[論文レビュー] k-core decomposition: a tool for the visualization of large scale networks

J. Ignacio Alvarez-Hamelin, Luca Dall’Asta+2 more|arXiv (Cornell University)|Apr 28, 2005

Complex Network Analysis Techniques参考文献 22被引用数 187

ひとこと要約

本稿では、低次数の頂点を再帰的に削除することで、大規模なネットワーク内の階層的構造を明らかにする、スケーラブルでO(n + e)のkコア分解に基づく可視化アルゴリズムを提案する。この手法により、実ネットワークおよび合成ネットワークにおいて、次数相関やコア・パーソナリティ構造といったネットワークの特徴（フィンガープリント）を明確に可視化できる。応用例では、インターネット地図の異なる粒度（例：ASレベル対ルーターレベル）において、構造的パターンの相違が明らかになった。

ABSTRACT

We use the k-core decomposition to visualize large scale complex networks in two dimensions. This decomposition, based on a recursive pruning of the least connected vertices, allows to disentangle the hierarchical structure of networks by progressively focusing on their central cores. By using this strategy we develop a general visualization algorithm that can be used to compare the structural properties of various networks and highlight their hierarchical structure. The low computational complexity of the algorithm, O(n+e), where 'n' is the size of the network, and 'e' is the number of edges, makes it suitable for the visualization of very large sparse networks. We apply the proposed visualization tool to several real and synthetic graphs, showing its utility in finding specific structural fingerprints of computer generated and real world networks.

研究の動機と目的

• 数百万ノードを有する大規模な複雑ネットワークの可視化に取り組むこと。従来のレイアウト手法は計算複雑性と視覚的ごみのため、その適用が困難である。
• kコア分解に内在する階層的組織を活用し、トポロジーおよび構造的情報を保持する2次元レイアウトを生成すること。
• 多様な実ネットワークおよび合成ネットワーク間のネットワークアーキテクチャを比較分析可能な汎用的で公開可能な可視化ツールを提供すること。
• kコア分解が、統計的性質が類似したネットワークを区別する構造的フィンガープリント（例：コア・パーソナリティ構造、次数-コアネス相関）をどのように露わにするかを示すこと。
• 実世界のネットワーク（例：ASグラフ、インターネット地図）を対象に本手法を検証し、データ収集戦略やネットワーク成長メカニズムの違いを検出する有効性を示すこと。

提案手法

• kコア分解を適用し、次数がk未満のすべての頂点を再帰的に削除することで、次数≥kの頂点が残るまで繰り返し、kコアとkシェルを形成する。
• 各頂点に、それが属する最高のk値（コアネス値）を割り当て、頂点を階層的なレイヤーに分類する。
• 放射状レイアウトを採用し、コアネス値が最も高い頂点を中央に配置し、低次のコアネス値の頂点を外側の同心円に配置する。
• 各kシェル内では、頂点の次数と局所的な接続性に基づいて配置し、空間的分離を確保するとともに、コアネスに基づく階層構造を維持する。
• kコアアルゴリズムの線形時間計算量O(n + e)を活用し、非常に大規模なスパarsなネットワークの効率的処理を可能にする。
• 得られたレイアウトを2次元で可視化し、リンクの方向性とリングの厚さを、隣接頂点間のコアネス類似性および構造的レジリエンスを反映させる。

実験結果

リサーチクエスチョン

• RQ1 kコア分解を用いて、大規模ネットワークの階層的構造を効率的かつ情報豊かに2次元で可視化できるか？
• RQ2 統計的性質が類似したネットワーク間で、構造的フィンガープリント（例：コア・パーソナリティ構造、次数-コアネス相関）はどのように異なるか？
• RQ3 本可視化手法が、ソースルーティングとマルチモニタープローブの異なるプローブ戦略に起因するネットワークの違いをどの程度明確に区別できるか？
• RQ4 頂点の次数とコアネスの関係は、インターネットにおける自律システム（AS）レベルとルーターレベルといった異なるネットワーク粒度でどのように変化するか？
• RQ5 kコアに基づくレイアウトが、ネットワークモデルの妥当性を検証し、ネットワークデータ収集における一貫性の欠如を検出するための診断ツールとして機能できるか？

主な発見

• kコア分解に基づく可視化により、ASレベルのインターネット地図に明確な階層的構造が露わになった。高コアネスの頂点が密集した内側コアを形成し、低コアネスの層が外側のシェルを形成している。
• ASレベル地図とは対照的に、ルーターレベル（IR）地図ではコアネス-次数相関が逆転している。次数>100の20個の頂点がコアネス<6であるため、高次数のノードが細分化されたネットワーク地図では必ずしも中心的ではないことが示された。
• IR_CAIDA地図はIR地図よりもより規則的かつ対称的なレイアウトを示しており、複数のソースからの均一なプローブ戦略によるものと推測される。一方、IR地図の不規則さは、唯一8％のソースルーティング可能なルータでの不均一なサンプリングに起因している。
• IR地図とIR_CAIDA地図は統計的に類似しているが、可視化によりコア組織の違いやレイアウトの対称性の相違が明確に露わになった。
• 本手法により、インターネットのコア・パーソナリティ構造が自己組織的成長の結果であることが強く示された。高次数ノードはASレベルでは自然に内側コアに位置づけられる。
• アルゴリズムの線形O(n + e)の計算量のおかげで、最大11,500ノードのネットワークを効率的に可視化でき、大規模な実世界および合成ネットワークに適している。