[论文解读] Finite Percolation at a Multiple of the Threshold

Nima Sarshar, P. Oscar Boykin+1 more|arXiv (Cornell University)|Jan 10, 2006

Complex Network Analysis Techniques参考文献 1被引用 4

一句话总结

本文研究了重尾幂律随机网络中的有限尺寸渗滤现象，其中渗滤阈值随网络规模增大而趋于零。通过将渗滤概率 $ q $ 相对于有限尺寸阈值 $ q_c(N) $ 进行归一化，识别出 $ \rho = q / q_c(N) $ 作为关键序参量，表明当 $ \rho \gg 1 $ 时，最大连通分量的尺度为 $ \sim \rho^{1/(3-\tau)} N^{1-1/\tau} $，在 $ \rho = 1 $ 处表现出不同的标度行为，揭示了在 $ \rho = 1 $ 处存在相变。

ABSTRACT

Bond percolation on infinite heavy-tailed power-law random networks lacks a proper phase transition; or one may say, there is a phase transition at {\em zero percolation probability}. Nevertheless, a finite size percolation threshold $q_c(N)$, where $N$ is the network size, can be defined. For such heavy-tailed networks, one can choose a percolation probability $q(N)=ρq_c(N)$ such that $\displaystyle \lim_{N o \infty}(q-q_c(N)) =0$, and yet $ρ$ is arbitrarily large (such a scenario does not exist for networks with non-zero percolation threshold). We find that the critical behavior of random power-law networks is best described in terms of $ρ$ as the order parameter, rather than $q$. This paper makes the notion of the phase transition of the size of the largest connected component at $ρ=1$ precise. In particular, using a generating function based approach, we show that for $ρ>1$, and the power-law exponent, $2\leq τ<3$, the largest connected component scales as $\sim N^{1-1/τ}$, while for $0

研究动机与目标

• 理解具有重尾度分布的有限尺寸幂律随机网络中最大连通分量的标度行为。
• 在无限网络渗滤阈值为零的网络中，定义一种有意义的接近临界性的度量方式。
• 识别 $ \rho = q / q_c(N) $ 作为表征此类网络相变的合适序参量。
• 推导并验证巨分量大小及其在其中的链路比例的标度律，特别是在临界点附近。
• 通过展示在 $ \rho \approx 1 $ 时的渗滤可实现高效非结构化查询，支持对对等网络的应用。

提出的方法

• 使用生成函数方法分析具有幂律度分布的随机网络中最大连通分量的大小。
• 定义随 $ N \to \infty $ 而趋于零的有限尺寸渗滤阈值 $ q_c(N) $，并通过 $ q_c(N) $ 对渗滤概率进行归一化，以定义 $ \rho $。
• 推导巨分量大小关于 $ \rho $ 和幂律指数 $ \tau \in [2,3) $ 的标度指数。
• 计算属于巨分量的剩余链路比例 $ \mathcal{G}(N,\rho)/\mathcal{H}(N,\rho) $，表明其在 $ 2 < \tau < 3 $ 时标度为 $ \sim \rho^{1/(3-\tau)} N^{2/\tau - 2} $。
• 通过大规模模拟验证 $ \mathcal{G}(N,\rho) \sim N^{1-1/\tau} $ 和 $ \mathcal{G}(N,\rho)/\mathcal{H}(N,\rho) $ 的预测标度律。
• 将结果应用于设计对等网络中基于渗滤的高效搜索算法，利用巨分量中高阶节点的优势。

实验结果

研究问题

• RQ1 在 $ 2 \leq \tau < 3 $ 的幂律网络中，最大连通分量的大小如何随网络规模 $ N $ 和归一化渗滤概率 $ \rho $ 变化？
• RQ2 巨分量中剩余链路的比例 $ \mathcal{G}(N,\rho)/\mathcal{H}(N,\rho) $ 如何随 $ \rho $ 和 $ N $ 变化？
• RQ3 为何标准序参量 $ q $ 无法描述渗滤阈值趋于零的网络中的临界行为，而何种替代参数更为合适？
• RQ4 $ \rho > 1 $ 和 $ \rho < 1 $ 时巨分量的标度行为有何不同，$ \rho = 1 $ 处的相变现象如何解释？
• RQ5 理论预测的标度律是否可通过真实网络规模下的大规模模拟得到验证？

主要发现

• 当 $ \rho > 1 $ 时，最大连通分量的大小标度为 $ \sim \rho^{1/(3-\tau)} N^{1-1/\tau} $，其中指数 $ 1-1/\tau $ 与 $ \rho $ 无关。
• 当 $ \rho > 1 $ 时，巨分量中链路的比例标度为 $ \sim N^{(\tau-2)/\tau} $，当 $ \tau > 2 $ 时趋于零，但当 $ \tau = 2 $ 时保持有限。
• 当 $ 0 < \rho < 1 $ 时，最大分量的大小标度为 $ \sim N^{(2-\tau)/\tau} $，表明其为次线性增长。
• 在所有随机网络中，$ \rho = 1 $ 处的相变具有普适性，无论方差是否有限，相变水平均为 $ \rho = 1 $。
• 模拟结果证实了在不同 $ \tau $ 和 $ \rho $ 值下巨分量大小的预测 $ N^{1-1/\tau} $ 标度，即使在较小分量尺寸（如 100 个节点）下也成立。
• 研究结果支持在对等网络中设计高效的基于渗滤的搜索算法，当 $ \rho \approx 1 $ 时，高阶节点主导巨分量，从而最小化查询流量。