[论文解读] Network Performance Rank: An Approach for Comparison of Complex Networks

Zeynab Bahrami Bidoni, Roy George|arXiv (Cornell University)|Jan 1, 2014

Complex Network Analysis Techniques参考文献 44被引用 1

一句话总结

本文提出网络性能排名（NPR），一种新颖的多准则决策框架，通过节点间正向（成功）事件与负向（失败）事件的频率对复杂网络进行排序。该方法采用统计方法，利用相关密度排名（CDR）与Rényi熵估算预期事件频率，计算各准则的网络评分，再应用TOPSIS对网络进行排序——在合成实验中表明，该方法能有效区分网络性能，其中网络D表现最优。

ABSTRACT

Researchers have typically concentrated on analyzing what happens internally in a complex network and using this to distinguish between nodes. However, there has been less effort towards comparing between different networks. In this paper, we proposed a novel approach to rank alternative complex networks based on their performances. We consider this as a ranking problem in decision analysis based on occurring positive/negative frequent events as criteria, and using the TOPSIS method to rank alternatives. In order to assign a score to the networks for each criterion, a statistical method that estimates the expected value of positive/negative frequent events on a random node is presented. The proposed technique is efficient in terms of algorithm complexity and is capable of discriminating events occurring between important nodes over those between less significant nodes. The experiments, conducted on several synthetic networks, demonstrate the feasibility and applicability of the ranking methodology.

研究动机与目标

• 为解决现有系统性方法在不同网络架构间比较复杂网络性能方面的缺失。
• 将网络比较问题建模为多准则决策（MCDM）问题，以正向与负向事件频率作为准则。
• 开发一种基于统计的估计方法，用于估算随机节点对之间事件频率的期望值，优先考虑高显著性节点之间的事件。
• 构建一种可扩展、低复杂度的框架，能够基于事件密度与方差有效区分网络性能。

提出的方法

• 将网络比较建模为MCDM问题，构建包含备选项（网络）与准则（正向/负向事件频率）的决策矩阵。
• 应用相关密度排名（CDR）方法，计算节点层面的事件概率密度，突出关键节点之间的连接。
• 利用Rényi熵量化网络整体事件密度的不可预测性或多样性，作为方差的代理指标。
• 使用均值（单位时间内的平均事件数）与方差（来自CDR与Rényi熵的DOD）的正态分布，估算随机节点对之间事件频率的期望值。
• 采用熵权重法，基于事件频率数据的信息含量客观分配准则权重。
• 应用TOPSIS方法，通过计算与正理想解的相对接近度及与负理想解的距离，对网络进行排序。

实验结果

研究问题

• RQ1 如何基于事件频率导出的性能指标，系统性地比较复杂网络？
• RQ2 对随机节点对之间事件频率的统计估计，在多大程度上能反映真实网络性能？
• RQ3 能否通过基于节点影响力与路径密度加权事件，有效捕捉网络的结构显著性？
• RQ4 该框架在事件总数相近但拓扑分布不同的网络架构之间，其区分能力如何？
• RQ5 CDR、Rényi熵与TOPSIS的集成能否产生一种稳健、可扩展且可解释的复杂网络排名方法？

主要发现

• 网络D经TOPSIS排名最高，相对接近度值为1.0，表明其最接近理想解，也最远离负理想解。
• 尽管网络A的失败事件频率较高（100.991），但因其事件方差大且分布不佳，导致排名最低，反映出系统性不稳定。
• 熵权重法为成功事件频率分配了较高权重（0.6425），反映出其具有更高的信息含量与更强的区分能力。
• 概率分布曲线（图3与图4）显示，网络D在随机节点上发生零次失败事件的概率最高，表明其可靠性更优。
• 该框架成功捕捉了拓扑差异：网络A的高失败事件方差（DOD）表明关键节点8是故障热点，即使其总失败事件数与网络B相近。
• 该方法展现出良好的可扩展性与区分能力，即使总事件数相近，也能有效对网络进行排序，尤其在分布显著不同时。