[论文解读] Counting triangles, tunable clustering and the small-world property in random key graphs (Extended version)

Osman Yağan, Armand M. Makowski|arXiv (Cornell University)|Jan 13, 2017

Complex Network Analysis Techniques参考文献 22被引用 4

一句话总结

本文建立了随机密钥图中三角形存在的零一律，确定了控制三角形出现的关键标度参数。结果表明，在实际参数配置下，随机密钥图的聚类程度显著高于埃拉多斯-雷尼图，证实其作为可调聚类性和小世界特性的模型具有适用性。

ABSTRACT

Random key graphs were introduced to study various properties of the Eschenauer-Gligor key predistribution scheme for wireless sensor networks (WSNs). Recently this class of random graphs has received much attention in contexts as diverse as recommender systems, social network modeling, and clustering and classification analysis. This paper is devoted to analyzing various properties of random key graphs. In particular, we establish a zero-one law for the the existence of triangles in random key graphs, and identify the corresponding critical scaling. This zero-one law exhibits significant differences with the corresponding result in Erdos-Renyi (ER) graphs. We also compute the clustering coefficient of random key graphs, and compare it to that of ER graphs in the many node regime when their expected average degrees are asymptotically equivalent. For the parameter range of practical relevance in both wireless sensor network and social network applications, random key graphs are shown to be much more clustered than the corresponding ER graphs. We also explore the suitability of random key graphs as small world models in the sense of Watts and Strogatz.

研究动机与目标

• 在渐近标度下，建立随机密钥图中三角形存在的零一律。
• 在平均度数相同的情况下，计算并比较随机密钥图与埃拉多斯-雷尼图的聚类系数。
• 评估随机密钥图作为瓦茨与斯特罗加茨意义下的小世界模型的适用性。
• 识别三角形形成从几乎必然不存在到几乎必然存在的转变临界标度区域。

提出的方法

• 通过网络规模 n、密钥池大小 P 和密钥数量 K 的渐近标度，利用概率分析和 Borel-Cantelli 引理推导三角形存在的零一律。
• 采用 McDiarmid 不等式，证明归一化三角形计数几乎必然收敛于 3p(θ)²，其中 p(θ) 为成对密钥共享概率。
• 利用交换性与并集界论证，将单个节点的集中性界限扩展至全网范围的全局三角形计数。
• 通过在大 n 极限下匹配期望平均度数，比较随机密钥图与埃拉多斯-雷尼图的聚类系数。
• 通过评估高聚类性与短典型路径长度的结合，分析随机密钥图模型的小世界特性。
• 应用正式渐近匹配技术，将已知的埃拉多斯-雷尼图结果推广至随机密钥图，验证其在子图包含性分析中的有效性。

实验结果

研究问题

• RQ1 在 n、P 和 K 的何种标度下，随机密钥图中的三角形数量会以几乎必然收敛于零或无穷？
• RQ2 当期望平均度数渐近等价时，随机密钥图的聚类系数与埃拉多斯-雷尼图相比如何？
• RQ3 在实际参数设置下，随机密钥图能否表现出小世界特性，即高聚类性与短典型路径长度的结合？
• RQ4 随机密钥图中三角形出现的临界阈值是什么？其与埃拉多斯-雷尼图中的对应阈值有何不同？

主要发现

• 建立了随机密钥图中三角形存在的零一律，表明当密钥共享概率 p(θ) 满足与 n 相关的临界标度时，三角形几乎必然出现。
• 归一化全局三角形计数 ∑ᵢ Tₙ,ᵢ*(θ) / (n choose 3) 在 n → ∞ 时几乎必然收敛于 3p(θ)²。
• 在无线传感器网络和社交网络相关的参数配置下，随机密钥图的聚类系数显著高于具有相同期望平均度数的埃拉多斯-雷尼图。
• 通过参数 K 和 P，随机密钥图的聚类系数可调，从而可建模具有特定聚类水平的网络。
• 在实际参数设置下，随机密钥图满足瓦茨与斯特罗加茨意义上的小世界特性，兼具高聚类性与短典型路径长度。
• 随机密钥图中三角形出现的临界标度与埃拉多斯-雷尼图存在根本性差异，表明尽管在边概率匹配上形式相似，其结构行为仍显著不同。