[論文レビュー] Information Source Detection in the SIR Model: A Sample Path Based Approach

K. J. Zhu, Lei Ying|arXiv (Cornell University)|Jun 23, 2012

Complex Network Analysis Techniques参考文献 17被引用数 9

ひとこと要約

本稿では、感染ノードが回復可能なSIRモデルに従うネットワークにおける情報源を特定するためのサンプルパスに基づく最尤推定手法を提案する。逆感染アルゴリズムを導入し、感染ノードが自身の識別子をブロードキャストすることで、感染のばらつきが最小となるノード（感染のばらつきが最小のノード）を推定源とする。この手法は、正則木において真の源から定数距離の範囲内で高い正確性を達成し、実世界のネットワークにおいてもヒューリスティクスを上回る性能を示す。

ABSTRACT

This paper studies the problem of detecting the information source in a network in which the spread of information follows the popular Susceptible-Infected-Recovered (SIR) model. We assume all nodes in the network are in the susceptible state initially except the information source which is in the infected state. Susceptible nodes may then be infected by infected nodes, and infected nodes may recover and will not be infected again after recovery. Given a snapshot of the network, from which we know all infected nodes but cannot distinguish susceptible nodes and recovered nodes, the problem is to find the information source based on the snapshot and the network topology. We develop a sample path based approach where the estimator of the information source is chosen to be the root node associated with the sample path that most likely leads to the observed snapshot. We prove for infinite-trees, the estimator is a node that minimizes the maximum distance to the infected nodes. A reverse-infection algorithm is proposed to find such an estimator in general graphs. We prove that for $g$-regular trees such that $gq>1,$ where $g$ is the node degree and $q$ is the infection probability, the estimator is within a constant distance from the actual source with a high probability, independent of the number of infected nodes and the time the snapshot is taken. Our simulation results show that for tree networks, the estimator produced by the reverse-infection algorithm is closer to the actual source than the one identified by the closeness centrality heuristic. We then further evaluate the performance of the reverse infection algorithm on several real world networks.

研究の動機と目的

• 感染ノードが回復可能なSIRモデルに従うネットワークにおいて、情報源を特定する課題に取り組む。
• 感受性ノードと回復ノードが区別できない状況下で、観測可能な感染ノードのスナップショットから計算効率の良い源推定器を開発する。
• サンプルパスアプローチにおける最適推定器が、感染のばらつき（ジョルダン感染中心）を最小化するノードに一致することを証明する。
• 実世界のネットワークトポロジーにおける逆感染アルゴリズムの性能を評価し、ランダム推定や近接性中心性といったベースライン手法と比較する。

提案手法

• 各感染パスが感染時刻と回復時刻を指定する、すべての可能な感染サンプルパス上での最尤推定（MLE）として情報源検出問題を定式化する。
• ノードの感染のばらつきを、感染ノードまでの最短経路距離の最大値として定義し、最適サンプルパス源がこのばらつきを最小化することを証明する。
• 感染ノードが自身の識別子をブロードキャストする逆感染アルゴリズムを提案。最初にすべての感染ノードの識別子を収集したノードが源と宣言され、距離の合計に基づいて同数の場合はその距離の合計で優先順位を決定する。
• アルゴリズムの実行時間は最小感染のばらつきに等しく、各ノードのメッセージ伝達量は有界である。
• g-正則木における性能を分析し、ネットワークサイズや観測時間に依存せず、高確率で真の源から定数距離の範囲内に推定が収束することを証明する。
• インターネットAS、ウィキペディア投票、送電網の実ネットワークを用いたシミュレーションにより、感染確率と回復確率の変動に応じた推定精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 観測可能なのは感染ノードのスナップショットのみである場合に、SIRモデルにおける情報源の最適推定器は何か？
• RQ2 SIRモデルにおける回復の導入は、SIモデルと比較して、情報源検出問題の複雑さと構造にどのような影響を与えるか？
• RQ3 感染ノードの識別子のブロードキャストを活用することで、逆感染アルゴリズムが効率的に源を特定できるか？
• RQ4 正則木トポロジーにおける逆感染アルゴリズムの理論的性能保証は何か？
• RQ5 実世界のネットワーク環境において、逆感染アルゴリズムは近接性中心性やランダム推定といった既存のヒューリスティクスと比較してどのように性能を発揮するか？

主な発見

• g-正則木においてgq > 1の条件下では、逆感染アルゴリズムが、感染ノード数や観測時間に依存せず、高確率で真の源から定数距離の範囲内に源を推定する。
• サンプルパスベースの推定器は、感染ノードまでの最大距離を最小化するノード（ジョルダン感染中心）に等しい。
• 木構造ネットワークにおけるシミュレーションでは、逆感染アルゴリズムの推定値が近接性中心性ヒューリスティクスよりも真の源に近い。
• インターネット自律システムネットワークでは、逆感染アルゴリズムの推定値の80％以上が真の源から2ホップ以内に収束するが、ランダム推定ではわずか10％にとどまる。
• ウィキペディア誰が誰に投票したかネットワークでは、逆感染アルゴリズムのピークは3ホップ目を示すが、ランダム推定では17ホップ目をピークとし、局所化性能が顕著に優れている。
• 送電網ネットワークでは、逆感染アルゴリズムがランダム推定を著しく上回り、推定値が真の源に集中する傾向が顕著に現れる。