Escolar Documentos
Profissional Documentos
Cultura Documentos
Instituto de Computa c
ao
Departamento de Ci
encia da Computa c
ao
Ronald Chiesse de Souza
Avaliacao sobre Estrategias para Distribuicao de
Conte udo em Redes de Larga Escala
Niter oi-RJ
2014
ii
RONALD CHIESSE DE SOUZA
AVALIA C
AO SOBRE ESTRAT
AO DE CONTE
UDO EM
REDES DE LARGA ESCALA
Trabalho submetido ao
Curso de Bacharelado em
Ciencia da Computac ao da Universidade
Federal Fluminense como requisito parcial
para a obtenc ao do ttulo de Bacharel em
Ciencia da Computac ao.
Orientador: Prof. ANTONIO AUGUSTO DE ARAG
AO ROCHA, D.Sc.
Niteroi-RJ
2014
iii
RONALD CHIESSE DE SOUZA
AVALIA C
AO SOBRE ESTRAT
AO DE CONTE
UDO EM
REDES DE LARGA ESCALA
Trabalho submetido ao
Curso de Bacharelado em
Ciencia da Computac ao da Universidade
Federal Fluminense como requisito parcial
para a obtenc ao do ttulo de Bacharel em
Ciencia da Computac ao.
Aprovado por:
Prof. ANTONIO AUGUSTO DE ARAG
iV
d
i
(2.1)
2.2.3 Densidade
Metrica indicativa da raz ao entre a quantidade de arestas que a rede de fato possui
e quantidade m axima que ela poderia ter, denotada por . Seu valor, portanto, varia entre
0 e 1. A quantidade m de arestas existentes ja e conhecida, restando apenas determinar
a m axima. O n umero maximo de arestas incidentes em um dado no da rede (isto e, o seu
grau m aximo) e, conforme j a mencionado, (n 1). Possuindo a rede n n os, o m aximo
7
de arestas da rede seria, em princpio, n (n 1). Importante notar, porem, que nessa
express ao cada aresta foi contada duas vezes, uma vez que qualquer dada aresta possui
duas pontas, incidentes sobre vertices distintos. Assim, e preciso dividir seu resultado por
2, obtendo nalmente a quantidade maxima de arestas, dada por n (n 1)/2.
Intuitivamente, entende-se que as noc oes de grau medio e densidade est ao de al-
guma maneira relacionadas, sendo diretamente proporcionais. De fato, a densidade pode
ser expressa pela seguinte equac ao:
=
m
n(n 1)/2
(2.2)
Isto equivale dizer que
=
d
n 1
(2.3)
conrmando uma relac ao direta e linear entre grau medio e densidade.
2.2.4 Distribuicao de Grau
A distribuicao de grau determina a frac ao de n os que possui um determinado grau
k. Desse modo, para uma dada rede R = (V, E), e para uma quantidade n
k
de vertices
com grau igual a k, tal frac ao e determinada por:
f
k
=
n
k
n
(2.4)
2.3 Modelos de Rede
S ao brevemente explicados a seguir os modelos de rede utilizados nesse estudo.
Convem ressaltar que, embora estes sejam comumente ditos modelos de rede, numa
perspectiva mais rigorosa o termo modelos aleat orios de rede seria mais preciso. Isso
porque, tratam-se de modelos matematicos cujo proposito n ao e gerar redes de maneira
determinstica, mas sim obedecendo a alguma lei de formac ao. Consequentemente, in u-
meras redes distintas podem ser geradas a partir de um mesmo modelo, porem com
caractersticas estruturais em comum.
8
2.3.1 Modelo G(n, p)
O G(n, p) tambem e conhecido como Modelo de Erdos-Renyi em homenagem aos
principais responsaveis por descobertas e provas acerca das propriedades estruturais de
redes baseadas nesse modelo, os matematicos Paul Erd os e Alfred Renyi, entre as decadas
50 e 60 [1] [4] [5].
Sua modelagem contempla somente dois par ametros, n e p, pelos quais se estabelece
uma lei de formac ao bem simples. O par ametro n representa a quantidade de vertices da
rede, referenciados por uma sequencia numerica de 1 a n, e p e a probabilidade de, dados
dois nos, criar-se um relacionamento (aresta) entre ambos, desconsiderando a maneira
como as demais arestas sao includas.
A distribui cao de grau de um modelo G(n, p) e binomial - raz ao pela qual tambem
e chamado Modelo binomial - e, por consequencia, a probabilidade de existir na rede
um vertice cujo grau e ordens de grandeza maior que o grau medio e t ao baixa que e
considerada desprezvel. Por isso mesmo, apesar de sua vasta contribuic ao para o cres-
cente entendimento acerca de propriedades estruturais de redes, o G(n, p) nao captura
satisfatoriamente um aspecto muito comum `as estruturas de diversas redes reais - a dis-
tribuic ao de grau por lei de potencia, tambem conhecida como distribuic ao com cauda
pesada, caracterizada pela probabilidade signicativa de existirem nos cujo grau e ordens
de grandeza maior que o grau medio da rede. Para contemplar esta importante e fre-
quente propriedade na an alise emprica, foi considerado no estudo um segundo modelo,
mais adequado `a reproducao desse cenario.
2.3.2 Modelo de Barabasi-Albert
O modelo de rede proposto por Albert-Lazl o Barabasi e Reka Albert no incio da
decada de 90 foi concebido especicamente para estudos sobre a formac ao e o crescimento
da Web [1] [6]. Ele busca reproduzir o comportamento que os autores supunham explicar
tal processo: quando uma nova p agina e inserida na Web, seus hiperlinks (se existentes)
tendem a referenciar paginas populares. Na estrutura da Web eles identicaram, por
meio de an alises empricas, que isso e muito comum e, na pr atica, descreve uma rede cuja
distribuic ao de grau segue uma lei de potencia (possui cauda pesada). O modelo presume,
portanto, que novas p aginas tendem a referenciar p aginas de grande popularidade.
A noc ao de popularidade empregada no modelo corresponde ao grau de entrada
9
dos n os quando a rede e assimetrica; nas redes simetricas, utilizadas nesse trabalho, cor-
responde simplesmente ao grau. Para ambos os casos, porem, quanto maior o respectivo
grau, maior a popularidade. Ainda, a probabilidade de um novo no relacionar-se com
um n o existente e proporcional ao grau de entrada deste ultimo. Barabasi e Albert, pro-
ponentes desse mecanismo, o denominaram preferential attachment, o que em portugues
signica anexa cao preferencial.
O modelo Barabasi-Albert considera o tempo no processo de forma cao da rede,
assumindo-se intervalos discretos, ou seja, t = 0, 1, . . . . Seja t = 0 o tempo referente ` a
rede Web inicial.
E inserida na rede um novo n o (pagina) a cada instante de tempo t > 0.
Cada n o inserido ir a se relacionar com m n os existentes, isto e, seus m relacionamentos
(hyperlinks) apontarao para m n os (paginas) existentes, denidos aleatoriamente. Dados
um vertice u existente na rede, um instante de tempo t, e sendo d
u
(t) o grau de u no
instante t, a probabilidade de uma nova aresta incidir em u ser a
p
u
(t) =
d
u
(t)
vV (t)
d
v
(t)
(2.5)
da resultando que
p
u
(t) =
d
u
(t)
2(m
o
+ mt)
d
u
(t)
2mt
(2.6)
para um dado conjunto V (t) de vertices presentes na rede num instante t grande o su-
ciente. A demonstrac ao da aproximac ao acima est a alem dos objetivos desse trabalho,
podendo ser encontrada em [1].
Pela equa cao acima, nota-se que t inuencia na probabilidade de uma aresta incidir
sobre u, resultando da que vertices antigos ter ao maior grau. Finalmente, dado um vertice
v
i
, adicionado ` a rede no instante i, considera-se o mesmo pertencente ao conjunto de nos
da rede para todos os instantes subsequentes, isto e, v
i
V
j
para todo j > i.
Captulo 3
Epidemia em Redes
Conforme ja comentado, a estrutura da rede tem bastante inuencia sobre o espa-
lhamento. Trabalhos sobre Marketing Viral que fazem an alises por simulac oes, e que usam
grafos aleat orios, em geral adotam o G(n, p). Esse modelo de rede e considerado um dos
mais apropriados para realizar uma analise global [7]. Isto se deve ` a constatacao de que,
ao incorporar nos modelos fatores como propens oes de adesao, distribuic oes observadas
empiricamente, etc., os desdobramentos da epidemia variam muito, gerando discordancia
sobre qual estrategia possui melhor desempenho. Alem disso, o Marketing Viral e voltado
essencialmente para redes sociais, onde a distribui cao nao segue uma lei de potencia.
Por outro lado, experimentos baseados em dados reais, embora mais precisos, s ao
igualmente mais especcos, tornando sua aplicac ao mais limitada e contribuindo menos
para o entendimento global [7]. Convem notar, porem, que o escopo desse estudo n ao se
restringe ao Marketing Viral. Tal fato, alem do j a comentado na introducao, motivou o
uso de redes Barabasi-Albert, cuja distribuic ao por lei de potencia a torna estruturalmente
mais parecida com varias redes reais.
Fora a questao estrutural, o comportamento dos n os ao longo do tempo e outro
fator muito inuente. A necessidade de se modelar as variantes comportamentais das
epidemias decorre do mesmo princpio pelo qual modelam-se Redes Complexas: dispor
de recursos matem aticos que auxiliem a entende-las. Quanto mais preciso um dado mo-
delo se verica quanto ` a captura de caractersticas epidemicas do mundo real, maior o
entendimento sobre a epidemia em si e mais previsvel o seu desdobramento. As vanta-
gens desse poder preditivo sao numerosas, como, por exemplo, determinar estrategias de
campanhas de vacinac ao no caso de espalhamento de uma doenca; renar os mecanismos
11
de protec ao sistemica, quando propagado um virus de computador; aumentar o controle
sobre campanhas publicit arias pautadas no Marketing Viral.
Cada modelo epidemico busca reproduzir a din amica de infecc ao numa rede su-
pondo um determinado comportamento de seus n os ap os infectados, o que interfere dire-
tamente no modo de propagac ao. Alguns assumem que os n os, uma vez infectados, nao
poderao curar-se no futuro. Outros consideram que ao longo do tempo um n o pode vir
a se recuperar da infecc ao, mantendo-se sao da em diante. Outros ainda, assumem que
vertices podem ser reinfectados ap os uma recuperac ao [4]. Todas essas possibilidades,
entre outras, resultam em dinamicas muito distintas. Ser a detalhado a seguir o modelo
SI.
3.1 Modelo Suscetvel / Infectado
Tambem conhecido como SI, esse pode ser considerado o modelo epidemico mais
trivial. Seu nome vem de seus dois unicos estados: o Suscetvel e o Infectado, denotados
por S e I, respectivamente. Nesse modelo, a infecc ao propaga-se em tempos discretos
t = 0, 1, .... Considera-se um conjunto I(t), eventualmente unit ario, de nos infectados
inicialmente (instante t = 0). Todos os demais nos pertencem ao conjunto S(t) dos
suscetveis. Uma vez que o estado de um no muda para infectado ele jamais retorna para o
estado suscetvel, permanecendo infectado durante todo o processo, conforme especicado
a seguir:
Seja um grafo simetrico R = (V, E) com n = |V | n os. Seja s
i
(t) {S, I} a fun cao
que indica o estado do vertice v
i
V no tempo t 0, para 1 i n.
Seja N(v
i
) o conjunto dos n os vizinhos a v
i
. Por m, seja f
it
= |N(v
i
) I(t)| o
n umero de vizinhos de v
i
que est ao infectados no instante t. Para todo vertice v
i
tal que
s
i
(t) = S, se f
it
> 0 ent ao s
i
(t + 1) = I e, consequentemente, v
i
I(t
) para todo t
> t.
A epidemia acaba somente quando toda a rede e infectada.
3.2 Modelo de Threshold para Epidemias
Muito empregado em modelagens de epidemia [8] [9] [10], seu proposito depende do
contexto onde e aplicado. Nos cen arios que tratam dissemina cao de inuencias tais como
doencas em seres humanos ou vrus em computadores, n ao ha por parte do n o a intenc ao de
12
infectar seus vizinhos. Isso, na verdade, e indesejado. Ocorre involuntariamente e depende
de fatores especcos de cada ambiente, como o contato pessoal entre um infectado e um
suscetvel com baixa imunidade, no caso de humanos. Formulas de probabilidade podem
ser aplicadas para cada n o, individualmente, para determinar o qu ao suscetvel `a infeccao
ele esta.
Se considerado, porem, o ponto de vista do Marketing Viral, percebe-se uma in-
vers ao de prop osito - a infecc ao e desej avel e ampara-se na acao volunt aria de cada n o
adepto. O threshold, nesse caso, pode ser entendido como uma especie de propens ao a
ades ao, isto e, a probabilidade de um n o assimilar (comprar e/ou divulgar) o produto.
Nesse caso, pode ser denida, por exemplo, em func ao de dois fatores: a inuencia dos
vizinhos e as preferencias individuais de cada n o [7].
Nesse trabalho, busca-se uma abordagem apropriada para ambos os casos, uti-
lizando para isso uma modelagem mais simplicada. Nao s ao consideradas preferencias
individuais. Alem disso, em vez de uma probabilidade vari avel de infecc ao, emprega-se um
ndice xo a > 0, o qual estabelece uma inuencia externa mnima para um no infectar-se,
expressa em uma quantidade n de nos vizinhos infectados, tal que n > a. O ndice a e,
portanto, o threshold de infecc ao aplicado nesse trabalho. Desse modo, seja um vertice v
com threshold a. Se v possui mais de a vizinhos infectados num tempo t, entao v estara
infectado em t + 1. O valor de a e unico na rede, ou seja, e o mesmo para todos os n os.
Para expressar tal conceito no modelo SI basta uma pequena modicac ao em sua
modelagem: originalmente, um vertice v
i
infectava-se no tempo t + 1 quando f
it
> 0.
Agora, porem, v
i
ser a infectado em t + 1 se, para um threshold a, f
it
> a. O modelo SI
original torna-se, por essa nova denicao, o caso particular em que a = 0.
Captulo 4
Caracterizacao das Simulacoes
As formalizacoes a seguir referem-se essencialmente ao modelo proposto em [11].
Na sequencia, sao enumerados os cen arios simulados.
4.1 Modelo
O modelo de simulac ao denido a seguir considera todas as formalizac oes j a apre-
sentadas. S ao considerados uma rede R = (V, E) de n = |V | n os e o modelo de epidemia
SI com threshold.
O conjunto O dos vertices inicialmente infectados (isto e, quando t = 0), corres-
ponde ` a estrategia de semeadura, e possui tamanho h = |O|. O termo estrategia tambem
ser a utilizado como forma de referencia ao conjunto O.
`
A acao de integrar um novo
vertice ao conjunto O dar-se-a o nome contratar, de modo que os vertices pertencentes
` a estrategia s ao considerados vertices contratados. Para se contratar um no v
i
e preciso
cobrir um custo contratual c
i
, o qual depende do grau desse n o e e dado por c
i
= d(v
i
)
onde d(v
i
) e a func ao que determina o grau de v
i
e 0 e uma constante que controla o
peso do grau sobre o custo.
Seja c(O) a funcao que determina o custo total de implementac ao da estrategia,
denida como o somatorio dos custos individuais c
j
, j = 1, 2, ..., h, de cada vertice de O,
conforme segue:
c(O) =
h
j=1
d(o
j
)
, o
j
O. (4.1)
Seja um orcamento b (tambem comumente denominado budget) disponvel para
14
contratar n os, dependente do tamanho e do grau medio da rede, tal que b = kn(d
), onde
k e uma frac ao do tamanho da rede.
Os criterios utilizados para determinar a tendencia de selec ao de n os s ao denomi-
nados polticas de selecao ou simplesmente polticas. Elas estabelecem quais n os ter ao
preferencia durante a etapa de contratac ao. A razao pela qual as polticas denem prefe-
rencias e que nem sempre o n o contratado pertence ao perl ideal da poltica. Isso se deve,
em certos casos, ` a diminuicao do orcamento e, em outros, ao esgotamento do perl de con-
tratac ao intencionado. Por exemplo, supondo-se uma poltica de selec ao focada em nos de
maior grau, os sucessivos contratos dessa natureza eventualmente reduzem o orcamento
a tal ponto que, em algum momento, somente nos de baixo grau serao contratados.
A performance p(O) da estrategia corresponde ao total de nos infectados ao m
da epidemia, ou seja, p(O) = max
t0
I(t).
4.2 Caracterizacao Emprica
Seja um modelo de rede (G(n, p) ou Barabasi-Albert), um tamanho de rede n,
um grau medio d, uma frac ao k de vertices para denic ao do orcamento, um conjunto
de valores para o threshold a, um conjunto de valores para a constante da func ao de
custo, e um conjunto de polticas de contratac ao. Esse conjunto de parametros, com
seus respectivos valores atribudos e denominado cenario de simulacao ou simplesmente
cenario.
Uma simulacao caracteriza-se pelo processo de, dado um cen ario, contratar n os e
espalhar a epidemia um n umero r de vezes, gerando gr acos relacionados ` a media das
itera coes. Uma nova rede e gerada estocasticamente a cada iteracao, baseada no modelo,
tamanho e grau medio preestabelecidos.
A estrategia e concebida em t = 0, mediante o contrato do maior n umero possvel
de vertices para um dado orcamento, ou seja, as contratacoes cessam apenas quando o
or camento restante for insuciente para cobrir o custo de qualquer outro n o da rede.
Desse ponto em diante, para favorecer a nota cao, as referencias ` a constante ser ao
feitas por meio do identicador alpha, ou seja, = alpha.
Vertices sao contratados com base nas polticas maior grau, menor grau, grau medi-
ano e grau aleatorio, denidas abaixo, lembrando que os respectivos algoritmos encontram-
15
se na Secao 5.2.1:
maior grau - vertices sao contratados em ordem decrescente de custo, respeitando
a viabilidade do orcamento. Por exemplo: supondo V = {v
1
, v
2
, v
3
, v
4
, v
5
, v
6
},
n = |V | = 6, com graus d(V ) = {1, 4, 2, 3, 2, 5} e constante alpha = 1, tem-se
c(V ) = {1, 4, 2, 3, 2, 5}. Supondo agora um orcamento b = 7 (desconsiderando aqui
a fun cao que o determina), o conjunto estrategia seria O = {v
6
, v
3
} ou O = {v
6
, v
5
}
dependendo de como o espaco amostral foi ordenado, visto que d(v
3
) = d(v
5
) = 2.
Em ambos os casos, h = |O| = 2.
menor grau - vertices s ao contratados em ordem crescente de custo. Por exemplo:
supondo os mesmos par ametros V , n, d(V ) e c(V ) do exemplo acima, e supondo
ainda um orcamento b = 6, o conjunto estrategia seria O = {v
1
, v
3
, v
5
}, com h =
|O| = 3 restando, nesse caso, um or camento residual b
= b c(O) = 1.
grau mediano - vertices sao contratados preferencialmente em torno da mediana do
espaco amostral determinado pelos graus dos vertices. O processo de contratac ao
afasta-se da mediana de forma intercalada para a direita e para a esquerda, iniciando
por convencao sempre `a direita. Por exemplo: supondo os mesmos V , n e c(V ) dos
exemplos anteriores, um orcamento b = 6 e uma constante = 1, os graus dos
vertices, dispostos em ordem crescente, seriam d(V ) = {1, 2, 2, 3, 4, 5}. A mediana,
desse modo, encontra-se entre o grau 2 e o grau 3. Pela descric ao, o afastamento da
mediana inicia-se pela direita, o que no caso corresponde ao grau 3. Como alpha = 1,
o vertice v
4
correspondente a esse grau tem custo c(v
4
) = d(v
4
)
1
= 3, sendo portanto
contratado. A seguir, o afastamento se d a pela esquerda, sendo analisado o grau
2, o qual e tambem contratado. Retomando ` a direita, o grau analisado sera o 4,
para cujo contrato n ao h a orcamento suciente, sendo portanto ignorado. Desse
momento em diante o afastamento ocorre somente pela esquerda, pois e garantido
que o orcamento nao mais poder a contratar pela direita (onde o custo s o aumenta).
= 100000.05(4)
1
= 2000. Sendo o grau mnimo d = 2, o montante
permite o contrato de 2000/2 = 1000 vertices de grau mnimo. Tal quantidade, de fato,
est a muito abaixo do total de n os de grau mnimo da rede disponveis para contrato (mais
de 8000 n os). Quando, porem, e considerada a poltica de grau mediano, e preciso estimar
o quanto os sucessivos contratos se afastar ao da mediana pela direita, aproximando-se da
ocorrencia de graus maiores que o mnimo. Pela denicao do algoritmo de contratac ao
por grau mediano, conclui-se que contratos ` a direita ocorrem, no m aximo, na metade dos
casos, o que aqui representa 500 vertices. Tal n umero encontra-se ainda muito abaixo
do total de n os de grau mnimo presentes na rede. Em vista disso, conclui-se que a
distribuic ao observada para ambas as polticas e coerente com os resultados te oricos.
Quanto ` a distribuicao de grau da poltica de grau aleatorio, em todos os tres casos
(Figuras 6.1 a 6.3) e interessante notar a caracterstica de sua curva: aproxima-se de uma
linha reta. Os eixos dos gr acos encontram-se em escala logartmica, o que signica que a
distribuic ao observada segue uma Lei de Potencia, tal como a distribui cao da propria rede
em si. Isso se deve ao car ater aleatorio das contrata coes, ao qual impoem-se as mesmas
distribuic oes de probabilidades da rede.
S ao analisados a seguir os gracos de Frac ao de Infectados vs Tempo, os quais
exibem o progresso da epidemia. Tambem aqui e necess ario, primeiramente, detalhar o
processo de confec cao destes gracos.
Cada ponto exibido em um gr aco de Fra cao de Infectados vs Tempo exibe, para
um dado tempo t, a media aritmetica da fracao infectada em cada uma das 30 repetic oes
naquele dado tempo.
E, portanto, cumulativo e emprega intervalos de conanca quando
necess ario. Tendo em vista que as 30 repeticoes nao contemplam todas as possibilidades de
frac ao para um tempo t, percebe-se que a media calculada e amostral e nao populacional.
Outro ponto e que o desvio padr ao precisa ser determinado `a partir do espa co amostral.
Por esses motivos, a distribuic ao utilizada para o calculo dos intervalos de conanca foi a
t de Student [16], com nvel de conanca em 95%.
Nos gracos da Figura 6.4 nota-se que, para alpha = 0.5, a poltica de maior grau
contrata uma quantidade de nos que corresponde a aproximadamente 1/4 do n umero de
semeadores de menor grau. Ainda assim, seu desempenho e claramente melhor ate t = 5,
quando a epidemia j a infectou em torno de 90% da rede. Isso ocorre pois os vertices de
31
Figura 6.4: Comparac ao da Frac ao de Infectados vs Tempo em cen ario Barabasi-Albert
com d = 4 e k = 0.05, para alpha = 0.5 (acima) e alpha = 1 (abaixo).
32
maior grau s ao necessariamente centrais nas redes Barab asi-Albert. Desse fato constata-
se que, dado um mesmo orcamento, a poltica de maior grau contratou muito menos nos
que a de menor grau mas, ainda assim, teve melhor performance durante a infecc ao de
grande parte da rede. Curioso notar, porem, que a poltica de menor grau, ao nal, foi
a mais rapida. Isso possivelmente se deve ` a interferencia do threshold: partindo-se do
grau menor para o maior, a conectividade da rede aumenta, fazendo com que o threshold
interra cada vez menos na velocidade da propagacao; partindo-se do grau maior para o
menor, porem, seu impacto e cada vez mais expressivo, chegando ao maximo quando o
grau do n o suscetvel e d = 2. A epidemia pela poltica de menor grau n ao sofre tanto esse
impacto justamente porque uma parte desses verticesde mais difcil acessoj a se encontra
infectada inicialmente, e a conectividade da rede a partir da s o aumenta. Constata-se,
em vista disso, que a decisao sobre a melhor poltica a ser adotada dentre essas duas
depende do contexto: uma oferece melhor performance na maior parte do tempo; a outra,
no tempo nal.
Observa-se tambem que a poltica de menor grau sempre contratar a mais vertices
conforme aumenta o valor de . Mais que isso, pode-se armar que o total de contratados
dessa poltica depende exclusivamente da frac ao k utilizada para determinar o orcamento,
como segue: seja b = (d
= n(
d
2
)
. (6.1)
A relac ao entre o orcamento e o custo de se contratar graus mnimos e, portanto,
b
n(d
min
)
=
(d
)nk
n(
d
2
)
= 2k. (6.2)
Isto e, quando = 1, a poltica de menor grau contrata exatamente 2k vertices. Por
raciocnio an alogo, pode-se determinar a rela cao quando = 2. Nesse caso, a relac ao
entre o orcamento e o contrato de n graus mnimos vale
(d
)nk
n(
d
2
)
=
(d
2
)nk
n(
d
2
)
2
=
(d
2
)nk
(
(nd
2
)
4
)
= 4k. (6.3)
Conrma-se, desse modo, que aumentar implica aumentar a estrategia de menor grau.
33
Ainda na Figura 6.4, analisando o gr aco onde alpha = 1 em contraste ao de cima,
e possvel notar que (i) a poltica de maior grau e muito sensvel a variac oes de alpha e
(ii) as demais, embora tambem sensveis a alpha, reetem impactos muito menores sobre
seu comportamento em geral.
Para melhor ilustrar o quanto a poltica de maior grau e afetada por alpha, e
apresentada na Figura 6.5 um caso extremo, correspondente ao segundo cen ario simulado.
Ali constata-se que, preservados os demais parametros, variar alpha de 0.5 para 1 signicou
retirar a estrategia de maior grau de um contexto onde infectava toda a rede, para um
outro onde a epidemia sequer chega a existir.
Retomando o cen ario original, observando agora a poltica de grau aleatorio da
Figura 6.4, percebe-se uma evolucao epidemica pr oxima a das polticas de menor grau
e grau mediano, embora sempre abaixo quanto ao desempenho. Quando alpha = 0.5,
a diferenca e sutil; quando alpha = 1, porem, a distincao torna-se mais evidente. Tal
comportamento e resultante do peso que os n os de maior grau exercem sobre o orcamento
quando contratados aleatoriamente. Como ja visto, graus muito elevados ocorrem com
baixa probabilidade, mas n ao s ao desprezveis. Quando alpha = 0.5, o custo desses graus
e bem menor, resultando da que contratos aleat orios dessa natureza implica deducoes
mais brandas no or camento. Em contrapartida, para alpha = 1 estes mesmos contratos
fazem com que o orcamento diminua mais rapidamente e, por consequencia, contratem
menos vertices.
Prosseguindo nesse cen ario, s ao apresentadas a seguir comparacoes baseadas nos
gr acos Fracao de Infectados vs [Poltica, alpha] (Figura 6.6) e Frac ao de Infectados vs
[Poltica, threshold] (Figura 6.7). A confecc ao de ambos obedece aos mesmos processos
descritos para os demais gr acos. A peculiaridade destes, porem, encontra-se no eixo X,
o qual n ao representa um par ametro mas sim um par de parametros. Quando xado
um alpha, o eixo X exibe todas as combinacoes Poltica - threshold simuladas; xado
um threshold, exibe todas as combina coes Poltica - alpha, analogamente. Para conferir
maior leveza `a notac ao, foram abreviados os nomes de exibicao das polticas, conforme
segue: al = grau aleatorio; ma = maior grau; md = grau mediano; me = menor grau.
Nas Figuras 6.6 e 6.7 os comportamentos expressos demonstram que a epidemia,
em quase todos os casos, e mais sensvel a mudancas de threshold que a mudancas de alpha,
` a excessao da poltica de maior grau. De fato, na Figura 6.6, onde threshold = 1, somente
34
Figura 6.5: Comparac ao da Frac ao de Infectados vs Tempo em cen ario Barabasi-Albert
com d = 8 e k = 0.01, para alpha = 0.5 (acima) e alpha = 1 (abaixo).
35
Figura 6.6: Compara cao da Frac ao de Infectados vs [Poltica, alpha] em cenario Barab asi-
Albert com d = 4 e k = 0.05, para threshold = 1 (acima) e threshold = 2 (abaixo).
36
Figura 6.7: Comparac ao da Fracao de Infectados vs [Poltica, threshold] em cen ario
Barab asi-Albert com d = 4 e k = 0.05, para alpha = 0.5 (acima) e alpha = 2 (abaixo).
37
os contratos por maior grau tiveram seu desempenho inuenciado pela varia cao de alpha,
ainda assim, somente para alpha = 2. Observando-se agora a Figura 6.7, a despeito de
um conjunto de par ametros distintos, encontra-se expressa a mesma percepc ao obtida na
analise da Figura 6.6. Aqui, porem, um outro fenomeno tambem se observa: o aumento
de alpha e favor avel ao desempenho das polticas de menor grau e grau mediano e, ao
mesmo tempo, prejudicial `as demais, conforme j a visto.
A seguir, s ao apresentadas an alises acerca do terceiro cen ario de espalhamento
epidemico: Redes G(n, p), com grau medio d = 8 e frac ao de vertices k = 0.01. As
Figuras 6.8, 6.9 e 6.10 mostram os gr acos de Frac ao de Infectados vs Tempo para essa
simulac ao.
Figura 6.8: Frac ao de Infectados vs Tempo em cen ario G(n, p) com d = 8 e k = 0.01,
para alpha = 0.5.
Uma constatac ao imediata, ao analis a-las, e de que as epidemias das estrategias de
menor grau e grau mediano evoluem de forma bem distinta para qualquer alpha. Esse e
um grande contraste em relac ao ao comportamento dessas mesmas estrategias nos cen arios
Barab asi-Albert. Atesta-se aqui, novamente, a grande inuencia que a estrutura da rede
exerce sobre a dinamica epidemica.
Considerando agora as quatro polticas, outro fen omeno bem interessante se apre-
senta: A grande sensibilidade da epidemia ` a variacao do alpha para todas as estrategias,
38
Figura 6.9: Frac ao de Infectados vs Tempo em cen ario G(n, p) com d = 8 e k = 0.01,
para alpha = 1.
Figura 6.10: Fracao de Infectados vs Tempo em cen ario G(n, p) com d = 8 e k = 0.01,
para alpha = 2.
em oposicao aos cen arios anteriores. Mais que isso, tal impacto chega mesmo ao ponto de,
para alpha = 2, provocar desdobramentos completamente distintos para cada epidemia.
39