删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

异质弱相依网络鲁棒性研究

本站小编 Free考研考试/2021-12-29

摘要:传统研究认为网络间相依边的引入使网络鲁棒性大幅降低, 但现实相依网络的鲁棒性往往优于理论结果. 通过观察现实相依网络的级联失效过程, 发现节点不会因相依节点失效而损失所有连接边, 且由于网络节点的异质性, 每个节点的连接边失效概率也不尽相同. 针对此现象, 提出一种异质弱相依网络模型, 与传统网络逾渗模型不同, 本文认为两个弱相依节点的其中一个失效后, 另一个节点的连接边以概率γ失效而不是全部失效, 并且不同节点连接边失效概率γ会因节点的异质性而不同. 通过理论分析给出模型基于生成函数的逾渗方程, 求解出任意随机分布异质对称弱相依网络的连续相变点. 仿真结果表明方程的理论解与随机网络逾渗模拟值相符合, 网络鲁棒性随着弱相依关系异质程度的增大而提高.
关键词: 相依网络/
级联失效/
逾渗/
相变

English Abstract


--> --> -->
现实生活中许多网络系统都可以用复杂网络进行建模分析, 包括互联网、社交网络、物联网、食物链等[1-3]. 这些复杂网络系统的健壮与否对人们的生产生活起着至关重要的作用. ****对真实复杂网络的进一步研究发现, 多个网络系统之间往往存在相互依赖的关系, 即某个网络中某些节点需要依赖于其他网络的节点才能正常工作[4-6], 例如, 电力系统需要互联网传递维持正常运转的配置消息, 食肉动物需要捕食其他物种补充生存所需能量. 学术界通常使用逾渗模型分析复杂相依网络的鲁棒性[7-10], 随机从相依网络中移除$1 - p$比例的节点会触发逾渗过程, 多个网络间的节点会因相依关系而发生级联失效, 即使移除少部分节点仍可能导致整个相依网络的崩溃.
近些年来, ****们提出了多种模型用于研究现实复杂网络的鲁棒性, 这些模型研究了网络中各种连接边和依赖边对网络鲁棒性造成的影响, 包括l-hop逾渗、靴襻逾渗、k-核逾渗等[11-15]. 除了真实存在的相依边, 还有****研究了相依群对复杂网络鲁棒性的影响, 群内节点互相存在依赖关系, 其中一个节点失效可能会导致整个相依群完全失效, 研究者发现相依群规模会对网络鲁棒性造成较大影响[16-18]. 为了解释真实相依网络鲁棒性优于理论分析结果的现象, 有****提出了部分依赖相依网络模型[19-21], 该模型认为每个网络只有部分节点依赖于其他网络, 随着相互依赖比例的减少, 网络鲁棒性会增加. Liu等[22]提出了一种能够缓解级联失效程度的网络模型, 该模型中被依赖节点失效不会导致依赖节点的全部连接边失效, 但作者只考虑了同质网络, 即所有连接边失效概率是相同的, 实际网络的复杂性决定了这种同质网络一般是不存在的. Kong等[23]研究了单个网络存在异质弱相依边的情况, 但并未考虑多个相依网络的情况.
在现实的相依网络中, 异质弱相依边是普遍存在的. 例如, 某个电子元器件工厂需要另一个化工厂的原材料维持生产, 当化工厂关闭后, 电子元器件工厂仍可以生产部分种类的产品, 因为其本身可制造部分原材料供自身使用, 但实际社会生产供应链是复杂的, 某些工厂依赖的上游供应商倒闭后, 由于异质弱相依关系的存在, 即使是同类的工厂失去的产能也是不同的. 基于此现象, 提出一种异质弱相依网络模型, 其中弱相依指的是当两个相互依赖节点的其中一个失效后, 另一个节点的连接边以概率γ失效而不是全部失效, 此外, 为了更好地描述现实网络节点异质性, 本模型中任意节点因弱相依失效导致的连接边失效概率γ也互不相同. 本文利用生成函数方法给出异质弱相依网络的逾渗方程, 并解出任意随机分布异质对称弱相依网络的连续相变点. 仿真结果验证了本文理论解与随机网络逾渗模拟值的一致性, 通过对两种不同γ分布的异质对称弱相依网络逾渗分析可知, 相依网络鲁棒性会随着网络弱相依关系的异质性增大而提高.
本文的内容主要包括: 第2部分理论分析异质弱相依网络模型的巨分量方程和相变点; 第3部分仿真验证本文模型理论框架有效性并讨论本文研究成果; 第4部分对全文进行总结.
本文利用生成函数方法分析相依网络的鲁棒性[24]. 随机网络的度分布和余度分布生成函数分别为${G_0}(x) = \sum\nolimits_k {P(k){x^k}} $, ${G_1}(x) = \sum\nolimits_k {kP(k){x^{k - 1}}}/ $${\left\langle k \right\rangle } $, 其中$P(k)$为网络中任取一个节点度为k的概率, $\left\langle k \right\rangle $表示网络的平均度. 在单个网络中, 对于一个度为k的节点, 只要它有一条边通向巨分量, 该节点就属于巨分量. 令f为沿任意一条边到达的节点位于巨分量的概率, 则任取一个度为k的节点位于巨分量的概率为$1 - {(1 - f)^k}$, 因此网络中任意节点位于巨分量的概率均值为$\sum\nolimits_k {P(k)\left[ {1 - {{(1 - f)}^k}} \right]} $. 若初始随机攻击导致$1 - p$比例节点失效, 在以上概率均值的基础上乘以p, 可得随机攻击后任意节点位于巨分量的概率
${\mu _\infty } = p\sum\limits_k {P(k)} \left[ {1 - {{(1 - f)}^k}} \right] = p\left[ {1 - {G_0}(1 - f)} \right].$
(1)式中的f可通过以下方法求解, 沿一条边到达的节点度为k, 只要它剩余的k–1条边有一条通向巨分量, 该节点就属于巨分量, 概率为$1-{(1 - f)^{k - 1}}$, 在整个网络上求关于余度分布的概率均值可得$f = \sum\nolimits_k {{{P(k)k[1 - {{(1 - f)}^{k - 1}}]}/ {\left\langle k \right\rangle }}} $, 考虑到随机攻击导致1–p比例节点失效, 那么f满足自洽方程
$f = p\sum\limits_k {\frac{{P(k)k}}{{\left\langle k \right\rangle }}} [1 - {(1 - f)^{k - 1}}] = p\left[ {1 - {G_1}(1 - f)} \right].$
任意节点位于巨分量的概率可通过求解(1)与(2)式得到.
为了便于后文分析, 首先考虑同质弱相依网络. 当网络某节点失效后, 其相依节点的连接边以概率γ失效, 在整个网络中, 弱相依导致的连接边失效概率γ对于任意节点是相同的, 这样的网络称为同质弱相依网络. 本模型初始攻击导致的相依失效与传统模型相同, 即初始攻击随机移除A网络1–p节点, 对应B网络对应1–p节点也失效. 随后发生级联失效过程直至网络不再有新的节点失效, 该过程中节点间依赖关系是弱相依的. 最终状态A网络任意节点位于巨分量概率取决于以下两种情况: (E1)该节点及其弱相依节点都在巨分量中; (E2)该节点的弱相依节点失效导致它的每条连接边以概率γ失效, 但该节点仍位于巨分量. 两种概率的表达式$P({E_1})$$P({E_2})$分别为
$P({E_1}) = p[1 - {G_{A0}}(1 - {f_A})][1 - {G_{B0}}(1 - {f_B})],$
$P({E_2}) \!= \!p\left[ {1 - {G_{A0}}(1\! -\! {f_A} \!+\! \gamma {f_A})} \right]{G_{B0}}(1 \!-\! {f_B}).$
利用概率的加法规则求得$\mu _\infty ^A$
$\mu _\infty ^A = P({E_1} + {E_2}) = P({E_1}) + P({E_2}).$
把(3)和(4)式代入(5)式可得
$\begin{split} \mu _\infty ^A =\, & p[1 - {G_{A0}}(1 - {f_A})][1 - {G_{B0}}(1 - {f_B})] \\ &+ p{G_{B0}}(1 - {f_B})\left[ {1 - {G_{A0}}(1 - {f_A} + \gamma {f_A})} \right].\end{split} $
类似地, B网络巨分量大小为
$\begin{split}\mu _\infty ^B =\, & p[1 - {G_{B0}}(1 - {f_B})][1 - {G_{A0}}(1 - {f_A})]\\& + p{G_{A0}}(1 - {f_A})\left[ {1 \!- \!{G_{B0}}(1 \!-\! {f_B} \!+\! \gamma {f_B})} \right].\end{split}$
求解(6)和(7)式需要得到${f_A}$${f_B}$的自洽方程, A网络沿着任意边抵达巨分量概率${f_A}$也包含两种情况: (E3)沿着这条边到达的节点及其弱相依节点都在巨分量中; (E4)沿着这条边抵达的节点的弱相依节点失效导致它的每条连接边以概率γ失效, 但该节点仍位于巨分量. 两种情况的概率方程分别为
$P({E_3}) = p[1 - {G_{A1}}(1 - {f_A})][1 - {G_{B0}}(1 - {f_B})],$
$P({E_4}) = p(1 - \gamma )\left[ {1 - {G_{A1}}(1 -\! {f_A} + \gamma \!{f_A})} \right]{G_{B0}}(1 -\! {f_B}).$
利用概率的加法规则求得${f_A}$
${f_A} = P({E_3} + {E_4}) = P({E_3}) + P({E_4}).$
将(8)和(9)式代入(10)式可得
$\begin{split}{f_A} =\, & p[1 - {G_{A1}}(1 - {f_A})][1 - {G_{B0}}(1 - {f_B})]\\&+ p(1 -\! \gamma )\left[ {1 -\! {G_{A1}}(1 - \!{f_A} + \gamma \!{f_A})} \right]{G_{B0}}(1 - \!{f_B}).\end{split}$
同理可知${f_B}$
$\begin{split}{f_B} = \,& p[1 - {G_{B1}}(1 - {f_B})][1 - {G_{A0}}(1 - {f_A})]\\&+ \!p(1 -\! \gamma )\left[ {1 - \!{G_{B1}}(1 - \!{f_B} + \!\gamma {f_B})} \right]{G_{A0}}(1 - \!{f_A}).\end{split}$
接着分析异质弱相依网络. 当网络某节点失效后, 其对应依赖节点的连接边仍以某概率失效, 但从整个网络层面来讲, 不同节点因相依节点失效导致的连接边失效概率不完全相同, 而是服从一定的概率分布, 这种网络称作异质弱相依网络. 假设存在弱相依关系节点的边失效概率取值范围是$\gamma = \{ {\gamma _1},{\gamma _2},{\gamma _3}, \cdots \} $, 任意节点边失效概率$p(\gamma )$服从分布${\rm{\{ }}{p_{{\gamma _1}}},{p_{{\gamma _2}}},{p_{{\gamma _3}}}, \cdots \} $, 则新的${\mu _\infty }$f值可通过对$p(\gamma )$求概率均值得到, 即${\mu _\infty } = \sum\nolimits_\gamma {p(\gamma )} {\mu _{\infty ,\gamma }}$, $f = \sum\nolimits_\gamma {p(\gamma )} {f_\gamma }$, 如下:
$\begin{split}\mu _\infty ^A =\, & p[1 - {G_{A0}}(1 - {f_A})][1 - {G_{B0}}(1 - {f_B})]\\& + p{G_{B0}}(1 - {f_B})\sum\limits_\gamma p(\gamma )\\& \times \left[ {1 - {G_{A0}}(1 - {f_A} + \gamma {f_A})}\right],\end{split}$
$\begin{split}\mu _\infty ^B =\,& p[1 - {G_{B0}}(1 - {f_B})][1 - {G_{A0}}(1 - {f_A})]\\&+ p{G_{A0}}(1 - {f_A})\sum\limits_\gamma {p(\gamma )}\\& \times \left[ {1 - {G_{B0}}(1 - {f_B} + \gamma {f_B})} \right],\end{split}$
$\begin{split}{f_A} = \,&p[1 - {G_{A1}}(1 - {f_A})][1 - {G_{B0}}(1 - {f_B})]\\&+ p{G_{B0}}(1 - {f_B})\sum\limits_\gamma {p(\gamma )(1 - \gamma )}\\ &\times\left[ {1 - {G_{A1}}(1 - {f_A} + \gamma {f_A})} \right] ,\end{split}$
$\begin{split}{f_B} =\, & p[1 - {G_{B1}}(1 - {f_B})][1 - {G_{A0}}(1 - {f_A})]\\&+ p{G_{A0}}(1 - {f_A})\sum\limits_\gamma p(\gamma )(1 - \gamma )\\& \times\left[ {1 - {G_{B1}}(1 - {f_B} + \gamma {f_B})} \right] .\end{split}$
通过联立求解(13)—(16)式可得随机攻击后异质弱相依网络的巨分量规模. 当$\gamma $取值唯一时, 模型退化为同质弱相依网络; 当$\gamma $=0时, 模型退化为传统相依网络.
理论分析任意度分布的异质弱相依网络复杂度较高, 本文考虑对称网络以简化分析. 假设对称相依网络具有相同的度分布和余度分布, 即${G_{A0}}(x) \!=\! {G_{B0}}(x) \!=\! {G_0}(x)$, ${G_{A1}}(x) \!=\! {G_{B1}}(x) \!=\! {G_1}(x)$, 所以(13)—(16)式简化为
$\begin{split}{\mu _\infty } =\, & p{[1 - {G_0}(1 - f)]^2} + p{G_0}(1 - f)\\&\times\sum\limits_\gamma {p(\gamma )} \left[ {1 - {G_0}(1 - f + \gamma f)} \right],\end{split}$
$\begin{split}f =\, & p[1 - {G_1}(1 - f)][1 - {G_0}(1 - f)] + p{G_0}(1 - f)\\&\times\sum\limits_\gamma {p(\gamma )(1 - \gamma )\left[ {1 - {G_1}(1 - f + \gamma f)} \right]} .\end{split}$
显然(18)式在$f = 0$存在平凡解, 表明相依网络不存在巨分量. 在相变点处, 若(18)式存在正数解, 意味着该相变为连续相变. 为了解出相变点${p_{{\rm{c}},\gamma }}$, 对(18)式两边求关于f的偏导, 可得
$\begin{split}1 = \, &{p_{\rm{c}}}{G_1}^\prime (1 - f)[1 - {G_0}(1 - f)] \\&+ {p_{\rm{c}}}{G_0}^\prime (1 - f)[1 - {G_1}(1 - f)]\\& -\! {p_{\rm{c}}}{G_0}^\prime (1 - \!f)\!\sum\limits_\gamma {p(\gamma )(1 \!- \!\gamma )\left[ {1 \!- \!{G_1}(1 -\! f \!+ \!\gamma f)} \right]} \\&+ {p_{\rm{c}}}{G_0}(1 - f)\sum\limits_\gamma {p(\gamma ){{(1 - \gamma )}^2}{G_1}^\prime (1 - f + \gamma f)} ,\end{split}$
其中$G'(x) = {{\partial G(x)}/{\partial x}}$. 观察(19)式可知, 难以利用解析方法求出非连续相变点$p_{{\rm{c}},\gamma }^{\rm{I}} $, 但可采用数值方法分析$p_{{\rm{c}},\gamma }^{\rm{I}}$值. 对于连续相变, ${f_{{\rm{c}},\gamma }} = 0$, 代入(19)式可得
$p_{{\rm{c}},\gamma }^{{\rm{II}}} = \frac{1}{{{G_1}^\prime (1)\sum\limits_\gamma {p(\gamma ){{(1 - \gamma )}^2}} }}.$
为了便于进一步简化分析, 假设相依网络为对称的Erd?s-Rényi (ER)[25]同质网络, 即任意节点连接边失效概率均为$\gamma $, 且网络的度分布和余度分布生成函数相同, ${G_0}(x) = {G_1}(x) = {{\rm{e}}^{ - \left\langle k \right\rangle (1 - x)}}$, 则(20)式可简化为
$p_{\rm{c}}^{{\rm{II}}} = \frac{1}{{{{(1 - \gamma )}^2}\left\langle k \right\rangle }},\;\gamma < {\gamma _{\rm{c}}},$
(21)式只在$\gamma < {\gamma _{\rm{c}}}$有效, 若$\gamma > {\gamma _{\rm{c}}}$, 网络不存在连续相变. 在点$\gamma = {\gamma _{\rm{c}}}$处, 会出现相依网络连续与非连续相变的交汇点, 所以当$\gamma = {\gamma _{\rm{c}}}$时, 两种相变存在相同的${f_{\rm{c}}}$值, 即${f_{\rm{c}}} = 0$. 因此可以对(19)式两边求关于f的偏导并将$f = 0$代入得到${\gamma _{\rm{c}}}$的取值, 如下:
${(1 - {\gamma _{\rm{c}}})^3}G_1^{\prime \prime }(1) + 2\left[ {{{(1 - {\gamma _{\rm{c}}})}^2} - 1} \right]G_0^{\prime \prime }(1) = 0.$
因ER网络$G_1^{\prime \prime }(1) = G_0^{\prime \prime }(1)$, 所以(22)式简化为
${(1 - {\gamma _{\rm{c}}})^3} + 2{(1 - {\gamma _{\rm{c}}})^2} - 2 = 0.$
通过求解(23)式可知${\gamma _{\rm{c}}} = 0.16071$. 此外, 对于其他异质相依网络, 仍然可以采用以上方法求${\gamma _{\rm{c}}}$, 但复杂度较高且最终解可能不具备较为简洁的形式.
首先考虑同质对称弱相依网络, 图1图2分别为ER和scale-free (SF)[26]对称弱相依网络的逾渗仿真结果. 图中给出了巨分量${\mu _\infty }$和级联失效迭代次数(number of iterative, NOI)与初始保留节点比例p的关系. 从图1图2可以看出仿真结果与理论分析拟合. 随着$\gamma $值的减小, 相变点${p_{\rm{c}}}$逐渐减小的同时网络鲁棒性有所提升. 对于非连续相变, NOI曲线在相变点处存在尖峰, 连续相变的NOI曲线一直比较平缓.
图 1 同质对称ER弱相依网络对于不同γ值的巨分量${\mu _\infty }$p对应关系(网络节点数为200000, 平均度为4) (a) 巨分量大小${\mu _\infty }$p对应关系, 空心标记表示仿真结果, 实线是根据(17)和(18)式得到的理论值; (b) 级联失效迭代次数
Figure1. Simulation results of ${\mu _\infty }$ versus p for homogeneous symmetric interdependent ER networks for different γ (each network has 200000 nodes, average degree is 4). (a) The size of the giant component ${\mu _\infty }$ versus p. The symbols represent the simulation results, and the solid lines show the corresponding analytical predictions of Eqs. (17) and (18). (b) Number of iterative failures.

图 2 同质对称SF弱相依网络对于不同$\gamma $的巨分量${\mu _\infty }$p对应关系(网络节点数为20000, 平均度为4, $\lambda = 2.6$) (a) 巨分量大小${\mu _\infty }$p对应关系, 空心标记表示仿真结果, 实线是根据(17)式和(18)式得到的理论值; (b) 级联失效迭代次数
Figure2. Simulation results of ${\mu _\infty }$ versus p for homogeneous symmetric interdependent SF networks for different γ (each network has 200000 nodes, average degree is 4, $\lambda = 2.6$). (a) The size of the giant component ${\mu _\infty }$ versus p. The symbols represent the simulation results, and the solid lines show the corresponding analytical predictions of Eqs. (17) and (18). (b) Number of iterative failures.

下面通过图形示意方法讨论逾渗相变点数值解, 令$D(f) = {\rm{rhs}} - f$, 其中${\rm{rhs}}$表示(18)式等号右边的部分, 显然$D(0) = 0$, 即$D(f)$在0点处与f轴相交. 随着初始保留节点比例p的增大, $D(f)$曲线会逐渐上升, 直到p增大到相变点, $D(f)$曲线会第一次与f轴相切, 此时的p即为相变点pc. 图3图4分别为同质ER, SF弱相依网络的逾渗数值解示意图, 图中给出了$D(f)$f的对应关系. 从图3图4可以看出, 当$p = {p_{\rm{c}}}$时, $D(f)$曲线会与图f轴相切, 并且连续相变的切点为0 (图3(a)图4(a)), 非连续相变的切点大于0 (图3(b)图4(b)).
图 3 同质对称ER弱相依网络对于不同γ值的数值解示意图(网络平均度为4; 在相变点pc处, $D(f)$曲线与f轴相切) (a) γ = 0.1; (b) γ = 0.4
Figure3. Graphical solutions of homogeneous symmetric interdependent ER networks percolation transition for different γ: (a) γ = 0.1; (b) γ = 0.4. The average degree is 4. At the transition point pc, the curve of D(f) tangents to f axis.

图 4 同质对称SF弱相依网络对于不同γ值的数值解示意图(网络平均度为4, $\lambda = 2.6$; 在相变点pc处, $D(f)$曲线与f轴相切) (a) γ = 0.5; (b) γ = 0.9
Figure4. Graphical solutions of homogeneous symmetric interdependent SF networks percolation transition for different γ: (a) γ = 0.5; (b) γ = 0.9. The average degree is 4, $\lambda = 2.6$. At the transition point pc, the curve of D(f) tangents to f axis.

图5给出了根据(21)和(23)式求出的不同平均度同质对称ER弱相依网络相变点pcγ对应关系. 从图5可以看出, 对于同质对称ER相依网络, ${\gamma _{\rm{c}}}$取值唯一且与网络度分布无关, 这与前文理论分析结果一致. 此外, 随着平均度的增加, ${p_{\rm{c}}}$随之减少, 意味着网络中更多的连接边可使网络更加鲁棒.
图 5 不同平均度同质对称ER弱相依网络相变点pcγ对应关系, 其中网络的节点数为200000; 空心标记为仿真结果; 理论值分别通过实线和短划线表示, 其中实线为连续相变, 短划线为非连续相变; 垂直的点状线为连续相变和非连续相变的边界
Figure5. Simulation results of pc versus γ for homogeneous symmetric interdependent ER networks with different $\left\langle k \right\rangle $, each network has 200000 nodes. The symbols represent the simulation results. The corresponding analytical predictions are shown by lines, solid lines and dashed lines represent continuous and discontinuous phase transitions, respectively. The vertical dotted line is the boundary of continuous and discontinuous regions.

接下来考虑异质对称弱相依网络. 为了便于仿真分析, 首先考虑一种较为简单的$\gamma $分布情况, 即$\gamma = \left\{ {\bar \gamma - \Delta \gamma ,\bar \gamma + \Delta \gamma } \right\}$$p(\gamma ) \sim \left\{ {q,1 - q} \right\}$, 表示网路中任取节点的弱相依节点失效后, 其连接边失效概率为$\bar \gamma - \Delta \gamma $的概率为q, 连接边失效概率为$\bar \gamma + \Delta \gamma $的概率为$1 - q$. 图6给出了不同简单$\gamma $分布的同质($\Delta \gamma = 0$)和异质($\Delta \gamma \ne 0$) ER相依网络的仿真结果. 从图6可以看出, 在相同$\gamma $概率均值的情况下, 异质性的引入会减小${p_{\rm{c}}}$并提高网络的鲁棒性.
图 6 不同简单γ分布的同质和异质ER弱相依网络的仿真结果, 其中网络节点数为200000, 平均度是4, $q = 0.5$; 空心标记表示仿真结果, 实线是理论分析值
Figure6. Simulation results of heterogeneous and homogeneous symmetric ER interdependent networks with different γ distributions, each network has 200000 nodes, average degree is 4, $q = 0.5$. The symbols represent the simulation results, and the solid lines show the corresponding analytical predictions.

图7是简单γ分布异质对称ER弱相依网络相变点与$\Delta \gamma $值对应关系的仿真结果, 图中连续相变与非连续相变分界线与(23)式求解方法类似, 通过对(19)式两边求f的偏导, 再将${f_{\rm{c}}} = 0$代入得到
图 7 简单γ分布异质对称ER弱相依网络相变点${p_{\rm{c}}}$$\Delta \gamma $值的仿真结果, 其中网络节点数为200000, 平均度是4, $q = 0.5$; 空心标记表示仿真值, 短划线和实线分别表示非连续相变与连续相变的理论值, 点状线是连续相变和非连续相变的分界线
Figure7. Simulation results of critical point ${p_{\rm{c}}}$ of simple heterogeneous symmetric ER interdependent networks versus $\Delta \gamma $, each network has 200000 nodes, average degree is 4, $q = 0.5$. The symbols represent the simulation results. The corresponding analytical predictions are shown by lines, solid lines and dashed lines represent continuous and discontinuous phase transitions, respectively. The dotted line is the boundary of continuous and discontinuous regions.

$\sum\limits_\gamma {p(\gamma ){{(1 - \gamma )}^3}} + 2\sum\limits_\gamma {p(\gamma ){{(1 - \gamma )}^2}} - 2 = 0,$
联立(20)和(24)式可解出相变分界点与$\Delta \gamma $的对应关系, 如图7所示. 从图7可以看出, 随着$\Delta \gamma $增大, 网络的相变点${p_{\rm{c}}}$逐渐减小, 网络的鲁棒性有所提升. 当$\bar \gamma = 0.16$时, $\Delta \gamma $值的增大使网络逾渗相变从非连续变为连续. 更大$\Delta \gamma $值意味着网络弱相依关系的异质性越强, 同时会使网络抵抗随机攻击的能力提高.
对于更一般的异质网络, 本文假设$p(\gamma )$服从于以下特殊高斯分布
$p(\gamma ) = \left\{ {\begin{aligned}&{\alpha \frac{1}{{\sqrt {2{\text{π}}} \sigma }}{{\rm{e}}^{ - \frac{{{{(\gamma - \bar \gamma )}^2}}}{{2{\sigma ^2}}}}},}&{\sigma \ne 0}\\&{\delta (\gamma - \bar \gamma ),}&{\sigma = 0}\end{aligned}} \right.,$
其中$\bar \gamma $是均值, ${\sigma ^2}$是方差, $\alpha $为归一化调节参数. 当$\sigma = 0$时, 异质网络退化为同质网络, 所有节点的$p(\gamma )$相同. 图8给出了连接边失效概率服从高斯分布的异质ER相依网络仿真结果. 从图8可以看出, 随着高斯分布方差增大, 网络相变点${p_{\rm{c}}}$逐渐减小, 网络鲁棒性相应提高. 方差越大意味着网络异质程度越高, 因此, 网络异质程度与网络鲁棒性是正相关的, 这也从一定程度上解释了真实复杂网络抗毁性能优于理论结果的事实, 该结论与图7的仿真结果一致.
图 8 连接边失效概率服从高斯分布的异质对称ER弱相依网络巨分量${\mu _\infty }$p的对应关系, 其中高斯分布的均值$\bar \gamma $为0.7, $\sigma $分别为0.9, 0.4, 0.2; 根据(25)式, $\sigma = 0$$p(\gamma ) = \delta (\gamma - \bar \gamma )$; 空心标记为仿真结果, 实线为理论分析值
Figure8. Simulation results of ${\mu _\infty }$ versus p for heterogeneous symmetric ER interdependent networks with Gaussian distributions of connectivity link failure probability. The average value $\bar \gamma $ are set as 0.7, $\sigma $ are set as 0.9, 0.4, 0.2, respectively. According to Eq. (25), $p(\gamma ) = \delta (\gamma - \bar \gamma )$ when $\sigma = 0$. The symbols represent the simulation results, and the solid lines show the corresponding analytical predictions.

现实复杂网络之间往往存在相依关系, 传统理论分析结果表明, 相依关系的引入大幅度降低了网络抵抗攻击的能力, 但现实网络并未因少量节点遭到攻击而发生严重的级联失效, 其鲁棒性往往优于传统理论结果, 因此本文提出一种异质弱相依网络模型以解释此现象. 与传统相依网络不同, 在异质弱相依网络中, 当某节点的相依节点失效后, 该节点的连接边以概率γ失效而不是全部失效, 此外, 因为每个节点存在差异性, 不同节点的连接边失效的概率也不尽相同. 本文给出了异质弱相依网络模型的逾渗方程, 求出关于任意随机网络的理论连续相变点$p_{{\rm{c}},\gamma }^{{\rm{II}}}$, 分析了同质对称ER弱相依网络连续与非连续相变分界点${\gamma _{\rm{c}}}$. 仿真结果表明, 逾渗方程的理论解与随机网络逾渗模拟结果相符合, 网络鲁棒性会随着γ值的降低而提高. 另外, 通过对两种不同γ分布的分析可知, 网络弱相依关系的异质程度越高鲁棒性就越强. 本文研究成果对如何理解现实复杂相依网络的高鲁棒性具有一定的指导意义.
相关话题/网络 概率 比例 节点 工厂

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于经验知识遗传算法优化的神经网络模型实现时间反演信道预测
    摘要:人工神经网络由于具有较强的非线性拟合能力,可用来建立终端位置与接收信号之间的映射关系,从而获得不同位置的信道特性.神经网络建模的精度一般由所使用的训练样本数量决定,训练样本数目越多,模型往往越精确.但大量的训练数据的获取,耗时较多.本文将经验知识融入遗传算法,对人工神经网络模型进行优化,实现了 ...
    本站小编 Free考研考试 2021-12-29
  • 基于<i>U</i>(1)对称的无限矩阵乘积态张量网络算法提取Luttinger液体参数<i>K </i>
    摘要:本文数值研究了自旋$S=1/2,1,2$的各向异性量子XXZD模型的Luttinger液体参数K.首先,利用$U(1)$对称的无限矩阵乘积态算法(iMPS)得到在Luttinger液体相中的基态波函数.通过二分量子涨落F和有限纠缠标度指数$\kappa$的关系可以提取出Luttinger液体参 ...
    本站小编 Free考研考试 2021-12-29
  • 基于人工神经网络在线学习方法优化磁屏蔽特性参数
    摘要:磁屏蔽在磁场敏感的装置如原子钟、原子干涉仪等精密设备中发挥重要的作用,在变化外磁场下的某个磁屏蔽内部剩余磁场,可以通过Jiles-Atherton磁滞模型和磁屏蔽系数计算得出,根据计算结果可以进行主动补偿来抵消内部磁场的改变.然而实际应用中磁滞模型中五个与磁屏蔽相关的参数以及磁场衰减的两个参数 ...
    本站小编 Free考研考试 2021-12-29
  • 知识图谱复杂网络特性的实证研究与分析
    摘要:知识图谱是人工智能研究的新热点,用于解决智能检索、自动回答等应用问题.概念图谱是微软发布的大型知识图谱,本文以概念图谱为研究对象构建了概念图谱网络,并对其特性进行了分析.为解决概念图谱海量数据带来的计算困难,提出一种适合概念图谱的最大子网构建方法和一种网络近似平均路径的计算方法;对不同度值给出 ...
    本站小编 Free考研考试 2021-12-29
  • 基于加权<i>K</i>-阶传播数的节点重要性
    摘要:节点重要性对于分析网络结构具有重要意义.为了充分刻画网络全局和局部特性,本研究基于网络拓扑结构对疾病传播过程进行了抽象,分别设置各个节点为传染源,在经历传播时长K后,将网络中已感染节点的数量定义为K-阶传播数,最终基于不同K值下的K-阶传播数得到节点重要性结果.对Watts-Strogatz小 ...
    本站小编 Free考研考试 2021-12-29
  • 在具有排斥耦合的神经元网络中有序斑图的熵测量
    摘要:脑神经网络在一定条件下可以自发出现行波、驻波、螺旋波,这些有序时空斑图的出现往往与某种神经疾病有关,但是其产生的机制尚未完全清楚,如何定量描述这些时空斑图的性质仍需要探索,为了解决这些问题,本文采用Hindmarsh-Rose神经元模型研究了具有排斥耦合的二维双耦合层神经元网络从混沌初相位开始 ...
    本站小编 Free考研考试 2021-12-29
  • 复杂网络电输运性能与通信序列熵之间的关联
    摘要:网络的电输运性能优化,不仅有助于理解网络的结构与功能关系,而且对于提升电气工程技术也有着非常重要的意义.从信息的角度看待网络,寻求影响网络电输运性能的信息结构测度是解决这一问题的有效途径.最近的研究表明,复杂网络的通信序列熵可以有效地量化网络的整体结构信息.本文将探讨其表征网络电输运性能的能力 ...
    本站小编 Free考研考试 2021-12-29
  • 基于相对距离的复杂网络谱粗粒化方法
    摘要:复杂网络的同步作为一种重要的网络动态特性,在通信、控制、生物等领域起着重要的作用.谱粗粒化方法是一种在保持原始网络的同步能力尽量不变情况下将大规模网络约简为小规模网络的算法.此方法在对约简节点分类时是以每个节点对应特征向量分量间的绝对距离作为判断标准,在实际运算中计算量大,可执行性较差.本文提 ...
    本站小编 Free考研考试 2021-12-29
  • 相依网络的条件依赖群逾渗
    摘要:相依网络鲁棒性研究多集中于满足无反馈条件的一对一依赖,但现实网络节点往往依赖于多节点构成的依赖群,即使群内部分节点失效也不会导致依赖节点失效.针对此现象提出了一种相依网络的条件依赖群逾渗模型,该模型允许依赖群内节点失效比例不超过容忍度$\gamma$时,依赖节点仍可正常工作.通过理论分析给出了 ...
    本站小编 Free考研考试 2021-12-29
  • 多个量子节点确定性纠缠的建立
    摘要:量子纠缠是一种重要的量子资源,在多个空间分离的量子存储器间建立确定性的量子纠缠,然后在用户控制的时刻将所存储的量子纠缠转移到量子信道中进行信息的分发和传送,这对于实现量子信息网络是至关重要的.本文介绍了用光学参量放大器制备与铷原子D1吸收线对应的非经典光场,而且在三个空间分离的原子系综中确定性 ...
    本站小编 Free考研考试 2021-12-29