Modern centralitási algoritmusok teljesítménye dinamikusan változó hálózatok esetén

Évtizedek óta a centralitás az egyik leginkább tanulmányozott fogalom a komplex hálózatokkal kapcsolatban. A hálózat legbefolyásosabb csomópontjainak azonosításával foglalkozik. A centralitás mérésére javasolt módszerek nagy számának ellenére mindegyik módszer más jellemzőjét veszik figyelembe a hálózatnak a „létfontosságú" csomópontok azonosítása során, és emiatt mindegyik módszernek megvannak a maga előnyei és hátrányai. A lokális metódusok, mint például a fokszám centralitás költséghatékonyak és könnyű őket kiszámítani, míg globális eljárások, mint közelség centralitás vagy köztesség centralitás használata pontosabban tudják azonosítani a befolyásos csomópontokat, habár ezeknek a módszereknek a használata nagyon költséges lehet. A probléma megoldására az elmúlt években számos új módszert találtak ki, ilyen például a hatékonyság centralitás, vagy a TOPSIS módszer használata relatív entrópiával kombinálva.

Az eddig kifejlesztett algoritmusok túlnyomó része csak statikus hálózatok esetén effektív, így egyre nagyobb az érdeklődés létfontosságú csúcsok meghatározására időben változó gráfokban. Ebben a munkában két új módszer teljesítményét vizsgáljuk dinamikus hálózatok esetén. A hatékonyság centralitás az információcsere hatékonyságát méri a hálózaton, míg a másik relatív entrópiát használ a fontos csúcsok azonosításához. A teljesítmény vizsgálata során Independent Cascade modellt, illetve Suspected-Infected modellt használunk az információterjedés szimulálásához. Az előadásban vizsgáljuk a különböző módszerek által legjobbnak ítélt csúcsokat, ezeknek a csúcsoknak a fertőzési kapacitását, a fertőzéssel elért lefedettségi rátákat. Ezen felül a különböző metódusok Time-Constrained Coverage-t illetve a Cover Time-ket. Az eredmények arra a feltételezésre engednek következtetni, hogy időben váltakozó gráfok esetén nincs teljesítménybeli különbség a meglévő és a modernebb módszerek között.