[논문 리뷰] Control centrality and hierarchical structure in complex networks

Yang‐Yu Liu, Jean-Jacques Slotine외 1명|Digital Access to Scholarship at Harvard (DASH) (Harvard University)|2012. 03. 12.

Opinion Dynamics and Social Influence인용 수 5

한 줄 요약

이 논문은 복잡한 네트워크에서 노드의 제어 능력을 수량화하기 위해 제어 중심성(control centrality)을 도입하며, 이는 방향성 비순환 네트워크에서의 노드의 계층적 위치에 의해 결정됨을 증명한다. 핵심 발견은 중심성보다는 위상적 위치에 기반한 랜덤 업스트림 공격(공격 대상이 중심성 기반이 아닌 위상적 위치 기반)이 특히 희박한 네트워크에서 랜덤 공격이나 표적 공격보다 더 효과적으로 제어 가능성을 손상시킬 수 있다는 것이다.

ABSTRACT

We introduce the concept of control centrality to quantify the ability of a single node to control a directed weighted network. We calculate the distribution of control centrality for several real networks and find that it is mainly determined by the network's degree distribution. We rigorously prove that in a directed network without loops the control centrality of a node is uniquely determined by its layer index or topological position in the underlying hierarchical structure of the network. Inspired by the deep relation between control centrality and hierarchical structure in a general directed network, we design an efficient attack strategy against the controllability of malicious networks.

연구 동기 및 목표

• 복잡한 네트워크에서 개별 노드의 영향력을 수량화하여 노드 수준의 제어 가능성에 대한 측도가 부족한 문제를 해결한다.
• 방향성 네트워크의 계층적 구조가 제어 중심성과 제어 가능성에 어떻게 영향을 미치는지 조사한다.
• 최소한의 구조적 지식으로 네트워크의 제어 가능성을 손상시키는 데 효과적인 공격 전략을 개발하고 평가한다.
• 실제 네트워크와 모델 네트워크에서 랜덤 업스트림, 다운스트림 및 표적 공격 전략의 네트워크 제어 가능성에 대한 효과를 비교한다.

제안 방법

• 제어 중심성은 단일 노드만 제어할 때 제어 가능성 행렬의 일반적 질량 랭크로 정의되며, 이는 제어 가능한 부분공간의 차원을 나타낸다.
• 이론적 분석을 통해 순환 없는 방향성 네트워크에서 제어 중심성은 방향성 간선을 따라 엄격히 감소함을 증명하며, 이는 상류 노드가 하류 노드보다 높거나 같은 제어 중심성을 가짐을 의미한다.
• 위상적 위치에 기반한 공격 전략이 설계되었으며, 랜덤 업스트림 공격은 계층적 레이어 구조에서 진입 차수(in-degree)가 높은 노드를 선택한다.
• 공격 전략의 영향은 랜덤 노드 제거와 비교하여 제어 가능성 행렬의 일반적 랭크 감소를 측정함으로써 평가된다.
• 이 방법은 구조적 제어 이론을 사용하며, 행렬 A와 B가 구조적으로 정의된(고정된 0과 자유 매개변수를 가진) 것으로 가정하고, 매개변수 변화에 대한 강건성을 확보하기 위해 일반적 랭크에 초점을 맞춘다.
• 성능 지표로 랭크 감소의 차이(δ)를 사용하여 실제 네트워크(예: 단백질 상호작용, 사회적, 인프라 네트워크)와 모델 네트워크에서 방법의 타당성을 검증한다.

Figure 1: Control centrality. (a) A simple network of $N=7$ nodes. (b) The controlled network is represented by a directed graph $G({\bf A},{\bf B})$ with an input node $u_{1}$ connecting to a state node $x_{1}$ . The stem-cycle disjoint subgraph $G_{\mathrm{s}}$ (shown in red) contains six edges, w

실험 결과

연구 질문

• RQ1 방향성 네트워크의 계층적 구조가 개별 노드의 제어 중심성에 어떻게 영향을 미치는가?
• RQ2 노드의 위상적 위치가 네트워크의 기초 계층에서 유일하게 제어 중심성을 결정할 수 있는가?
• RQ3 랜덤 업스트림 공격의 효과성이 랜덤 공격 및 표적 공격에 비해 네트워크 제어 가능성 저하에 대해 어떻게 비교되는가?
• RQ4 왜 표적 공격이 때로는 랜덤 공격보다 제어 가능성 저해에 더 나쁜 성능을 보이는가?
• RQ5 네트워크 밀도는 다양한 공격 전략에 대한 제어 가능성의 강건성에 어떻게 영향을 미치는가?

주요 결과

• 순환 없는 네트워크에서 제어 중심성은 방향성 간선을 따라 엄격히 감소하므로, 상류 노드는 하류 노드보다 높거나 같은 제어 중심성을 가진다.
• 대부분의 실제 네트워크에서 랜덤 업스트림 공격은 랜덤 공격보다 제어 가능한 부분공간을 더 크게 감소시키며, 0 < P < 1 범위에서 δ < 0를 기록함으로써 더 높은 효율성을 보인다.
• 랜덤 업스트림 공격 전략은 지역적 위상 지식만으로도 대부분의 네트워크에서 랜덤 다운스트림 및 표적 공격 전략을 능가한다.
• 매우 밀도 높은 네트워크, 예를 들어 조직 내부 네트워크(⟨k⟩ ≈ 58)에서는 모든 공격 전략이 유사하게 작용한다. 이는 대부분의 노드가 최대 제어 중심성(C_c(i) = N)을 가지므로 네트워크가 매우 강건하기 때문이다.
• 표적 공격이 항상 랜덤 공격보다 효과적인 것은 아니다. 고중심성 노드들의 제어 가능한 부분공간이 겹치기 때문에 그 여분의 영향력이 감소하기 때문이다.
• 네트워크의 계층적 구조는 제어 중심성의 근본적인 결정 요소이며, 이러한 구조적 특성은 지식이 적은 효과적인 공격 전략을 가능하게 한다.

Figure 2: Distribution of normalized control centrality of several real-world networks (blue) and their randomized counterparts: rand-ER (red), rand-Degree (green). (a) Intra-organizational network of a manufacturing company Cross and Parker ( 2004 ) . (b) Hyperlinks between weblogs on US politics A