[论文解读] Time-Varying Graphs and Dynamic Networks

Arnaud Casteigts, Paola Flocchini+2 more|arXiv (Cornell University)|Nov 30, 2010

Opportunistic and Delay-Tolerant Networks参考文献 64被引用 15

一句话总结

本文提出时变图（TVG）作为一种统一的形式化方法，用于建模延迟容忍网络、机会网络和社交网络中的动态网络。通过将不同模型与概念整合到单一框架中，该方法实现了网络动态的系统分类、时序特性的分析，以及跨领域的结果迁移，主要贡献包括时变图的分层分类体系，以及对时序与非时序网络指标的分析技术。

ABSTRACT

The past few years have seen intensive research efforts carried out in some apparently unrelated areas of dynamic systems -- delay-tolerant networks, opportunistic-mobility networks, social networks -- obtaining closely related insights. Indeed, the concepts discovered in these investigations can be viewed as parts of the same conceptual universe; and the formal models proposed so far to express some specific concepts are components of a larger formal description of this universe. The main contribution of this paper is to integrate the vast collection of concepts, formalisms, and results found in the literature into a unified framework, which we call TVG (for time-varying graphs). Using this framework, it is possible to express directly in the same formalism not only the concepts common to all those different areas, but also those specific to each. Based on this definitional work, employing both existing results and original observations, we present a hierarchical classification of TVGs; each class corresponds to a significant property examined in the distributed computing literature. We then examine how TVGs can be used to study the evolution of network properties, and propose different techniques, depending on whether the indicators for these properties are a-temporal (as in the majority of existing studies) or temporal. Finally, we briefly discuss the introduction of randomness in TVGs.

研究动机与目标

• 将延迟容忍网络、机会网络和社交网络中的多样化模型与概念统一到单一形式化体系中。
• 基于网络动态特性，提供时变图的分层分类体系。
• 支持利用时序与非时序指标对网络特性进行分析。
• 支持在不同类别的动态网络之间迁移可行性与不可能性结果。
• 为未来在分布式TVG算法、设计优化与复杂性分析方面的研究奠定基础。

提出的方法

• 提出一种形式化的TVG模型，将网络表示为时间序列中的静态图集合，支持随时间变化的边与顶点。
• 引入两种视角：图中心视角（全局拓扑演化）与边中心视角（基于交互事件的建模）以描述动态特性。
• 在TVG框架内定义核心概念，如路径、时序子图、时序距离与连通性。
• 基于边可用性与时序连通性等动态特性，建立TVG类之间的严格包含层次结构。
• 将该框架应用于分析确定性与随机性TVG，包括马氏链与泊松过程驱动的边动态。
• 利用TVG形式化方法研究网络演化，包括连通性相变与时序直径优化。

实验结果

研究问题

• RQ1 如何将动态网络的异构模型统一于单一形式化体系之下？
• RQ2 定义时变图不同类别所依赖的关键结构与动态特性是什么？
• RQ3 时序与非时序指标如何影响对网络演化与特性的分析？
• RQ4 网络动态对分布式算法的可行性与复杂性有何影响？
• RQ5 如何在TVG框架内建模与分析边出现的随机性（如泊松过程）？

主要发现

• TVG形式化方法成功地将延迟容忍网络、机会网络与社交网络中此前零散的模型整合为统一的概念框架。
• 建立了TVG类之间的严格包含层次结构，使得可行性结果可向更受限的类迁移，不可能性结果可向更一般的类迁移。
• 在TVG模型下，时序距离、可达时间与信息时延被形式化证明为等价概念。
• 该框架支持对确定性与随机性TVG的分析，包括边的马氏链过程与连续时间泊松过程的边动态建模。
• 该模型支持对连通性相变的研究，表明网络连通性依赖于节点数量、时间窗持续时间与路径长度约束。
• TVG方法支持网络设计的优化，例如通过重新配置会面时间表，将时序直径从24–30天优化至14–20天。