[論文レビュー] Network Performance Rank: An Approach for Comparison of Complex Networks

Zeynab Bahrami Bidoni, Roy George|arXiv (Cornell University)|Jan 1, 2014

Complex Network Analysis Techniques参考文献 44被引用数 1

ひとこと要約

本稿では、ノード間の成功（ポジティブ）および失敗（ネガティブ）イベントの頻度に基づいて、複雑なネットワークをランク付けする新しい多基準意思決定フレームワーク「ネットワークパフォーマンスランク（NPR）」を提案する。相関密度ランク（CDR）およびRényiエントロピーを用いた統計的手法により、期待されるイベント頻度を推定し、各基準のネットワークスコアを計算した後、TOPSISを適用してネットワークをランク付けした。合成実験では、この手法がネットワークパフォーマンスを効果的に区別でき、特にネットワークDが最適な性能を示した。

ABSTRACT

Researchers have typically concentrated on analyzing what happens internally in a complex network and using this to distinguish between nodes. However, there has been less effort towards comparing between different networks. In this paper, we proposed a novel approach to rank alternative complex networks based on their performances. We consider this as a ranking problem in decision analysis based on occurring positive/negative frequent events as criteria, and using the TOPSIS method to rank alternatives. In order to assign a score to the networks for each criterion, a statistical method that estimates the expected value of positive/negative frequent events on a random node is presented. The proposed technique is efficient in terms of algorithm complexity and is capable of discriminating events occurring between important nodes over those between less significant nodes. The experiments, conducted on several synthetic networks, demonstrate the feasibility and applicability of the ranking methodology.

研究の動機と目的

• 異なるアーキテクチャ間での複雑なネットワークのパフォーマンスを比較するための体系的でない手法の欠如に対処すること。
• ポジティブおよびネガティブな頻度イベントを基準として用いることで、ネットワーク比較を多基準意思決定（MCDM）問題として定式化すること。
• ランダムなノードペア間の期待イベント頻度を統計的に推定する手法を開発し、特に重要度の高いノード間のイベントを優遇すること。
• イベント密度と分散に基づいてネットワークパフォーマンスを区別可能なスケーラブルで低計算量のフレームワークを構築すること。

提案手法

• 代替案（ネットワーク）と基準（ポジティブ／ネガティブイベント頻度）を用いた意思決定行列を用いて、ネットワーク比較をMCDM問題として定式化する。
• ノードレベルのイベント確率密度を計算するために、相関密度ランク（CDR）手法を適用し、影響力のあるノード間の接続に注目する。
• Rényiエントロピーを用いて、ネットワーク全体におけるイベント密度の不確実性または多様性を定量化し、分散の代理指標とする。
• 平均（1単位あたりの平均イベント数）と分散（CDRおよびRényiエントロピーからのDOD）を用いた正規分布を仮定し、ランダムノード間のイベント頻度の期待値を推定する。
• イベント頻度データの情報含量に基づいて、基準の重みを客観的に割り当てるエントロピー加重法を採用する。
• 正の理想解への相対的近さと負の理想解からの距離を計算することで、TOPSIS手法を用いてネットワークをランク付けする。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、イベント頻度から導かれるパフォーマンス指標に基づいて、複雑なネットワークを体系的に比較できるか？
• RQ2 ランダムノード間のイベント頻度の統計的推定は、真のネットワークパフォーマンスをどの程度反映できるか？
• RQ3 ノードの影響力と経路密度に基づいて重み付けされたイベントによって、ネットワークの構造的有意性を効果的に捉えることができるか？
• RQ4 同じイベント数であっても、異なるトポロジカル分布を示すネットワークアーキテクチャを、このフレームワークはどの程度効果的に区別できるか？
• RQ5 CDR、Rényiエントロピー、TOPSISの統合は、堅牢でスケーラブルかつ解釈可能な複雑なネットワークのランク付けを可能にするか？

主な発見

• TOPSISによる順位付けでネットワークDが最高順位にランクされ、相対的近さ値が1.0に達した。これは、理想解に最も近く、負の理想解からも遠いことを示している。
• ネットワークAは、高頻度の失敗イベント（100.991）を示したが、高いイベント分散と不均一な分布のため、システム全体の不安定性を示し、最低順位にランクされた。
• エントロピー加重法により、成功イベント頻度に高い重み（0.6425）が割り当てられ、情報含量と区別能の高さを反映していた。
• 確率分布曲線（図3および図4）から、ネットワークDはランダムノードに対して失敗イベントが発生しない確率が最も高かった。これは、優れた信頼性を示している。
• このフレームワークはトポロジカルな差を効果的に捉えた。ネットワークAの高頻度の失敗イベント分散（DOD）は、同様の合計失敗イベント数を示すネットワークBと比較して、クリティカルノード8が障害のホットスポットであることを示した。
• 本手法はスケーラビリティと区別能力を示し、合計イベント数が似通っていても、分布に顕著な差があるネットワークにおいても、効果的に順位付けできた。