رويكردي براي تحليل آسيب‌پذيري شبكه‌هاي اجتماعي مبتني بر عملكرد با استفاده از ضريب خوشه‌بندي

An Approach to Analyze the Vulnerability of Function-Based Social Networks Using Clustering Coefficient

توانمندي در واكنش به رويدادهاي غيرمنتظره همواره براي شبكه‌هاي دنياي واقعي مطلوب است. به‌منظور بهبود توانمندي هر نوع سيستم شبكه، تجزيه و تحليل آسيب‌پذيري براي اختلالات خارجي از قبيل نقص تصادفي يا حملات دفاعي كه به عناصر شبكه وارد مي‌شوند حائز اهميت است. در اين مقاله، يك مسئله نوظهور در ارزيابي توانمندي شبكه‌هاي پيچيده را بررسي مي‌كنيم: آسيب‌پذيري خوشه‌بندي شبكه‌هاي مبتني بر عملكرد در برابر فقدان عناصر شبكه. هدف اصلي شناسايي رئوسي است كه فقدان آن‌ها به‌واسطه تضعيف خوشه‌بندي، به‌طور قابل‌توجهي به شبكه آسيب مي‌رساند كه از طريق ميانگين ضريب خوشه‌بندي مورد ارزيابي قرار مي‌گيرد. اين مسئله به اين دليل حائز اهميت است كه هر تغيير قابل‌ملاحظه‌اي ناشي از نقص عناصر كه منجر به تغيير خوشه‌بندي مي‌شود مي‌تواند عملكرد شبكه، مانند توانايي انتشار اطلاعات در يك شبكه اجتماعي را كاهش دهد. ما اين تحليل آسيب‌پذيري را به‌عنوان يك مسئله بهينه‌سازي تنظيم مي‌كنيم و كامل بودن و عدم يكنواختي آن را نشان مي‌دهيم. درنهايت، آزمايش‌هاي جامعي را در شبكه‌هاي اجتماعي ساختگي و واقعي كه توسط مدل‌هاي شناخته‌شده توليدشده‌اند، انجام مي‌دهيم. نتايج تجربي در مقايسه با استراتژي‌هاي مختلف در شبكه‌هاي تركيبي و واقعي نشان مي‌دهد كه ميانگين ضريب خوشه‌بندي در تحليل نقص گره‌هاي شبكه بسيار كارآمد است . همچنين نتايج به‌دست‌آمده تائيد مي‌كند كه تكنيك حذف گره‌هاي پراهميت به ويژه از نظر مقدار مركزيت نزديكي، در تجزيه و تحليل آسيب‌پذيري خوشه‌بندي بسيار مؤثر است.

Robustness in response to unexpected events is always ideal for real-world networks. In order to improve the robustness of any network system, it is important to analyze the vulnerability to external interference such as accidental fault or attacks that are introduced into the network elements. In this paper, a novel study investigates the robustness of complex network using the clustering coefficient of networks against loss of elements. In particular, we can identify vertexes that can damage the network due to the weakening of its clustering, which is evaluated by means of the average of clustering coefficient. This is important because any tangible change that leads to a clustering is caused by defects that can reduce network functionality, such as the ability to spread information on a social network. We present this risk analysis as an optimization method and demonstrate the completeness and uncertainty of our approach to identify main vertices for clustering. Finally, we perform comprehensive experiments in the combined social networks that are generated by different models. The experimental results show that the average clustering coefficient is very efficient in analyzing the fault of network node failure. Also, the results confirm that the technique of removing the important nodes, especially in terms of the closeness centrality, is very effective in the analysis of clustering vulnerability.