شبیه سازی مدلهای انتشار شایعه SLC، ASP و SLC_ASP برای شناسایی گره های تاثیرگذار در شبکه های پیچیده

در شبکه های پیچیده، هر گره دارای ویژگی های منحصر به فردی است که اهمیت گره را بر اساس زمینه خاصی تعریف می کند. شناسایی گره های تاثیرگذار که منجر به گسترش سریع تر و گسترده تری در شبکه های پیچیده می شود از اهمیت نظری و عملی برخوردار است. روش مرکزیت درجه بسیار ساده است اما از اهمیت چندانی برخوردار نیست. معیارهای سراسری مانند مرکزیت بینابینی و مرکزیت نزدیکی بهتر می توانند گره های تاثیرگذار را شناسایی کنند، اما به دلیل پیچیدگی محاسباتی قادر به استفاده در شبکه های مقیاس بزرگ نیستند. در این مقاله، مدلهای مرکزیت SLC، ASP و SLC_ASP برای شناسایی گره های تاثیرگذار در شبکه های پیچیده شبیه سازی شده و کارایی آنها در مقابل سایر روشهای مشابه مقایسه میشوند. معیار SLC اهمیت گره ها را بر اساس اهمیت خود گره و همچنین تاثیری که گره بر روی گره های دیگر اعمال میکند، در نظر می گیرد. معیار APS به عنوان میانگین کوتاه ترین مسیر شناخته میشود و مفهومی در توپولوژی شبکه است که به عنوان میانگین طول کوتاه ترین مسیرها برای همه جفت گره های شبکه تعریف میشود. در نهایت، معیار SLC_ASP یک نسخه ترکیبی از معیارهای SLC و ASP است که بر اساس میانگین هارمونیک مقدار مرکزیت را محاسبه می کند. در اینجا، ارزیابی عملکرد روشهای مختلف انجام شده است . نتایج شبیه سازی تایید می کند که معیارهای مرکزیت نیمه محلی تاثیر دقیق گره ها را نسبت به سایر اقدامات بهتر منعکس می کنند.