复杂网络的免疫策略讲义.ppt

在现实网络中测试免疫的性能 图7基于SIS病毒传播模型，分别采用目标免疫和EC策略对于(a)AS网络,(b)HEP-Th网络和(c)PGP网络，进行免疫，根据删除边的比例q的变化研究感染节点概率F的变化。 在现实网络中测试连通度 图8研究目标免疫和EC免疫策略对现实网络连通度C的影响。其中q为免疫边的比例 对于EC免疫策略的思考 EC免疫是从全局角度来对边进行免疫，也同样可以从局部信息的角度来处理。 关于边的免疫，一直感觉不是很切实际，毕竟在现实生活中，都是对整个节点进行免疫，比如某人患有H1N1，就把他完全隔离，并没有要求这个人只能见某些人或不能见某些人，所以对于EC免疫策略的实用性方面一直存在疑惑。 多重图形剖分免疫 以往的免疫策略的免疫原则为：根据度数或者介数，对重要的节点进行免疫。 Yiping Chen 通过对目标免疫分析发现：目标免疫策略把网络分成好几种小的网络。小的网络在病毒传播过程中起的作用很小，所以把网络分成好几个小的网络实际上浪费了代价。Yiping 通过嵌入分割算法（nested dissection algorithm）[8]把网络分成几个近似大小的网络，然后对分割集团进行免疫，提出了EGP策（equal graph partitioning immunization strategy）。 EGP免疫策略可以比目标免疫少用5%-50%的免疫剂量，达到相同的感染密度。 原则是 免疫一组节点(separator group)，节点把网络分成几个相似大小的集团。 图9 来自文献7 类似于EGP算法的策略，可以同样采用嵌入式分割算法，用边对网络进行划分，提出了多重图形剖分算法。 图10 Nested dissection 的执行过程（取自文献8） 在linux环境下通过metis软件中的kmetis和pmetis程序来对网络划分，结果是把每个顶点对应的集团编号存放在文本中，然后对于不同集团之间的边进行免疫。实验如图11： 图11 对于有向网络免疫的思考 M. E. J. Newman的 Email networks and the spread of computer viruses[9]文章，对email有向网络进行分析免疫，首先是把Email网络进行分析 图12 Email的分析 来自文献9 然后根据出度对于Email网络进行目标免疫 图13 对Email网络进行免疫 来自文献9 针对有向网络的免疫，我思考的是使用类似于pagerank 算法来求解。 Pagerank的思想是对网页进行打分，原理：网页A指向网页B，则B=A的分值/A的出度+……。 针对SIS病毒传播模型，比如节点B,C,D三个节点指向节点A，那么节点A感染病毒的概率为至少有一个邻居节点为感染节点 A=1-(1-B)(1-C)(1-D) 所以针对有向无权网络使用SIS病毒传播模型： 如果n与i有边连接, E(n,i)=1，否则为0。value(i)为节点i感染疾病的可能性 问题：大型稀疏矩阵的求解 参考文献 [1] Reuven Cohen, Shlomo Havlin, Daniel ben.Avraham, Phys Rev Lett 91 (2003) 277901 [2] Pastor-Satorras R, Vespignani A, Phys. Rev. E. 65 (2002) 036104 [3] Madar, N.; Kalisky, T.; Cohen, R.; Ben-Avraham, D，etc.Eur.Phys.J.B, 38(2004):269-276 [4] Stanley Milgram, The Small World Problem, Psychology Today, 1967, Vol. 2, 60-67 [5] Shi Zhou, Raul J. Mondragon, New Journal of Physics 9(2007) 173 [6] Andy Yoo, Edmond Chow, etc,Proceedings of the 2005 ACM/IEEE conference on Supercomputing, 2005. [7] Chen Y, Paul G, etc, Phys Rev Lett. 101(2008) 058701. [8] Bruce Hendrickson, Robert Leland， A multilevel algorithm for partitioning graphs，Supercomputing，Tech. report SAND93-1301, Sandia National Laboratories, Albu