Sağlamlık ve Dayanıklılık
Sezgisel olarak, karmaşık bir ağ, bazı bileşenlerinin arızalanması durumunda bile temel işlevselliğini koruyorsa sağlamdır. Ağlarda sağlamlık çalışması önemlidir, çünkü belirli ağ sınıflarının başarısızlıklar ve saldırılar altındaki davranışlarının tam olarak anlaşılması, örneğin İnternet gibi iletişim ağlarını saldırılara karşı korumaya veya uyuşturucudaki metabolik ağların zayıflıklarından yararlanmaya yardımcı olabilir.
Genellikle rastgele başarısızlık ile kasıtlı saldırılar arasında ayrım yaparız. Gerçek dünyadaki karmaşık ağlardaki rastgele ve kasıtlı bileşen arızalarına örnek olarak, örneğin bir hücredeki mutasyonlar, metabolik ağlardaki farmasötik veya çevresel stres, İnternet'teki yönlendirici arızaları veya havayolu veya otoyol ağlarına kasıtlı saldırılar verilebilir. İnternet gibi bazı ağların, yönlendiricilerin rastgele düşmesine karşı çok dayanıklı olduğunu ancak iyi seçilmiş merkezi yönlendiricilere yönelik hedefli saldırılardan büyük ölçüde zarar görebileceğini göreceğiz.
Bu bölüm, bir ağın sağlamlığı veya tekrarlanan bileşen arızalarına karşı dayanıklılığı ile ilgili olan ağ istatistiklerine ayrılmıştır. Çeşitli istatistiklere genel bir bakış sunacağız ve kullanışlılık ve hesaplama karmaşıklığı açısından pratikte uygulanabilirliğini tartışacağız.
Sağlamlık üzerine yapılan araştırmalar genellikle, bir ağın bir dizi bileşen arızası geçirmesi durumunda etkileri analiz ederek veya ölçerek bu istatistiklerin nasıl değiştiğine odaklanır. Mümkün olan her yerde, farklı istatistikleri ilişkilendirmeye ve avantajlarını ve dezavantajlarını tartışmaya çalışıyoruz. Çoğu durumda, tanımları göstermek için örnekler kullanırız.
Bu bölümü şu şekilde düzenlemeyi seçtik: En kötü durum, ortalama ve olasılık istatistikleri arasında ayrım yapıyoruz. En kötü durum bağlantı ve mesafe önlemlerini kapsar.
Ortalama sağlamlık istatistikleri, sağlamlık özellikleri hakkında daha genel bir bakış açısı sağlarken, olasılık istatistikleri başarısızlık olasılıklarını üstü kapalı olarak dikkate alır. Kabaca söylemek gerekirse, istatistikler bu bölümün sonuna doğru yerleştirildikçe daha anlamlı hale gelirken, hesaplanması da daha zordur.
Durum Bağlantı İstatistikleri
Bu bölüm, “Ortaya çıkan ağın bağlantısının kesilmesi ve P özelliğine sahip olması için ağdan silinmesi gereken minimum kenar veya köşe sayısı nedir?” şeklindeki soruları yanıtlayan istatistiklerle ilgilidir.
Bunlar en kötü durum istatistikleridir, çünkü aynı boyuttaki rastgele bir köşe veya kenar kümesinin silinmesi aynı etkiye neden olmayabilir. Dolayısıyla dolaylı olarak, köşe veya kenar hatalarının rastgele olmadığını, maksimum etki için hedeflendiğini varsayıyoruz.
istatistik temel kavramlar - pdf
türkiye istatistik kurumu (tüik nedir ve görevleri nelerdir)
Xi nedir istatistik
İstatistiğin konusu nedir
TÜİK isim sorgulama
Sonuçsal istatistik
Tarihsel betimsel istatistik nedir
Tümevarım istatistik nedir
Klasik Bağlantı
Klasik bağlanabilirlik, birçok sağlamlık istatistiğinin temelidir. Ağdaki her köşe çifti arasında bir yol varsa, bir ağ bağlantılı olarak adlandırılır. Birçok uygulamada bağlantılılık, bir ağın amacını gerçekleştirmesi için gerekli bir koşuldur. Bu nedenle, bir ağın sağlamlığının bir ölçüsü, ağı bağlantısız hale getirmek için kaldırılması gereken köşelerin veya kenarların sayısıdır. Bunlar, sırasıyla ağın tepe bağlantısı ve uç bağlantısı olarak adlandırılır.
Burada bağlantıya yalnızca bir ağın sağlamlığının bir ölçüsü olarak bakıyoruz. Bir ağ, artık bağlı olmadığı anda işlevselliğini tamamen kaybederse, bağlantı gerçekten sağlamlığı için iyi bir ölçüdür.
Ancak, bir ağın yararlılığının ağdan küçük bir dizi köşe bağlantısının kesilmesinden ciddi şekilde etkilenmediği durumla ilgileniyorsak, bağlantı anlamlı bir ölçü değildir. İnterneti örnek olarak ele alalım. Bir masaüstü bilgisayar, ağa yalnızca bir sağlayıcıya veya sunucuya tek bir bağlantı aracılığıyla bağlanır.
Bu bağlantıyı kesmek, ağın bağlantısını keser, ancak tüm İnternet'in işlevselliği üzerinde yalnızca ihmal edilebilir bir etkiye sahiptir. Yine de ağın kenar bağlantısı yalnızca bir tanesidir. Benzer şekilde, küçük bir yönlendiricinin arızalanması, yalnızca bir avuç istemcinin ağ bağlantısını kesecektir, ancak İnternet'in bir tepe bağlantısına sahip olduğunu kanıtlar.
Uyumluluk kavramı tanıtıldı ve ağın her köşesi için bağlantıya ne ölçüde katkıda bulunduğunu tanımlar. -2'lik bir tutarlılığa sahiptir, çünkü ağın köşe bağlantısı 1 varsa, köşe 7 varsa ve köşe bağlantısı 3'ü silersek. Öte yandan, 6. köşe bağdaşıklık 1'e sahiptir çünkü onu ağdan çıkarırsak köşe bağlantısı 3'ten 2'ye düşer.
Tanımdan, bir tepe noktasının uyumluluğunun 1'den büyük olamayacağı sonucu çıkar. Sezgisel olarak, negatif uyumluluğa sahip bir tepe noktası, ağın bir aykırı değeri iken, uyumluluğu 1 olan bir tepe merkezidir. Bir ağın negatif uyumluluğa sahip en fazla bir tepe noktasına sahip olabileceği ve bu negatif tepenin komşuluğunun, çıkarılması ağın bağlantısını kesen κ(G) boyutunda tek köşeler kümesini içerdiği gösterilebilir.
Örnek olarak, (a)'da gösterilen ağı ele alalım; burada 7. köşe, negatif uyumluluğa sahip tek tepe noktasıdır. 7. köşenin tek komşusu 1. köşedir ve bu, silinmesi ağı bölen tek köşedir.
Bir ağın en fazla bir negatif tepe noktası olabilmesine rağmen, negatif tepe noktasını kaldırarak ve ardından bir sonraki negatif tepe noktasını arayarak bir dizi gevşek bağlı köşeyi hesaplayabiliriz.
Bu algoritma, bir ağdaki gevşek bağlı köşeleri bulmak için kullanılabilir çünkü negatif bir tepe noktası grafiğin çevresindedir. Bu yaklaşımın bir dezavantajı, bu algoritmanın büyük ağlar için bile birkaç köşeden sonra durabilmesidir, çünkü negatif tutarlılığa sahip başka köşe yoktur.
Bir tepe noktasının tutarlılığı, standart bağlantı algoritmaları kullanılarak hesaplanabilir. Her tepe noktasının uyumluluğunu hesaplamak için, bağlantı algoritmasının n kez çağrılması gerekir; burada n, ağdaki köşe sayısıdır.
Minimum Derece
Şimdiye kadar bahsettiğimiz istatistikler, bir ağın bağlanabilirliği hakkında açıklamalar yapıyor. m-derecesi [65]'te Boesch ve Thomas tarafından tanıtıldı. Bağlantı kesildikten sonra ağın durumu ile ilgilidir.
Bir ağın minimum m-derecesi ξ(m), ağın bağlantısını G1'in tam olarak m köşe noktası içerdiği iki bağlı bileşen G1 ve G2'ye ayırmak için kaldırılması gereken en küçük kenar sayısıdır.
Minimum m-derecesini hesaplamak için, m boyutundaki tüm köşe kümelerini denemekten ve küme ile tamamlayıcısı tarafından indüklenen grafiklerin bağlantılı olup olmadığını kontrol etmekten asimptotik olarak daha hızlı bilinen bir algoritma yoktur. Bu durumda, kümedeki köşeleri dışarıdaki köşelerle birleştiren kenarların sayısını sayarız.
Bu istatistiğin ana sorunu, grafiğin bölünmesinin iki bağlantılı bileşenle sonuçlanması gerektiğidir, bu nedenle sezgisel bir sağlamlık kavramını ifade etmez. 3 derece 3 bulunurken, iki kalın kenarın silinmesi, üç köşeli bir bileşeni ağdan ayırmak için yeterlidir.
Aradalık Merkeziliği
Arasındalık merkeziliği tanıtıldı ve bağımsız olarak, Bavelas’ın fikirlerinden esinlenmiştir. Bavelas, psikolojik durumları grafiklerle haritalandırmaya çalışan ilk kişiydi. Ana ilgi alanı merkez kavramıydı (“en iç bölgeler” olarak adlandırılır), ancak ek olarak şu örneği tartıştı: Büyük bir giysi fabrikasında İtalyanca konuşan bir grup kadın çalışıyor.
Sadece bir tanesi İngilizce biliyor. Bavelas şöyle diyor: “İngilizce konuşan üyenin, zorunlu olarak kendisinden geçmesi gereken iletişim konusunda merkezden başka bir yerde olacağını tasavvur etmek güç (…) Grubun ‘dış’ algısına göre İngilizce konuşan üye. (…)Politika kararlarının bilgiye dayalı olduğu ölçüde, ‘dışarıdaki’ işlerin durumu ile ilgili olarak, bilginin saklanması, aktarımda renklendirilmesi veya dağıtılması veya dışarıdaki durumun başka şekillerde yanlış temsil edilmesi bunları temelden etkileyecektir.
Hem sınır hem de köşe arasılık, sosyal ağ cinsel ilişki ağları veya terörist ağların analizinde birçok uygulama bulmuştur. Bir başka ilginç uygulama, kenar arasındalık merkeziliğine dayalı bir grafik kümeleme algoritmasıdır.
Modern teknikler, tepe noktası arasındakiliği kullanarak bir iletişim ağında beklenen tıkanıklığı tahmin etmeye çalışır. Buna göre, bant genişliği bir köşenin arasındalık merkeziliği ile orantılı olarak ölçeklendirilerek tıkanıklık olasılığı azaltılabilir. Bununla birlikte, aradalık merkeziliği, belirtildiği gibi her zaman beklenen tıkanıklık ile ölçeklenmez.
Bu indeksin algoritmik karmaşıklığı, ağırlıklandırılmamış ağlar için O(nm) ve ağırlıklı ağlar için O(nm + n2 log n) şeklindedir. Bu çalışma zamanı, yaklaşık 10.000 köşeden daha büyük grafikler için arasındalık merkeziliğini hesaplamayı çok zorlaştırdığından, alternatifler düşünülmelidir.
İçinde, arasındalık merkeziliğine yaklaşmanın bir yolunu tartışacağız. Aradalığın merkeziliğinin kişiselleştirilmiş bir varyantında sunulur. En kısa yol arasındalık merkeziliğinin yönlendirilmiş bir versiyonu ilk olarak tartışıldı.
Geri Bildirim Merkezleri
Bildiğimiz kadarıyla, bir geri bildirim merkeziliğini tanımlayan (aslında bu şekilde adlandırmadan) ilk makale yayınlandı. Durum endeksi kısa bir süre sonra 1953’te sunuldu.
Tanımlanan indeks ve sunulan yaklaşım, yüksek değerli bir tepe noktasının çevresindeki tüm tepe noktalarını etkilediği yayılma kuvveti fikrine odaklanır. Tüm bu yaklaşımlar yalnızca olumlu geribildirim ilişkilerine odaklanır. Olumsuz geribildirim ilişkisini kapsayan ilk merkezilik indeksi sunuldu.
Web Merkezleri
Özellikle PageRank için bir sürü makale mevcuttur ve bu nedenle, konunun daha fazla araştırılması için iyi bir başlangıç noktası olan sadece üç referans veriyoruz.
Algoritma Nedir Örnekleri
En iyi algoritmalar
Algoritma Örnekleri
Sıralama algoritmaları
Algoritma Çeşitleri
Veri Yapıları ve Algoritmalar – PDF
Algoritma PDF
Algoritma cümle içinde kullanımı
Merkezilik Endeksleri için Algoritmalar
Merkezilik indekslerinin kullanışlılığı, onları hızlı bir şekilde hesaplama becerisine göre artar veya düşer. Bu, bilgisayar biliminin kalbinde yer alan bir sorundur ve etkili algoritmaların tasarımı ve analizine yönelik çok sayıda araştırma yapılmıştır.
Örneğin, en kısa yol hesaplamaları iyi anlaşılmıştır ve bu içgörüler tüm mesafeye dayalı merkezilik ölçümlerine kolayca uygulanabilir. Bu bölüm, önceki bölümlerin merkezilik indekslerini verimli bir şekilde hesaplayan algoritmalarla ilgilidir.
Mesafeye dayalı merkeziliklerin çoğu, tanımlarının doğrudan değerlendirilmesiyle hesaplanabilir. Genellikle, bu naif yaklaşım, en kısa yol mesafelerinin tümü bilindiğinde oldukça etkilidir. Örneğin, yakınlık merkeziliği, belirli bir tepe noktasından diğer tüm köşelere olan tüm mesafelerin toplamını gerektirir.
Tüm mesafeleri içeren bir matris verildiğinde, bu, bir satır veya sütunun girişlerinin toplamına karşılık gelir. Böylece tüm yakınlık değerlerinin hesaplanması, n2 adım atarak matrisi bir kez tamamen kat eder. Bilinen en hızlı algoritmaları kullanarak mesafe matrisini hesaplamak, algoritmaya ve ağın özel yapısından yararlanma olasılığına bağlı olarak n2 ve n3 adımlarını alacaktır.
Böylece, tüm köşeler için yakınlık merkeziliğinin hesaplanması polinom zamanında verimli bir şekilde yapılabilir. Bununla birlikte, büyük ağlar için bu, önemli hesaplama sürelerine yol açabilir; bu durumda, eldeki ağı analiz etmek için özel bir algoritma çok önemli bileşen olabilir.
Bununla birlikte, Web grafiği gibi gerçekten büyük ağlar için özel bir kesin algoritma bile çok zaman alabilir. Bu nedenle, bu kadar büyük ağlar için, sonucu çok hızlı, tercihen doğrusal zamanlı algoritmalarla yaklaşık olarak tahmin etmek mantıklıdır.
Gerçek hayat ağlarının bir diğer önemli yönü de zaman içinde sıklıkla değişmesidir. Bu davranışın en belirgin örneği Web grafiğidir. Bazı değişikliklerden sonra tüm merkezilik değerlerini sıfırdan yeniden hesaplamak yerine, bir şekilde önceki hesaplamaları yeniden kullanmayı tercih ediyoruz.
Bu tür dinamik algoritmalar yalnızca değişen bir ortamda değerli değildir. Ayrıca, tanımın bir öğeyi ağdan tekrar tekrar kaldırmayı gerektirdiği canlılık temelli merkezilik endeksleri için performansı artırabilirler. Örneğin, dinamik tüm çiftler en kısa yol algoritmaları bu ayarda kullanılabilir.
Bu bölüm yalnızca bilinen sonuçları listelemekle kalmaz, aynı zamanda bu tür algoritmaların çalışmasını sağlayan fikirleri de sağlar. Bu amaçla, sunulan daha özel merkezilik algoritmaları için arka plan sağlamak amacıyla bazı temel en kısa yol algoritmalarını özetler.
Ardından, yakınlık merkeziliği ve web merkezleri için hızlı yaklaşım algoritmalarını açıklar. Son olarak, dinamik olarak değişen ağlar için algoritmalar ele alınmıştır.
Temel Algoritmalar
Temel grafik algoritmaları üzerine birkaç iyi ders kitabı mevcuttur. Bu bölüm, belirli merkezilik algoritmalarına bir temel sağlamak için bazı temel ve önemli algoritmik fikirleri özetlemektedir.
Ayrıca, özellikle büyük ağlar için farklı merkezilik önlemlerinin hesaplama açısından ne kadar pahalı olduğunu göstermek için bazı algoritmaların çalışma sürelerini kısaca gözden geçireceğiz.
Kaynak adı verilen belirli bir köşe ile diğer tüm köşeler arasındaki en kısa yol mesafelerinin hesaplanması, Tek Kaynaklı En Kısa Yol (SSSP) problemi olarak bilinen klasik bir algoritmik problemdir.
Negatif olmayan kenar ağırlıklarına sahip grafikler için SSSP için ilk polinom-zaman algoritmasını sağladı. Algoritma, s ve v arasında şimdiye kadar bulunan en kısa yolun uzunluğunu belirten bir dizi en kısa yol etiketi d(s, v) tutar. Algoritma başladığında en kısa yol bilinmediğinden, bu etiketler sonsuza kadar başlatılır.
Algoritma ayrıca kalıcı olarak etiketlenmiş tepe noktalarının bir listesini ve geçici olarak etiketlenmiş köşelerin bir T listesini tutar. Bir v ∈ P tepe noktası için, d(s, v) etiketi s ve v arasındaki en kısa yol mesafesine eşittir, halbuki v ∈ T köşeleri için d(s, v) etiketleri en kısa yolun üst sınırlarıdır.