Upload
fausto-gentile
View
217
Download
1
Embed Size (px)
Citation preview
3. Modelli di reti complesse
•Reti random (Erdos-Renyi)•Reti Scale Free•Costruire una ER, SF con Pajek e Octave
Degree distribution
Probabilità che un nodo scelto a caso abbia grado k
n
k gradocon nodi #)( kP
k
kP 1)(
Probability Distribution Function Funzione di distribuzionedensità di probabilitàDegree distribution
Cumulative Distribution Function Funzione di Ripartizione
k
h
hPkgradoP0
)()(
Funzione di sopravvivenza
max
)()()(k
kh
hPkgradoPkP
max
min 1minmin 1)()()(
k
kh
hPkgradoPkP
distribuzione
ripartizione
sopravvivenza
k
nmkkP /2)(kmedio grado
SopravvivenzaScala logaritmica
definizioni
Rete completamente connessa [Fully connected network]:Tutti i nodi son collegati gli uni con gli altri
Rete regolare: tutti i nodi hanno lo stesso grado
Lattice: ogni nodo è collegato con i suoi vicini a seconda della distanza euclidea fissata
Lattice ad anello [Ring lattice or regular ring]: i nodi sono disposti in cerchio e connessi con i k vicini più prossimi
Esempi di degree distribution
Rete completamente connessa, o completa o regolare o omogenea [fully connected]=> tutti i nodi hanno lo stesso grado
Rete random n=100, m=300 coppie estratte a caso i.e links.
Binomial/Poisson distribution
Per n≥100 e np≤10 oPer n ≥20 e p ≤1/20Binomiale Poisson
Binomiale <k>=pn p=0.06
m=300; link possibili 4950!2)!2100(
!100
2
100
Reti random
Una rete random è ottenuta a partire da n vertici ed aggiungendo spigoli tra essi in modo random. Diverse distribuzioni di probabilità dei gradi dei nodi corrispondono a diverse reti. Il tipo di reti random più studiato è quello in cui ogni spigolo è aggiunto con probabilità costante p. Il modello G(n,p) di Erdos-Renyi è di questo tipo. Si ottiene collegando i nodi con probabilità costante p.
Il numero medio di spigoli nel modello G(n,p) èSi ottiene una distribuzione Binomiale dei gradi
Nella figura seguente vediamo alcune reti Erdos-Renyi con p differenti.
pn
Np
2
Random networks (Erdös and Rényi, 1959)
Diversi tipi di grafi random con 10 nodi. Ogni coppia di nodi è connessa con probabilità a) p=0; b) p=0.1;c) p=0.15; d) p=0.25
Wang.X.F., 2002
1125.1125*100
45 25.0
775.615*100
45 15.0
55.410*100
45 0.1p
45!2)!210(
!10
2
10
2;10;!)!(
!
Npp
Npp
Np
N
rnrrn
n
r
nN
Proprietà reti random
Sopra un certo valore di p è ‘’praticamente certo’’ che il grafo sarà connesso
pc (ln n)/n= percolation treshold,
il grado medio corrispondente è: <kc> = 2m/n=pc(n-1) pc n
Effetto Small World: la distanza media lCresce lentamente co n.
Il coefficiente di Clustering Ctende a 0 per n∞ (fissato <k>)
Proprietà reti random
knl log/)log(
nkpC /
Small World model (Watts and Strogatz, 1998)Volevano costruire una rete con alto clustering and bassa distanza media
Si parte da un ‘’regular ring’’ con n nodi dove ogni nodo è connesso con i suoi M vicini a destra e M a sinistra e quindi ha grado k=2M.
M=2k=4
Una rete così fatta ha un alto clustering coefficient (tipico delle reti regolari)
E una distanza media alta (che cresce linearmente con n)
24
33
M
MC
M
nl
4
Rewiring: si fanno passare tutti i nodi da 1 a n. Si considerano tutti i link dal nodo i al suo nodo di destra j e, con probabilità p, si rompe la connessione con j e la si indirizza verso un altro nodo scelto a caso
Se p è piccolo, le proprietà locali non saranno modificate in modo significativo i.e 1)la degree distribution rimarrà concentrata intorno alla media <k>=2M2)Il clustering coefficient C non varierà in modo significativo
Ma si noterà una notevole diminuzione della distanza media che passa da anl )log(nl
n
ll=n
l=log(n)
Nota: il modello SW, seppure in grado di generare il fenomeno della distanza piccola, mostra una distribuzione dei gradi dei nodi ancora Poissoniana concentrata attorno ad un valore medio e che non assicura la disomogeneità della rete tipica delle reti naturali (pochi nodi con tanti collegamenti)
k
)(kP
k
)( kxP
log(k)
))(log( kxP
pdf, distribuzionesopravvivenza
1)( kkXP
Distribuzioni a legge di potenza, legge di Zipf= distribuzione ad invarianza di scala
distribuzione di Pareto
)log()log()1())(log( CkkP
L’economista Pareto la individuò nella distribuzione del reddito.Il linguista Zipf la individuò nella frequenza d’uso delle parole nei testi.Principio 80/20: il 20% della popolazione detiene l’80% della ricchezza.
La funzione di sopravvivenza ha la forma
Di solito sono rappresentate in un grafico log-log cioè:
1)( CkkgradoP
E la relazione diventa lineare
Nonostante siano molti i fenomeni che presentano distribuzioni ad invarianza di scala per alcuni intervalli, sono rari i casi in cui questo valga lungo tutto il supporto.
http://www.nexres.org/2009/04/27/distribuzione-a-legge-di-potenza/
http://www.cash-cow.it/2007/scienza-della-complessita/legge-di-potenza.htm
Commenti sulla legge di potenza
Reti ‘’scale free’’
n=200, m=199, ottenuta aggiungendo un nodo alla volta e connettendolo, in modo ‘’preferenziale’’ (con più alta probabilità) a nodi con grado più alto.
Piccardi ACN2010
Pochi nodi con grado molto alto
legge di Potenza
PP
P
P(x≥
k)
La particolarità di questi grafi è che il numero di link di un nodo è proporzionale al numero di link già esistenti.
Esempi di reti Scale Free (Barabasi e Albert, 1999)
Scala logaritmica
Compaiono gli hubs
E’ quasi una linea retta
)()( kxPkP
Costruire una scale-free network
Algoritmo di Barabasi and Albert (1999) ispirato alla crescita della rete WWW1.Si considerano m0 nodi connessi in modo arbitrario (ad esempio una random network)2.Ad ogni passo, si aggiunge un nuovo nodo i con m≤m0 links in modo che si attacchi ai nodi esistenti a seconda del loro grado.3.Preferential attachment: gli m links si legano con più alta probabilità a nodi con alto grado («rich get richer») La probabilità di collegare un nuovo nodo i ad uno esistente j è proporzionale a kj:
Alcune proprietà delle reti ad invarianza di scala [Scale free networks]
Per n∞
1)Il grado medio tende a <k>=2m e P(k)=k -3
2)La varianza <k2>= 2=<k2>-<k> 2 diverge (‘’heavy tail’’). la varianza continua ad aumentare se aumento il numero di nodi
3) La distanza media aumenta come (‘’ultra Small World’’)
4) Il clustering C0 ma meno velocemente rispetto alle reti E-R dove è molto piccolo per qualsiasi n
(n))(
nl
lnln
ln
Robustezza delle Scale-free networks
SF robuste ad attacchi random
Robustezza delle Scale-free networks
Proprietà reti scale Free
Legge di potenza disomogeneaAlto clusteringPresenza di HubRobustezza ad attacchi casualiVulnerabilità ad attacchi mirati
DescrivonoInternetWWWServizi urbaniTraffico aereoReti socialiLo shortest path dipende dalla distanza di un hub
Varie
Distribuzione di Poisson
Probabilità di avere k occorrenze di un evento in un certo intervallo di tempo sapendo che il n° medio nell’intervallo è
(x≥k)=1-P(x≤k)Funzione di sopravvivenza
P
P(X=k)
Distribuzione binomiale
E’ la probabilità di avere k successi in n prove indipendenti, ciascuna con probabilità p di successo. Per n=1 diventa la distribuzione di Bernoulli.
La probabilità di avere k successi (k link) in n esperimenti (link possibili) è:
media=npvarianza=np(1-p)
Distribuzione discreta priva di memoria
Distribuzione di Poisson
Distribuzione discreta priva di memoria
Esprime le probabilità che si verifichino n eventi indipendenti in un dato intervallo di tempo, sapendo che mediamente se ne verificano
Le distribuzioni binomiale e di Poisson convergono alla normale:La binomiale per n ∞Quella di Poisson quando la media è elevata (>6)