[论文解读] Push- and Pull-based Epidemic Spreading in Networks: Thresholds and Deeper Insights

Shouhuai Xu, Wenlian Lu+1 more|arXiv (Cornell University)|Mar 24, 2016

Complex Network Analysis Techniques参考文献 34被引用 6

一句话总结

本文对任意网络中的推送式与拉取式流行病传播进行了严格的非线性动力系统分析，提出了一种广义流行病阈值，涵盖了先前仅支持推送的模型。研究建立了全局平均感染率的紧致上下界，并证明了仅通过监测一个固定大小的样本（例如32个节点）即可在不预先知晓网络参数或拓扑结构的情况下，准确估计全局感染率。

ABSTRACT

Understanding the dynamics of computer virus (malware, worm) in cyberspace is an important problem that has attracted a fair amount of attention. Early investigations for this purpose adapted biological epidemic models, and thus inherited the so-called homogeneity assumption that each node is equally connected to others. Later studies relaxed this often-unrealistic homogeneity assumption, but still focused on certain power-law networks. Recently, researchers investigated epidemic models in {\em arbitrary} networks (i.e., no restrictions on network topology). However, all these models only capture {\em push-based} infection, namely that an infectious node always actively attempts to infect its neighboring nodes. Very recently, the concept of {\em pull-based} infection was introduced but was not treated rigorously. Along this line of research, the present paper investigates push- and pull-based epidemic spreading dynamics in arbitrary networks, using a Non-linear Dynamical Systems approach. The paper advances the state of the art as follows: (1) It presents a more general and powerful sufficient condition (also known as epidemic threshold in the literature) under which the spreading will become stable. (2) It gives both upper and lower bounds on the global mean infection rate, regardless of the stability of the spreading. (3) It offers insights into, among other things, the estimation of the global mean infection rate through localized monitoring of a small {\em constant} number of nodes, {\em without} knowing the values of the parameters.

研究动机与目标

• 开发适用于任意网络中稳定流行病传播的更通用、更强大的充分条件（流行病阈值），扩展先前仅支持推送的模型。
• 推导全局平均感染率的上下界，无论传播是否稳定。
• 提供通过局部监测少量固定节点数来估计全局感染率的实用洞见。
• 正式区分并建模推送式与拉取式感染机制之间的根本差异，特别是外部感染源的作用（通过参数 α > 0 建模）。

提出的方法

• 为任意网络中的推送式与拉取式流行病传播构建非线性动力系统模型，引入参数 α 以表示外部感染概率。
• 利用网络邻接矩阵的谱性质，推导出广义流行病阈值条件，该条件涵盖并改进了先前仅支持推送的阈值。
• 通过李雅普诺夫型分析与平均场近似技术，建立全局平均感染率的解析边界。
• 提出一种基于监测少量固定节点数（例如2、8、32个节点）的采样策略，通过时间平均或实时观测估计全局感染率。
• 在真实与合成网络（Epinions、Enron、Oregon、幂律、随机、规则网络）上进行大量模拟，以验证理论发现。
• 采用时间平均与实时比较（例如 ¯i2avg-x[10,190] 与 ¯i[10,190]）评估采样节点估计感染率的准确性。

实验结果

研究问题

• RQ1 与现有仅支持推送的模型相比，是否存在一种更通用、更强大的充分条件（流行病阈值），用于任意网络中稳定推送与拉取式流行病传播？
• RQ2 即使传播动力学不稳定，是否仍能为全局平均感染率建立紧致的上下界？
• RQ3 是否可通过仅监测少量固定数量的节点来准确估计全局平均感染率，而无需了解网络参数？
• RQ4 引入拉取式感染（通过 α > 0）与纯推送式模型相比，是否从根本上改变了传播动力学，特别是在稳定性与持续性方面？

主要发现

• 所提出的流行病阈值条件比 Chakrabarti 等人（2008年）提出的仅支持推送的阈值更通用、更强大，当 α = 0 时，后者可作为其特例被包含。
• 无论传播过程是否稳定，全局平均感染率均存在上下界，为感染动力学提供了稳健的分析控制。
• 模拟结果表明，仅监测16个节点即可在 [10,190] 等时间区间内实现对时间平均全局感染率的高度准确估计，表明固定样本量可能已足够。
• 即使在实时估计中，监测32个节点也能对当前全局感染率（例如在 t = 120 时）提供合理准确的预测，支持实际监测策略的可行性。
• 强调了“恒定大小样本足以实现准确估计，且与网络规模无关”的经验观察作为关键洞见，并指出这是未来理论证明的有希望方向。
• 该模型成功捕捉了推送式与拉取式传播之间的根本差异，特别是外部感染源（α > 0）的作用，其可防止感染消亡，因而需要新的分析方法。