mirror of
https://github.com/kuhyx/praca_magisterska.git
synced 2026-11-10 18:07:13 +01:00
16 KiB
16 KiB
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: <k> = p(n-1) │ │
│ │ Rozkład stopni: Poisson (dla dużych n)│ │
│ │ Clustering: C = p (niski!) │ │
│ │ Średnia ścieżka: L ~ log(n)/log(<k>) │ │
│ │ Giant component: istnieje gdy <k> > 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 |
| 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
- ER: Random, Poisson degree, low clustering
- WS: Rewiring, high clustering + short paths
- BA: Preferential attachment, power-law, huby
- Real networks: Power-law + high clustering + short paths
- Żaden model nie jest kompletny - łączone modele
📖 Źródła
- Barabási - "Network Science" (networkscience.com)
- Newman - "Networks: An Introduction"
- Watts, Strogatz - "Collective dynamics of small-world networks" (1998)
- Barabási, Albert - "Emergence of Scaling in Random Networks" (1999)