# Pytanie 37: Modele sieci złożonych ## Pytanie **"Porównać podstawowe modele sieci złożonych. Jak odpowiadają one własnościom rzeczywistych sieci?"** Przedmiot: TASS (Technologie i Algorytmy dla Sieci Społecznościowych) --- ## 📚 Odpowiedź główna ### 1. Właściwości rzeczywistych sieci ``` ┌─────────────────────────────────────────────────────────────────┐ │ TYPOWE CECHY SIECI RZECZYWISTYCH │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 1. SMALL-WORLD EFFECT: │ │ "Six degrees of separation" │ │ Średnia ścieżka ~ log(N) │ │ │ │ 2. HIGH CLUSTERING: │ │ "Znajomi moich znajomych są znajomymi" │ │ Współczynnik grupowania C >> C_random │ │ │ │ 3. SCALE-FREE (Power-law degree distribution): │ │ P(k) ~ k^(-γ), gdzie γ ∈ [2, 3] │ │ Kilka hubów, wiele węzłów o małym stopniu │ │ │ │ 4. COMMUNITY STRUCTURE: │ │ Gęste grupy połączone rzadkimi mostami │ │ │ └─────────────────────────────────────────────────────────────────┘ ``` --- ### 2. Model Erdős-Rényi (Random Graph) ``` ┌─────────────────────────────────────────────────────────────────┐ │ G(n, p) - Graf losowy │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ Konstrukcja: │ │ - n węzłów │ │ - Każda krawędź z prawdopodobieństwem p │ │ │ │ Właściwości: │ │ ┌─────────────────────────────────────────┐ │ │ │ Średni stopień: = p(n-1) │ │ │ │ Rozkład stopni: Poisson (dla dużych n)│ │ │ │ Clustering: C = p (niski!) │ │ │ │ Średnia ścieżka: L ~ log(n)/log() │ │ │ │ Giant component: istnieje gdy > 1 │ │ │ └─────────────────────────────────────────┘ │ │ │ │ Rozkład stopni P(k): │ │ │ │ P(k) │ │ ↑ ● │ │ │ ●●● │ │ │ ●●●●●● Rozkład Poissona │ │ │ ●●●●●●●● (symetryczny, wąski) │ │ │ ●●●●●●●●●● │ │ └────────────────→ k │ │ │ └─────────────────────────────────────────────────────────────────┘ ``` ### Porównanie z rzeczywistością | Cecha | ER Model | Rzeczywiste sieci | |-------|----------|-------------------| | **Clustering** | C = p (niski) | C >> p (wysoki) ❌ | | **Średnia ścieżka** | L ~ log(n) ✓ | L ~ log(n) ✓ | | **Rozkład stopni** | Poisson | Power-law ❌ | | **Huby** | Brak | Istnieją ❌ | --- ### 3. Model Watts-Strogatz (Small-World) ``` ┌─────────────────────────────────────────────────────────────────┐ │ SMALL-WORLD MODEL │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ Konstrukcja: │ │ 1. Zacznij od regularnej kratki (ring lattice) │ │ 2. Każda krawędź przepinana z prawdop. p │ │ │ │ p=0 (regular) p~0.01 p=1 (random) │ │ │ │ ●───●───● ●───●───● ● ● ● │ │ /│ │ │\ /│ \ │ │\ /│\ /│\ /│\ │ │ ● │ │ │ ● ● │ │ │ ● ● │ X │ X │ ● │ │ \│ │ │/ \│ │ / │/ \│/ \│/ \│/ │ │ ●───●───● ●───●───● ● ● ● │ │ │ │ C: high C: high C: low │ │ L: high L: low L: low │ │ ↑ │ │ SMALL-WORLD │ │ (best of both!) │ │ │ └─────────────────────────────────────────────────────────────────┘ ``` ### Właściwości ``` Dla małych p (np. p = 0.01): L(p) C(p) ↑ ↑ │● │●●●●●●●●●●●●●●●●● │ ● │ ● │ ●● │ ●● │ ●●●●│ ●●●●● └────────→ p └────────────────→ p L spada szybko przy małych p (shortcuts) C pozostaje wysoki do większych p ``` ### Porównanie z rzeczywistością | Cecha | WS Model | Rzeczywiste sieci | |-------|----------|-------------------| | **Clustering** | Wysoki ✓ | Wysoki ✓ | | **Średnia ścieżka** | L ~ log(n) ✓ | L ~ log(n) ✓ | | **Rozkład stopni** | Wąski (quasi-regular) | Power-law ❌ | | **Huby** | Brak | Istnieją ❌ | --- ### 4. Model Barabási-Albert (Scale-Free) ``` ┌─────────────────────────────────────────────────────────────────┐ │ PREFERENTIAL ATTACHMENT MODEL │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ Konstrukcja: │ │ 1. Zacznij od małego grafu (m₀ węzłów) │ │ 2. Dodawaj węzły jeden po drugim │ │ 3. Nowy węzeł łączy się z m istniejącymi │ │ 4. Prawdopodobieństwo połączenia z węzłem i: │ │ │ │ kᵢ │ │ Π(i) = ───────── "Rich get richer" │ │ Σⱼ kⱼ │ │ │ │ Rozkład stopni P(k): │ │ │ │ log P(k) │ │ ↑ ● │ │ │ ● │ │ │ ● Power-law: │ │ │ ● P(k) ~ k^(-3) │ │ │ ●● │ │ │ ●●● │ │ │ ●●●●●●●● │ │ └───────────────────→ log k │ │ │ │ Huby (węzły o wysokim stopniu) pojawiają się naturalnie! │ └─────────────────────────────────────────────────────────────────┘ ``` ### Właściwości | Właściwość | Wartość | |------------|---------| | **Rozkład stopni** | P(k) ~ k^(-γ), γ = 3 | | **Średnia ścieżka** | L ~ log(n)/log(log(n)) (ultra-small) | | **Clustering** | C ~ (log n)² / n (niski!) | | **Odporność** | Odporna na losowe awarie, wrażliwa na celowe ataki | ### Porównanie z rzeczywistością | Cecha | BA Model | Rzeczywiste sieci | |-------|----------|-------------------| | **Clustering** | Niski ❌ | Wysoki | | **Średnia ścieżka** | Ultra-short ✓ | Short ✓ | | **Rozkład stopni** | Power-law ✓ | Power-law ✓ | | **Huby** | Tak ✓ | Tak ✓ | --- ### 5. Porównanie zbiorcze ``` ┌──────────────┬───────────────┬───────────────┬───────────────┐ │ Właściwość │ Erdős-Rényi │ Watts-Strogatz│ Barabási-Albert│ ├──────────────┼───────────────┼───────────────┼───────────────┤ │ Clustering │ Niski (C=p) │ Wysoki │ Niski │ │ Śr. ścieżka │ log(n) │ log(n) │ log(n)/loglog │ │ Rozkład │ Poisson │ Quasi-regular │ Power-law │ │ Huby │ Nie │ Nie │ Tak │ │ Small-world │ Tak │ Tak │ Ultra-small │ │ Mechanizm │ Losowość │ Rewiring │ Pref. attach. │ └──────────────┴───────────────┴───────────────┴───────────────┘ Rzeczywiste sieci (WWW, social, biological): • Wysoki clustering → WS lepszy • Power-law → BA lepszy • Short paths → wszystkie OK Żaden pojedynczy model nie oddaje wszystkich cech! ``` --- ### 6. Modele rozszerzone ``` ┌─────────────────────────────────────────────────────────────────┐ │ HOLME-KIM MODEL (BA + clustering): │ │ Po preferential attachment → dodaj trójkąt z prawdop. p │ │ Łączy power-law z wysokim clustering │ ├─────────────────────────────────────────────────────────────────┤ │ HIERARCHICAL MODELS: │ │ Rekurencyjna struktura (fraktalna) │ │ Modeluje hierarchie w organizacjach │ ├─────────────────────────────────────────────────────────────────┤ │ STOCHASTIC BLOCK MODEL: │ │ Podział na grupy z różnymi p wewnątrz/między │ │ Modeluje community structure │ ├─────────────────────────────────────────────────────────────────┤ │ CONFIGURATION MODEL: │ │ Generuj graf z zadanym rozkładem stopni │ │ Elastyczny, ale brak mechanizmu wzrostu │ └─────────────────────────────────────────────────────────────────┘ ``` --- ### 7. Przykłady rzeczywistych sieci | Sieć | N | | C | L | γ | |------|---|-----|---|---|---| | **WWW** | 10⁹ | ~7 | 0.11 | 11.2 | 2.1 | | **Facebook** | 10⁹ | ~200 | 0.16 | 4.7 | ~3 | | **Internet (AS)** | 10⁴ | ~6 | 0.24 | 3.7 | 2.2 | | **C. elegans** | 282 | 14 | 0.28 | 2.7 | - | | **Power grid** | 4941 | 2.7 | 0.08 | 18.7 | exp | --- ## 🧠 Mnemoniki ### "ER = Equal Random": Erdős-Rényi - równe prawdopodobieństwo krawędzi ### "WS = Wires Switched": Watts-Strogatz - przepinanie krawędzi ### "BA = Big Attract": Barabási-Albert - duże węzły przyciągają więcej ### "Scale-free = -3 power": P(k) ~ k^(-3) dla BA modelu --- ## ❓ Pytania dodatkowe ### Q1: "Dlaczego BA ma niski clustering?" **Odpowiedź:** Preferential attachment łączy nowe węzły głównie z hubami, nie tworząc trójkątów między sąsiadami. Rozwiązanie: Holme-Kim model dodaje krok "triad formation". ### Q2: "Co to jest robustness vs vulnerability?" **Odpowiedź:** Scale-free sieci są odporne na losowe awarie (większość węzłów ma mały stopień), ale wrażliwe na celowane ataki na huby. ER sieci są bardziej jednolite w obu przypadkach. ### Q3: "Jak mierzyć small-world property?" **Odpowiedź:** Współczynnik σ = (C/C_random) / (L/L_random). Jeśli σ >> 1 → small-world. C wysoki jak w kratce, L niski jak w random graph. --- ## 🎯 Kluczowe punkty 1. **ER:** Random, Poisson degree, low clustering 2. **WS:** Rewiring, high clustering + short paths 3. **BA:** Preferential attachment, power-law, huby 4. **Real networks:** Power-law + high clustering + short paths 5. **Żaden model nie jest kompletny** - łączone modele --- ## 📖 Źródła 1. Barabási - "Network Science" (networkscience.com) 2. Newman - "Networks: An Introduction" 3. Watts, Strogatz - "Collective dynamics of small-world networks" (1998) 4. Barabási, Albert - "Emergence of Scaling in Random Networks" (1999)