Grafos e Redes Complexas Parte II

Breve Introdução a Grafos e Redes Complexas
Parte II
Marcia Paiva
Laboratório de Telecomunicações - LabTel

Universidade Federal do Espı́rito Santo
II Jornada de Atualização em Computação, Elétrica e Eletrônica - JACEE

Vitória, 13 de novembro de 2014
Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 1 / 54

Sumário
1 Introdução
2 Teoria Espectral de Grafos
3 Modelos de Redes Complexas

Grafos Aleatórios
Grafos Mundo Pequeno
Grafos Sem Escala
4 Aplicação: Conectividade algébrica em redes complexas
5 Ferramentas para lidar com redes complexas
6 Referências

Introdução
Sumário
1 Introdução
Grafos Aleatórios
Grafos Sem Escala
6 Referências

Introdução
Primeiro capı́tulo . . .
Conceitos:
grafo G = G (V , E )
Métricas ou invariantes:
caminho, ciclo
n: número de vértices ou nós
ponte, articulação
m: número de arestas ou enlaces
conectividade de vértices
d(v ), v ∈ G
conectividade de arestas
δ(G ): grau mı́nimo
árvore
∆(G ): grau máximo
grafo simples
< d >G : grau médio
grafo regular
distG (u, v ), u, v ∈ V
grafo conexo
diam(G ): diâmetro
grafo 2-conexo
< dist >G : distância média
grafo euleriano
grafo hamiltoniano
Introdução
Backbone da RNP

Introdução
Backbones versus Redes Complexas

Teoria Espectral de Grafos
Sumário
1 Introdução
Grafos Aleatórios
Grafos Sem Escala
6 Referências

Um grafo G

Um grafo G
G é um grafo com:
8 vértices

Um grafo G
G é um grafo com:
8 vértices
10 arestas

Um grafo G
G é um grafo com:
8 vértices
10 arestas
G tem:
4 vértices com grau 2

Um grafo G
G é um grafo com:
8 vértices
10 arestas
G tem:

Matriz de adjacências de G
Matriz de adjacências de G:
0 1 1 0 0 0 0 0
 
 1 0 0 1 0 0 0 0 
 
 1 0 0 1 1 0 0 0 
 
 0 1 1 0 0 1 0 0 
A(G ) =  0 0 1 0

 0 1 1 0 

 0 0 0 1 1 0 0 1 
 
 0 0 0 0 1 0 0 1 
0 0 0 0 0 1 1 0

Matriz diagonal dos graus de G
Matriz diagonal dos graus dos vértices

de G :
2 0 0 0 0 0 0 0
 
 0 2 0 0 0 0 0 0 
 
 0 0 3 0 0 0 0 0 
 
 0 0 0 3 0 0 0 0 
D(G ) = 
 0 0 0 0 3 0 0 0 

 
 0 0 0 0 0 3 0 0 
 
 0 0 0 0 0 0 2 0 
0 0 0 0 0 0 0 2

Matriz laplaciana de G
A matriz laplaciana L(G ) de um grafo G é definida por

L(G ) = D(G ) − A(G ),
onde A(G ) é sua matriz de adjacências, e D(G ) é a
matriz diagonal dos graus de seus vértices.

Matriz laplaciana de G
Matriz laplaciana de G :
L(G ) = D(G ) − A(G )
2 0 0 0 0 0
 
−1 −1
 −1 2 0 −1 0 0 0 0 

 −1 0 3 −1 −1 0 0 0 

0 −1 −1 3 0 −1 0 0
L(G ) = 
 
 0 0 −1 0 3 −1 −1 0 

 0 0 0 −1 −1 3 0 −1 
0 0 0 0 0 2
 
−1 −1
0 0 0 0 0 −1 −1 2

Espectro da matriz laplaciana
Espectro da matriz laplaciana L(G) de um grafo G com n nós

Vetor cujos elementos são todos os autovalores de L(G ) ordenados
em ordem não-crescente.


Assim, se µ1 ≥ . . . ≥ µn são os autovalores de L, então seu espectro é:
(µ1 , µ2 , . . . , , µn−1 , µn ).


Assim, se µ1 ≥ . . . ≥ µn são os autovalores de L, então seu espectro é:
(µ1 , µ2 , . . . , , µn−1 , µn ).
No espectro da matriz laplaciana:

O maior autovalor é denominado ı́ndice;
O segundo menor autovalor é denominado conectividade algébrica.

Espectro da matriz laplaciana de G
Espectro de L(G ):
(5.414, 4, 3.414, 2.586, 2, 2, 0.586, 0)

′
Um grafo G

′
Um grafo G
′
G é um grafo com:
8 vértices

′
Um grafo G
′
G é um grafo com:
8 vértices
10 arestas

′
Um grafo G
′
G é um grafo com:
8 vértices
10 arestas
′
G também tem:

′
Um grafo G
′
G é um grafo com:
8 vértices
10 arestas
′
G também tem:

′
Espectro da matriz laplaciana de G
′
Espectro de L(G ):
(4.988, 4.434, 3.501, 2.729, 2.315, 1.426, 0.608, 0)

Comparando os espectros. . .
Espectro de L(G ):
(5.414, 4, 3.414, 2.586, 2, 2, 0.586, 0)
′
Espectro de L(G ):
(4.988, 4.434, 3.501, 2.729, 2.315, 1.426, 0.608, 0)
′
G G

Questões
O espectro da matriz laplaciana traz alguma

informação útil para o problema?

Questões
O espectro da matriz laplaciana traz alguma

informação útil para o problema?
Os autovalores tem alguma relação com

métricas de desempenho, proteção, etc do
sistema modelado?

Modelos de Redes Complexas
Sumário
1 Introdução
Grafos Aleatórios
Grafos Sem Escala
6 Referências

Modelos de Redes Complexas Grafos Aleatórios
Grafos aleatórios - Modelo de Erdös-Rényi (1959)
Gp (n) é um grafo aleatório com n vértices onde cada uma das

possı́veis Cn,2 arestas ocorre independentemente das demais com
probabilidade p.

Gp (n) é um grafo aleatório com n vértices onde cada uma das

possı́veis Cn,2 arestas ocorre independentemente das demais com
probabilidade p.
Mais precisamente, Gp (n) é uma famı́lia de grafos, com número

variável de arestas.

Um grafo aleatório

Todas as ligações são igualmente

prováveis.
A média dos graus dos vértices é
< k >= p(n − 1).


prováveis.
< k >= p(n − 1).
Como seria a distribuição de frequência

dos graus dos vértices?


prováveis.
< k >= p(n − 1).
Como seria a distribuição de frequência

dos graus dos vértices?

Um grafo aleatório

Modelos de Redes Complexas Grafos Mundo Pequeno
Modelo de Watts-Strogatz (1998)
Modelo de Watts-Strogatz (1998)

Necessidade de um modelo topológico ” mais adequado ” para
estudar as redes reais, que se situe entre:
grafos regulares
grafos aleatórios

Um grafo mundo pequeno com n = 20

Distância média (L) versus Coef. clusterização (C )
Tipicamente:
Em redes regulares, L cresce linearmente com n, e C é alto; e
Em redes aleatórias, L cresce logaritmicamente com n, e C é baixı́ssimo.
n = 1000, < k >= 10

Algumas crı́ticas ao modelo
Por exemplo:
É considerado fixo o número de vértices da rede.
As arestas são distribuı́das aleatoriamente.

Modelos de Redes Complexas Exemplo
Exemplo: A rede WWW (World Wide Web)
Grafo direcionado, onde:

os vértices representam documentos; e
as arestas representam os links (URLs) que
apontam de um documento para outro.

Exemplo: A rede WWW (World Wide Web)
Grafo direcionado, onde:

os vértices representam documentos; e
as arestas representam os links (URLs) que
apontam de um documento para outro.
O diâmetro da rede é o menor número de links que

devem ser seguidos para navegar de um documento
a outro qualquer.

A rede WWW
Tamanho estimado da rede em 1999: 8x108 documentos.

A rede WWW
Crescimento descontrolado: qualquer indivı́duo ou instituição

pode criar um website com qualquer quantidade de
documentos e links.

A rede WWW
Crescimento descontrolado: qualquer indivı́duo ou instituição

pode criar um website com qualquer quantidade de
documentos e links.
É importante ter um modelo que represente bem esta rede?
A topologia deste grafo influencia, por exemplo, a facilidade

de localizar informações na rede.

Um grafo aleatório modela bem a rede WWW?
Qual é a probabilidade de existir um link entre:

dois documentos no mesmo website?
dois documentos escolhidos aleatoriamente na rede?

Qual é a probabilidade de existir um link entre:

dois documentos no mesmo website?
dois documentos escolhidos aleatoriamente na rede?
Todos os documentos estão relacionados (em média) à mesma

quantidade de outros documentos?
Ou seja, todos os documentos são igualmente relevantes para a

rede, ou alguns serão muito mais referenciados que outros?

Experimento realizado em 1999 por

Albert-Laszlo Barabasi, H. Jeong e Reka Albert
A distribuição dos graus dos vértices desta rede segue uma lei de potência:
P(k) ∼ k −γ , onde 2 < γ < 3.
(Diversos experimentos posteriores mostraram resultados semelhantes!)

Experimento realizado em 1999 por

Albert-Laszlo Barabasi, H. Jeong e Reka Albert
A distribuição dos graus dos vértices desta rede segue uma lei de potência:
P(k) ∼ k −γ , onde 2 < γ < 3.
(Diversos experimentos posteriores mostraram resultados semelhantes!)

A rede WWW
O experimento mostrou ainda que < dist > cresce

proporcionamente a log (n).

A rede WWW

Em média, 19 links separam dois documentos escolhidos

aleatoriamente na rede, a partir de um conjunto com 8x108
documentos.
Por isso, a rede WWW foi considerada como um grafo

mundo pequeno.

A rede WWW

Em média, 19 links separam dois documentos escolhidos

aleatoriamente na rede, a partir de um conjunto com 8x108
documentos.
Por isso, a rede WWW foi considerada como um grafo

mundo pequeno.
Assim, um aumento de 1000% no tamanho da rede

aumentaria de 19 para apenas 21 a distância média da rede.

Modelos de Redes Complexas Grafos Sem Escala
Modelo de Barabási-Albert (1999)
Em 1999, Barabási e Albert propuseram um novo modelo de

grafos, baseado em um mecanismo dinâmico.
Caracterı́sticas principais:
Ligação preferencial
Surgimento de hubs

Experimento:
Inicie a rede com um pequeno conjunto de nós;
A cada etapa, acrescente um novo nó com m ligações
preferenciais.

Resultado:
Independentemente do valor de m, a rede inicial evolui para uma
rede sem escala, com P(k) ∼ k −3 .

Um grafo sem escala

Algumas crı́ticas ao modelo
Por exemplo:
Frequentemente, arestas são adicionadas a
vértices existentes.
Vértices ou arestas podem desaparecer.

Modelos de Redes Complexas
(a) (b) (c) (d)

Grafos aleatórios versus grafos sem escala

Robustez contra falhas:

grafos aleatórios versus grafos sem escala

Aplicação: Conectividade algébrica em redes complexas
Sumário
1 Introdução
Grafos Aleatórios
Grafos Sem Escala
6 Referências

Conectividade algébrica em redes complexas
”Quanto maior é a conectividade algébrica, mais difı́cil

é separar o grafo em componentes independentes”

”Quanto maior é a conectividade algébrica, mais difı́cil

é separar o grafo em componentes independentes”
On the relationship between the algebraic connectivity

and graph’s robustness to node and link failures.
Jamakovic e Uhlig (2007)



Ferramentas para lidar com redes complexas
Sumário
1 Introdução
Grafos Aleatórios
Grafos Sem Escala
6 Referências

Identificação de estrutura (e ”comportamento”)

distribuição de frequência dos graus
medidas de clusterização (Identificação de comunidades)
medidas de centralidade (Identificação de nós/arestas ”importantes”)

Medidas de clusterização
Por exemplo:
aglomeração
assortatividade
modularidade

Medidas de clusterização
Por exemplo:
aglomeração
assortatividade
modularidade
Medidas de centralidade
Por exemplo:
grau
centralidade de autovetor
closeness
betweenness

Métricas ou invariantes
densidade
Matrizes grau, < d >, δ, ∆
Por exemplo: diâmetro, < dist >
Adjacência ı́ndice de Wiener
Laplaciana transmissão
Laplaciana sem sinal energia
Laplaciana normalizada entropia
Distância conectividade algébrica
Num. caminhos disjuntos centralidade de autovetor
Resistência closeness, betweenness
modularidade
etc
Geração, visualização, e cálculo de invariantes

PAJEK
Gephi
NetworX (Python)
igraph (R)
Constellation

The netscience graph solution found by Constellation while maximizing

modularity (19 clusters).
The netscience graph solution found by Constellation while maximizing

modularity with strong Radicchi conditions (17 clusters).

Referências
Sumário
1 Introdução
Grafos Aleatórios
Grafos Sem Escala
6 Referências

Referências
Principais referências:
Collective dynamics of ’small-world’ networks

D. J. Watts, S. H. Strogatz. Nature, Vol. 393, Junho de 1998.
Diameter of the World-Wide Web
R. Albert, H. Jeong, A. L. Barabási. Nature, Vol. 401, Setembro de 1999.
The physics of the Web
A. L. Barabási. Physics World, Julho de 2001.
Scale-free networks
A. L. Barabási, E. Bonabeau. Scientific American, Maio de 2003.
The Architecture of Complexity
A. L. Barabási. IEEE Control Systems Magazine, Agosto de 2007.
A Visual Environment to Study and Find Communities in Networks
G. Caporossi, S. Perron. Les Cahiers du GERAD, Outubro de 2011.

Grafos e Redes Complexas Parte II

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Grafos e Redes Complexas Parte II

Enviado por

Direitos autorais:

Formatos disponíveis

Breve Introdução a Grafos e Redes Complexas

Laboratório de Telecomunicações - LabTel

II Jornada de Atualização em Computação, Elétrica e Eletrônica - JACEE

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 1 / 54

2 Teoria Espectral de Grafos

3 Modelos de Redes Complexas

4 Aplicação: Conectividade algébrica em redes complexas

5 Ferramentas para lidar com redes complexas

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 2 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 3 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 5 / 54

Backbones versus Redes Complexas

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 6 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 7 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 9 / 54

Matriz diagonal dos graus de G

Matriz diagonal dos graus dos vértices

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 10 / 54

A matriz laplaciana L(G ) de um grafo G é definida por

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 11 / 54

L(G ) = D(G ) − A(G )

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 12 / 54

Espectro da matriz laplaciana

Espectro da matriz laplaciana L(G) de um grafo G com n nós

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 13 / 54

Espectro da matriz laplaciana

Espectro da matriz laplaciana L(G) de um grafo G com n nós

Assim, se µ1 ≥ . . . ≥ µn são os autovalores de L, então seu espectro é:

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 13 / 54

Espectro da matriz laplaciana

Espectro da matriz laplaciana L(G) de um grafo G com n nós

Assim, se µ1 ≥ . . . ≥ µn são os autovalores de L, então seu espectro é:

No espectro da matriz laplaciana:

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 13 / 54

Espectro da matriz laplaciana de G

(5.414, 4, 3.414, 2.586, 2, 2, 0.586, 0)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 14 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54

(4.988, 4.434, 3.501, 2.729, 2.315, 1.426, 0.608, 0)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 16 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 17 / 54

O espectro da matriz laplaciana traz alguma

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 18 / 54

O espectro da matriz laplaciana traz alguma

Os autovalores tem alguma relação com

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 18 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 19 / 54

Grafos aleatórios - Modelo de Erdös-Rényi (1959)

Gp (n) é um grafo aleatório com n vértices onde cada uma das

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 20 / 54

Grafos aleatórios - Modelo de Erdös-Rényi (1959)

Gp (n) é um grafo aleatório com n vértices onde cada uma das

Mais precisamente, Gp (n) é uma famı́lia de grafos, com número

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 20 / 54

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 21 / 54