. и др. (2010b). Анатомические сети всего мозга: имеет ли значение выбор узлов. Neuroimage 50, 970–983. DOI: 10.1016 / j.neuroimage.2009.12.027

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Чжан, З., Ляо, В., Chen, H., Mantini, D., Ding, J.-R., Xu, Q., et al. (2011). Измененная функционально-структурная связь крупномасштабных мозговых сетей при идиопатической генерализованной эпилепсии. Мозг 134, 2912–2928. DOI: 10.1093 / brain / awr223

    Pubmed Реферат | Pubmed Полный текст | CrossRef Полный текст

    Рейтинг узлов в сетях — ESE 303

    Граф — это структура, состоящая из вершин и ребер. Формально рассмотрим набор вершин с элементами и набор ребер, составленный из упорядоченных пар элементов.График определяется наборами и. В графе, показанном на рис. 1, вершины представлены кружками, а ребра — стрелками. Множество вершин есть, а множество ребер есть. Мы будем использовать для обозначения количества вершин в графе и, хотя формально это не требуется, мы будем индексировать вершины как.

    Интерес к графам заключается в том, что они являются естественными моделями сетей. Если мы интерпретируем вершины как лица, а ребра как представляющие отношение «считает друга», граф является моделью социальной сети.Если вершины обозначают сотрудников, а ребра — отношение «хозяин», граф представляет иерархию корпорации. Если учесть, что вершины представляют собой веб-страницы, а ребра — ссылки со страницы на страницу, то граф является моделью Интернета. Или, если вершины связаны с научными статьями, а ребра — с действием «статья цитирует статью», граф моделирует сеть научных знаний.

    Важной проблемой в сетях является определение важности узла по отношению к другим элементам сети.Существуют разные способы определения важности, но один из них имеет широкое применение — это ранжирование узлов в соответствии с их степенью связности. Подумайте, например, о сети научных статей. Вполне вероятно, что статья, получившая сотни ссылок, важнее, чем статья без каких-либо ссылок. На графике на рис. 1 этот аргумент подразумевает разумный вывод, что узел 6, на который указывают 4 и 5, более важен, чем узел 1, у которого отсутствует входящая ссылка.

    Рисунок 1 .Сети естественно моделируются в виде графиков. Широко применимое определение важности узла — это его степень связности. Однако дело не только в подсчете количества ссылок, но и в размышлении о важности узлов, на которые указывают. Связь с узлом 4 более важна, чем ссылка от узла 1.

    При сравнении вершин 2 и 3 возникает интересная загадка. Хотя оба узла имеют только одно входящее соединение, кажется разумным ранжировать 3 выше, чем 2. Действительно, начните замечать. что 2 явно более важно, чем 1, потому что, хотя ни одна вершина не указывает на 1, 2, по крайней мере, указывает на узел 1.Из этого следует, что разумно рассматривать ссылку от узла 2, которую принимает 3, как более важную, чем ссылку от узла 1, которую получает 2, откуда следует, что ранг 3, вероятно, выше, чем ранг 2. Точно так же сравните узлы 4 и 5. Хотя на 5 указывают три узла, а на 4 указывают два узла, неясно, находится ли 5 ​​в лучшем положении, чем 4. На самом деле , вполне может быть, что 4 лучше позиционируется, чем 5, потому что совокупная важность двух узлов, которые указывают на нее, а именно 3 и 5, больше, чем совокупная важность трех узлов, которые указывают на 5, а именно 1, 2 и 4.

    Таким образом, ранг данного узла, скажем, измеренный с точки зрения степени связности, определяется набором узлов, которые указывают на него. Однако есть два свойства этого набора, которые определяют ранг:

    • (P1) Количество элементов в этом наборе.
    • (P2) Ранг членов этого набора.

    Взаимодополняемость свойств (P1) и (P2) наиболее очевидна в иерархической сети, такой как граф корпорации. На том же уровне иерархии лучше иметь больше прямых подчиненных — Свойство (P1), но чем выше в иерархии, тем лучше — Собственность (P2).Что касается веб-страниц, свойство (P1) подчеркивает важность наличия большого количества входящих ссылок, в то время как свойство (P2) указывает, что ссылки со страниц с высоким рейтингом более актуальны, чем ссылки с малоизвестных страниц.

    Учет имущества (P2) необходим, но сложен, потому что его определение основано на самооценке. Чтобы определить ранг узла, необходимо знать ранг других узлов в сети, который, в свою очередь, зависит от ранга рассматриваемого узла. Элегантным решением этой проблемы является использование случайного блуждания в графе, который мы опишем ниже.Модель случайного блуждания изначально была предложена для ранжирования научных работ, но ее наиболее популярным приложением является ранжирование веб-страниц поисковыми системами.

    Случайное блуждание по графу

    Представьте пользователя, который посещает страницу и случайным образом нажимает на любую ссылку страницы. Она повторяет этот процесс вечно. Какая часть его времени будет проводиться на данной странице? Ответ на этот вопрос — рейтинг, присвоенный странице. Эту же идею можно использовать для ранжирования узлов в любой из сетей, описанных выше.Говоря абстрактно, мы называем случайного веб-серфера совершающим случайное блуждание по графу. Ясно, что ранги, полученные по количеству посещений случайного пешехода, удовлетворяют свойствам (P1) и (P2). Время, затрачиваемое случайным блуждающим на узел, увеличивается, когда количество узлов, указывающих на него, увеличивается, как требуется Свойством (P1), и когда ранг узлов, на которые указывает, увеличивается, в соответствии со свойством (P2).

    Для формального определения проблемы ранга начало определения как окрестности -го узла, содержащей индексы, на которые указывает, i.е.,. Позвольте быть количество узлов в окрестности. Определите, наконец, как набор узлов, на которые указывают.

    Внешний агент одновременно приближается к произвольному узлу. Оттуда он переходит к одному из соседей по времени. Агент повторяет этот процесс до бесконечности. Если агент посещает узел во время, он будет посещать узел по соседству во время. Доля времени, которое агент тратит на посещение узла, определяется как ранг узла. Чтобы выразить это математически, определите индикаторную функцию со значением 1, когда агент посещает время, и 0 в противном случае.Тогда ранг узла определяется как

    .
     

    Поскольку мы рассматриваем равные вероятности перехода к любому соседу, вероятность перехода от узла к узлу равна

     

    Рисунок 2. Случайное блуждание по графику. Представьте агента, который посещает узел и переходит к произвольному переходу по любой из ссылок узла. Она повторяет этот процесс вечно. Какая часть его времени будет потрачена на данный узел? Ответом на этот вопрос является ранг, присвоенный странице

    , где, напомним, количество узлов в окрестности; см. рис.2. Теперь мы готовы построить алгоритм для вычислений. Мы начинаем со случайно выбранного узла и равновероятно перескакиваем на любой из соседних с ним узлов. Вероятность выбора любого из этих узлов равна. Мы повторяем этот процесс большое количество раз и отслеживаем количество посещений каждого узла. Затем рейтинг приблизительно определяется как отношение количества посещений узла к общему времени, то есть

    .
     

    Возможно, агент достигает тупикового узла без исходящего канала.В таком случае следующее посещение — это другой случайно выбранный узел. Это эквивалентно изменению начального графа для включения ссылок от тупиковых узлов ко всем остальным узлам графа.

    Это, безусловно, возможный алгоритм, но мы можем получить более быструю версию, используя тот факт, что эти случайные посещения могут быть смоделированы как цепь Маркова (MC)

    Цепи Маркова

    Обратите внимание, что вероятность посещения узла в определенный момент времени, учитывая, что в данный момент мы посещаем узел, не зависит от того, как мы достигли.Это базовое свойство без памяти подразумевает, что случайный процесс, состоящий из посещений узлов, является MC. Используя это наблюдение, можно построить более эффективный алгоритм вычисления рангов.

    Позвольте обозначить вероятность того, что внешний агент находится в узле в момент времени. Можно связать с вероятностями во времени тех узлов, в которые можно перейти. Скажем, в какое-то время агент находится на каком-то узле. Затем с вероятностью (обратите внимание на изменение субиндексов) агент переходит в момент времени.Взвешивая эту вероятность перехода по вероятности и суммируя по всем возможным переходам, мы можем написать

     

    , где во втором равенстве мы использовали это для всех узлов, на которые не ссылаются.

    Интересным свойством МК является существование предельных вероятностей при некоторых условиях, которые мы предполагаем выполненными. С помощью дополнительных условий можно дополнительно доказать, что имеет место свойство, называемое эргодичностью. Эргодичность подразумевает, что средние временные ограничения, поскольку тот, который требуется для вычисления рангов, совпадает с ожидаемой стоимостью интересующего события.Для рангов эргодичность подразумевает, что

     

    Тогда мы можем приравнять проблему вычисления рангов к вычислению предельных вероятностей. Альтернативный алгоритм для вычисления рангов узлов заключается в запуске обновления вероятности в \ eqref {eqn_prob_evolution_scalar} и приблизительно

     

    для достаточно большой. Последний алгоритм сходится намного быстрее, чем алгоритм, основанный на случайных посещениях. Результат применения этого алгоритма ранжирования к сети на рис.1 показан на рис. 3.

    Рисунок 3. График ранга. Ранжирование узлов согласно модели случайного агента составляет. На рисунке площадь кружков пропорциональна их рангу. Обратите внимание, что 4 имеет более высокий рейтинг, чем 5, несмотря на меньшее количество входящих ссылок. Это согласуется с тем фактом, что ссылки на 5 исходят от узлов с более низким рейтингом. Узлы

    В сетях связи узел является либо точкой подключения, либо точкой перераспределения, либо конечной точкой связи (некоторое оконечное оборудование).Определение узла зависит от упомянутого уровня сети и протокола. Физический сетевой узел — это активное электронное устройство, подключенное к сети и способное создавать, принимать или передавать информацию по каналу связи. Следовательно, пассивная точка распределения, такая как распределительная рамка или патч-панель, не является узлом.

    Узлы компьютерной сети

    При передаче данных физический сетевой узел может быть оборудованием передачи данных (DCE), например модемом, концентратором, мостом или коммутатором; или оконечное оборудование данных (DTE), такое как цифровая телефонная трубка, принтер или главный компьютер, например маршрутизатор, рабочая станция или сервер.

    Если рассматриваемая сеть является LAN или WAN, каждый узел LAN или WAN (которые являются, по крайней мере, устройствами канального уровня) должен иметь MAC-адрес, обычно по одному для каждого контроллера сетевого интерфейса, которым он обладает. Примерами являются компьютеры, коммутаторы пакетов, модемы xDSL (с интерфейсом Ethernet) и точки доступа к беспроводной локальной сети. Обратите внимание, что концентратор составляет физический сетевой узел, но не является сетевым узлом LAN, поскольку сеть с концентраторами логически является шинной. Аналогично, повторитель или модем PSTN (с последовательным интерфейсом) является физическим сетевым узлом, но не узлом LAN в этом смысле.

    Если рассматриваемой сетью является Интернет или Интранет, многие физические сетевые узлы являются хост-компьютерами, также известными как Интернет-узлы, идентифицируемыми по IP-адресу, и все хосты являются физическими сетевыми узлами. Однако некоторые устройства уровня канала передачи данных, такие как коммутаторы, мосты и точки доступа WLAN, не имеют IP-адреса хоста (за исключением случаев, когда они используются для административных целей) и считаются не узлами или хостами Интернета, а физическими сетевыми узлами и узлами LAN.

    Узлы телекоммуникационной сети

    В фиксированной телефонной сети узел может быть общественной или частной телефонной станцией, удаленным концентратором или компьютером, обеспечивающим некоторые интеллектуальные сетевые услуги. В сотовой связи точки переключения и базы данных, такие как контроллер базовой станции, домашний регистр местоположения, шлюзовой узел поддержки GPRS (GGSN) и обслуживающий узел поддержки GPRS (SGSN), являются примерами узлов. Базовые станции сотовой сети не считаются узлами в этом контексте.

    В системах кабельного телевидения (CATV) этот термин принял более широкий контекст и обычно ассоциируется с оптоволоконным узлом. Это можно определить как дома или предприятия в определенной географической области, которые обслуживаются с помощью обычного оптоволоконного приемника. Волоконно-оптический узел обычно описывается с точки зрения количества «пройденных домов», которые обслуживаются этим конкретным волоконно-оптическим узлом.

    Узлы распределенной системы

    Если рассматриваемая сеть является распределенной системой, узлами являются клиенты, серверы или одноранговые узлы.Одноранговый узел может иногда служить клиентом, иногда сервером. В одноранговой сети или в оверлейной сети узлы, которые активно маршрутизируют данные как для других сетевых устройств, так и для самих себя, называются супеузлами.

    Распределенные системы могут иногда использовать виртуальных узлов , чтобы система не забывала о неоднородности узлов. Эта проблема решается с помощью специальных алгоритмов, таких как последовательное хеширование, как в случае с Amazon.

    Конечный узел в облачных вычислениях

    В обширной компьютерной сети отдельные компьютеры на периферии сети, те, которые также не подключаются к другим сетям, и те, которые часто временно подключаются к одному или нескольким облакам, называются конечными узлами.Обычно в структуре облачных вычислений отдельный компьютер пользователя / клиента, который подключается к одному хорошо управляемому облаку, называется конечным узлом. Поскольку эти компьютеры являются частью сети, но не управляются хостом облака, они представляют значительные риски для всего облака.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *