[论文解读] Connectivity Damage to a Graph by the Removal of an Edge or a Vertex

Charles L. Cartledge, Michael L. Nelson|arXiv (Cornell University)|Mar 16, 2011

Complex Network Analysis Techniques参考文献 23被引用 8

一句话总结

本文提出了一种基于碎片化图与其连通对应图之间平均逆路径长度（AIPL）比值的新图损伤度量，提供了一种无量纲、与规模无关的网络鲁棒性度量。该度量可量化边或顶点移除后的功能退化程度，取值范围为0（无损伤）至1（完全失能），在捕捉网络健康状况的直观概念方面优于传统度量（如最大连通分量）。

ABSTRACT

The approach of quantifying the damage inflicted on a graph in Albert, Jeong and Barabsi's (AJB) report "Error and Attack Tolerance of Complex Networks" using the size of the largest connected component and the average size of the remaining components does not capture our intuitive idea of the damage to a graph caused by disconnections. We evaluate an alternative metric based on average inverse path lengths (AIPLs) that better fits our intuition that a graph can still be reasonably functional even when it is disconnected. We compare our metric with AJB's using a test set of graphs and report the differences. AJB's report should not be confused with a report by Crucitti et al. with the same name. Based on our analysis of graphs of different sizes and types, and using various numerical and statistical tools; the ratio of the average inverse path lengths of a connected graph of the same size as the sum of the size of the fragments of the disconnected graph can be used as a metric about the damage of a graph by the removal of an edge or a node. This damage is reported in the range (0,1) where 0 means that the removal had no effect on the graph's capability to perform its functions. A 1 means that the graph is totally dysfunctional. We exercise our metric on a collection of sample graphs that have been subjected to various attack profiles that focus on edge, node or degree betweenness values. We believe that this metric can be used to quantify the damage done to the graph by an attacker, and that it can be used in evaluating the positive effect of adding additional edges to an existing graph.

研究动机与目标

• 开发一种单一、直观的度量，用于量化因边或顶点移除而对图造成的功能损伤，无论其连通性如何。
• 解决现有度量（如Albert、Jeong和Barabási（AJB）的元组（LCC, s, S））的局限性，这些度量无法捕捉不连通图中部分功能的直观概念。
• 提出一种无量纲、与规模无关的度量，反映图中通信的效率，即使在图被分割时亦然。
• 在多种图类型和攻击模式下验证该度量，证明其一致性和可解释性。

提出的方法

• 本文引入一种损伤度量，定义为：Damage(G) = 1 - [L(G_fragmented)^(-1) / L(G_unfragmented)^(-1)]，其中L为图的平均逆路径长度（AIPL）。
• AIPL计算为图中所有两两最短路径长度的倒数的平均值，用于捕捉通信效率。
• 该方法比较原始连通图与边或顶点移除后形成的碎片化图的AIPL。
• 该度量应用于不同大小和类型的测试图，包括随机图、小世界图和无标度图。
• 分析涵盖针对边、顶点及度介数的多种攻击模式，评估不同图拓扑下的损伤程度。
• 对包含100至1000个节点的图进行了统计和数值验证，以确认该度量的一致性和直观行为。

实验结果

研究问题

• RQ1 能否开发一种单一的、无量纲的度量，用于量化边或顶点移除后的图损伤，而不论其连通性如何？
• RQ2 所提出的基于AIPL的损伤度量与AJB的（LCC, s, S）元组相比，在捕捉网络功能直观概念方面表现如何？
• RQ3 碎片化图与未碎片化图之间AIPL的比值是否能在多种图类型中提供一致且可解释的网络鲁棒性度量？
• RQ4 该度量能否有效区分基于边、顶点或介数中心性的攻击模式？
• RQ5 该度量在不同图规模和拓扑结构下是否具有鲁棒性和可扩展性？

主要发现

• 所提出的基于AIPL比值的损伤度量取值范围为0（无损伤）至1（完全失能），且随着碎片化程度增加而直观上升。
• 对于完全碎片化的图（如100个孤立节点），该度量趋近于1.0，仅因计算舍入产生微小偏差，与理论预期一致。
• 在所有测试案例中，该度量表现出一致行为：在100、400、800和1000个节点的图中，碎片化程度最低时值较低，最大碎片化时值较高。
• 该度量在捕捉功能退化方面优于AJB的（LCC, s, S）元组，尤其在部分不连通图中，元组无法反映部分功能。
• 该度量在不同图类型（随机图、小世界图、无标度图）中保持稳定且可解释，展现出广泛适用性。
• 该损伤度量成功应用于多种攻击模式，对高阶和高介数目标表现出敏感性，并证实了基于介数的攻击在最大化损伤方面的有效性。