[論文レビュー] On the robustness of power-law random graphs in the finite mean, infinite variance region

Ilkka Norros, Hannu Reittu|ArXiv.org|Jan 7, 2008

Complex Network Analysis Techniques参考文献 9被引用数 6

ひとこと要約

本稿では、有限平均および無限分散度分布を有するスケールフリーランダムグラフの耐障害性を検討し、高容量ノード（『コア』）を除去した後でも、頂点間の典型的な距離が log log N に対して漸近的に対数的であり、経路長に定数の増加しか与えないことを示している。結果は、残存ネットワーク内にバックアップ経路が存在することによる構造的レジリエンスを示しており、超小世界性が保たれている。

ABSTRACT

We consider a conditionally Poissonian random graph model where the mean degrees, `capacities', follow a power-tailed distribution with finite mean and infinite variance. Such a graph of size $N$ has a giant component which is super-small in the sense that the typical distance between vertices is of the order of $\log\log N$. The shortest paths travel through a core consisting of nodes with high mean degrees. In this paper we derive upper bounds of the typical distance when an upper part of the core is removed, including the case that the whole core is removed.

研究の動機と目的

• 有限平均および無限分散度分布を有するスケールフリー・ランダムグラフが、高次数ノードの除去に対して示すレジリエンスを調査すること。
• コアネットワーク（高容量ノードから構成される）が部分的または完全に除去された場合、直径および典型的な経路長がどのようにスケーリングするかを特定すること。
• 条件付きポアソンランダムグラフモデルのもとで、コア削除後のグラフにおける距離の上界を確立すること。
• コアが除去されても、バックアップ経路の存在により、超小世界性（log log N スケーリング）が保たれることを示すこと。

提案手法

• 尾指数 τ ∈ (2,3) のパレート分布に従う頂点容量を有する条件付きポアソンランダムグラフモデルを用い、有限平均および無限分散を保証する。
• 近傍探索とマーク付き分岐過程のカップリングを適用し、近傍の成長および経路形成を分析する。
• 容量閾値 N^γ（γ > 0 は固定）を用いて階層的コア構造を定義し、この閾値を超えるノードの除去が与える影響を検討する。
• 指数的尾部推定および幾何級数近似を用いて、残存ネットワーク内を通過する経路の生存確率に関する確率的境界を導出する。
• 古典的ランダムグラフ理論の結果を用いて、残存ノード上の誘導部分グラフの直径を分析する。
• 経路を容量レイヤーごとのセグメントに分解し、対数的スケーリングによるレイヤー数の上限を評価することで、距離の漸近的上界を導出する。

実験結果

リサーチクエスチョン

• RQ1 有限平均および無限分散度分布を有するスケールフリー・ランダムグラフから、最高容量ノード（コア）を除去した場合、2つのランダムな頂点間の典型的な距離はどのように変化するか？
• RQ2 コアネットワークが除去された後でも、超小世界性（距離の log log N スケーリング）は維持可能か？
• RQ3 残存ネットワーク内のバックアップ経路は、コア削除後の距離の漸近的スケーリングにどのように影響するか？
• RQ4 コア全体が除去された場合のグラフの漸近的直径は何か？ また、有限分散度を有するグラフと比較してどうなるか？
• RQ5 これらの結果は、配置モデルや優先的付加モデルなどの他のランダムグラフモデルへどの程度一般化可能か？

主な発見

• 固定された γ > 0 に対して、N^γ を超える容量を持つノードを削除すると、頂点間の典型的な距離は γ に依存する定数分だけ増加するが、N に依存しない。このため、log log N スケーリングが維持される。
• コアを完全に削除した後でさえ、残存グラフの直径は log N よりわずかに良好にスケーリングされ、具体的には ℓ(N) がゆっくり増加する関数として log N / ℓ(N) の形で表される。
• 任意の高容量ノードの削除後でも、巨大成分は漸近的にそのままであり、同じ割合のサイズを維持する。
• 低容量ノードを通るバックアップ経路の存在により、距離の増加は log log N スケールでは無視できる。
• 結果はモデルの変種に対してもロバストであり、同様のパrameter領域において配置モデルや優先的付加モデルへも拡張可能であると予想される。
• 容量レイヤーで定義されるコアの階層的構造により、再帰的なレイヤー別解析が可能となり、経路長のタイトな上界の導出が可能となる。