[论文解读] Random Apollonian Networks

Tao Zhou, Gang Yan+3 more|arXiv (Cornell University)|Sep 16, 2004

Complex Network Analysis Techniques参考文献 1被引用 8

一句话总结

本文提出了随机阿波罗尼安网络（RANs），一种随机在现有三角形内添加节点以生成具有高聚类性和小平均路径长度的无标度网络的随机模型。该模型在理论上推导出度分布服从幂律，指数 γ = 3，聚类系数约为 0.74，与模拟结果高度一致，并因高聚类性导致疾病传播速度慢于 BA 网络。

ABSTRACT

In this letter, we propose a simple rule that generates scale-free networks with very large clustering coefficient and very small average distance. These networks are called {\bf Random Apollonian Networks}(RANs) as they can be considered as a variation of Apollonian networks. We obtain the analytic result of power-law exponent $γ=3$ and clustering coefficient $C={46/3}-36 exttt{ln}{3/2}\approx 0.74$, which agree very well with the simulation results. We prove that the increasing tendency of average distance of RAN is a little slower than the logarithm of the number of nodes in RAN. Since many real-life networks are both scale-free and small-world, RANs may perform well in mimicking the reality. The epidemic spreading process is also studied, we find that the diseases spread slower in RANs than BA networks in the early stage of SI process, indicating that the large clustering coefficient may slower the spreading velocity especially in the outbreaks.

研究动机与目标

• 开发一种结合无标度拓扑、高聚类性和小世界特性的网络模型。
• 通过理论分析与模拟方法，研究所提模型的度分布、聚类系数和平均路径长度。
• 比较 RANs 与 BA 网络及小世界网络中的疾病传播动力学。
• 探讨聚类在复杂网络中减缓疾病传播的作用。

提出的方法

• 从由三个节点构成的三角形开始，迭代地在随机选择的三角形内部添加新节点，并将新节点连接到该三角形的三个顶点。
• 使用速率方程建模节点度的演化，得到连续近似，推导出当 N 较大时度分布呈幂律，指数 γ ≈ 3。
• 通过公式 C = (46/3) − 36 ln(3/2) ≈ 0.74，理论推导聚类系数，该值在不同网络规模下几乎保持恒定。
• 证明平均路径长度的增长速度略慢于 log N，从而确认了小世界特性。
• 使用 SI 模型模拟疾病传播过程，并比较 RANs、BA 网络与 Newman-Watts 小世界网络中的传播速度。
• 定义边的评分 s(e) 为若移除边 e 后其两端点间的最短路径长度，发现属于三角形的边（评分 2）具有局部关键性，从而将高聚类性与局部传播抑制联系起来。

实验结果

研究问题

• RQ1 随机阿波罗尼安网络的度分布是什么？是否服从幂律？
• RQ2 RANs 的聚类系数的理论值是多少？与模拟结果相比如何？
• RQ3 RANs 中平均路径长度如何随网络规模变化？
• RQ4 与 BA 网络和小世界网络相比，RANs 中的疾病传播过程有何不同？
• RQ5 高聚类性在多大程度上减缓了复杂网络中的疾病传播？

主要发现

• RANs 的度分布服从幂律，指数 γ = 3，模拟结果表明在大规模网络中 γ ≈ 2.93，验证了理论推导。
• 聚类系数的理论值为 C = (46/3) − 36 ln(3/2) ≈ 0.74，该值几乎不随网络规模变化，且与模拟结果高度吻合。
• 平均路径长度的增长速度略慢于 log N，证实了 RANs 的小世界特性。
• 在疾病传播模拟中，RANs 中的疾病传播速度慢于 BA 网络，尤其在疫情爆发阶段，表明高聚类性抑制了早期传播。
• RANs 中的边绝大多数评分均为 2（即属于三角形），表明其具有局部关键性，这解释了高聚类网络中传播速度较慢的原因。
• RANs 是最大平面图，恰好包含 3N − 6 条边，适用于需要平面网络布局的应用，如印刷电路设计。