Előadó: Szabó Márton (iwiw) Katalógus → házi feladatnak beszámít

Slides:



Advertisements
Hasonló előadás
KÉSZÍTETTE: Takács Sándor
Advertisements

„Esélyteremtés és értékalakulás” Konferencia Megyeháza Kaposvár, 2009
PPKE ITK 2009/10 tanév 8. félév (tavaszi) Távközlő rendszerek forgalmi elemzése Tájékoztatás
Tanárok kis világa Lehetőségek a tanári hálózatok kutatásában.
Erőállóképesség mérése Találjanak teszteket az irodalomban
Hálózatok a fizikában és a fizika oktatásában
Hotel Eger Park Konferenciaközpont október
High Speed Networks Laboratory Szinkronitás. Hosszu Éva 2/20 Carl Jung: “Ok-okozati viszonyban nem álló események egyidejű bekövetkezése” A szinkronban.
Geometriai transzformációk
Kultúra mint kapcsolat Birher Nándor. „A tudás a világ alkotóelemeiről szerzett ismeret, a bölcsesség az elemek kapcsolódásának ismerete.” -szemléletmódváltozás-
1Objektumorientált elemzés és tervezés – Dinamikus modellezés Gyurkó György Objektumorientált elemzés és tervezés Dinamikus modellezés.
Műveletek logaritmussal
Koordináta transzformációk
Utófeszített vasbeton lemez statikai számítása Részletes számítás
4. VÉGES HALMAZOK 4.1 Alaptulajdonságok
Címkézett hálózatok modellezése
A tételek eljuttatása az iskolákba
Mérés és adatgyűjtés laboratóriumi gyakorlat Karakterisztikák mérése 1 Makan Gergely, Mingesz Róbert, Nagy Tamás V
Hálózati Biológia A sejt funkcionális működésének megértése.
ELTE Matematikai Intézet
Multimédiás technikák 1. kérdés Melyik diszkrét médium? a)hang b)videó c)animáció d)kép.
Térelemek Kőszegi Irén KÁROLYI MIHÁLY FŐVÁROSI GYAKORLÓ KÉTTANNYELVŰ KÖZGAZDASÁGISZAKKÖZÉPISKOLA
Műszaki ábrázolás alapjai
5.2. Próbavizsga Próbáld ki tudásod!
5.2. Próbavizsga Próbáld ki tudásod!
Tűrések, illesztések Áll: 34 diából.
Miskolci Egyetem Informatikai Intézet Általános Informatikai Tanszé k Pance Miklós Adatstruktúrák, algoritmusok előadásvázlat Miskolc, 2004 Technikai közreműködő:
Pázmány - híres perek Pázmány híres perek.
Valós számok Def. Egy algebrai struktúra rendezett test, ha test és rendezett integritási tartomány. Def. Egy (T; +,  ;  ) rendezett test felső határ.
6. Előadás Merevítő rendszerek típusok, szerepük a tervezésben
Darupályák tervezésének alapjai
2007 december Szuhay Péter SPECTRIS Components Kft
A LÁTHATATLAN PÉNZ TITKAI
Festményei 2 Michelangelo Buonarroti Zene: Gregorian Amazing Grace N.3
dr. Szalkai István Pannon Egyetem, Veszprém
Matematikai alapok és valószínűségszámítás
szakmérnök hallgatók számára
Exponenciális egyenletek
var q = ( from c in dc.Customers where c.City == "London" where c.City == "London" select c).Including( c => c.Orders ); select c).Including(
2008 február 26.1 Szonda Ipsos-GfK Hungária országos rádióhallgatottsági mérés 2008 január ● Módszertan Módszertan ● 15+ célcsoport  15+ célcsoport 
2007 július 24.1 Szonda Ipsos-GfK Hungária országos rádióhallgatottsági mérés 2007 június ●MódszertanMódszertan ●15+ célcsoport 15+ célcsoport  ●15+
2007 augusztus 27.1 Szonda Ipsos-GfK Hungária országos rádióhallgatottsági mérés 2007 július ●MódszertanMódszertan ●15+ célcsoport 15+ célcsoport  ●15+
2006 december 18.1 Szonda Ipsos-GfK Hungária országos rádióhallgatottsági mérés 2006 november ●MódszertanMódszertan ●15+ célcsoport 15+ célcsoport  ●15+
2007 november 28.1 Szonda Ipsos-GfK Hungária országos rádióhallgatottsági mérés 2007 október ●MódszertanMódszertan ●15+ célcsoport 15+ célcsoport  ●15+
Budapesti Műszaki és Gazdaságtudományi Egyetem Elektronikus Eszközök Tanszéke Integrált mikrorendszerek II. MEMS = Micro-Electro-
Budapesti Műszaki és Gazdaságtudományi Egyetem Elektronikus Eszközök Tanszéke MIKROELEKTRONIKA, VIEEA306 Integrált mikrorendszerek:
IV. Terjeszkedés.
Társadalmi hálózatok és modelljeik…
Társadalmi hálózatok és modelljeik…
1 Gyarapodó Köztársaság Növekvő gazdaság – csökkenő adók február 2.
Határozatlan integrál
Az elektromos áram.
Virtuális Méréstechnika Sub-VI és grafikonok 1 Makan Gergely, Vadai Gergely v
Mérés és adatgyűjtés laboratóriumi gyakorlat - levelező Sub-VI és grafikonok 1 Mingesz Róbert V
1 Gyorsul a gazdaság növekedése. 2 Nő a beruházás.
Uraim és hölgyeim, itt az új 2011-es Pirelli Naptár A naptár első része a nők naptára, míg a második rész a férfiaké.
A termelés költségei.
Hálózatok szerkezete és dinamikája
Rétegmodellek 1 Rendelje az alábbi hálózati fogalmakat a TCP/IP modell négy rétegéhez és a hibrid modell öt rétegéhez! Röviden indokolja döntését. ,
A nőnek nem kell más, csak legyél neki:
előadások, konzultációk
A termelés költségei.
Nagyon nagy gráfok Lovász László Microsoft Research
Hálózatok: új nyelv a tudományban Lovász László Eötvös Loránd Tudományegyetem
1 / 28 High Speed Networks Laboratory Összefoglalás és gyakorlás.
High Speed Networks Laboratory Hálózatok dinamikája 2 Gulyás András, Heszberger Zalán.
4-7. Előadás Véletlen gráfok, hálózatmodellek
Kapcsolati hálók és internetes közösségi rendszerek
Hálózatok Robusztussága
Előadás másolata:

Előadó: Szabó Márton (iwiw) Katalógus → házi feladatnak beszámít Jövő heti gyakorlat Nov. 16, péntek, 10:15, QBF10 Előadó: Szabó Márton (iwiw) Katalógus → házi feladatnak beszámít

Komplex hálózatok modellezése

Miért vizsgálunk hálózatokat? Hogyan keresed meg a kulcsod? Hogyan fedezed föl a vidámparkot? Hogyan terjednek a járványok?

Ismétlés: átmérő  

Ismétlés: kisvilág-tulajdonság Két tetszőleges pont közötti átlagos távolság a hálózat átmérőjéhez képest kicsi Szociális hálózatok Internet A komplex hálózatokra igaz a kisvilág-tulajdonság

Ismétlés: fokszámeloszlás  

Ismétlés: skálafüggetlenség A fokszámeloszlás hatványfüggvényt követ  

Ismétlés: klaszterezettség Globális klaszterzettség: 𝐶= 3 ∗ℎá𝑟𝑜𝑚𝑠𝑧ö𝑔𝑒𝑘 𝑠𝑧á𝑚𝑎 𝑡𝑟𝑖𝑝𝑙𝑒𝑡𝑒𝑘 𝑠𝑧á𝑚𝑎 Lokális: i csúcsra vonatkozóan (ki: i fokszáma, Ni: a szomszédai közt hány él megy) 𝐶𝑖= 𝑖 𝑠𝑧𝑜𝑚𝑠𝑧é𝑑𝑎𝑖 𝑘ö𝑧𝑡 ℎá𝑛𝑦 é𝑙 𝑚𝑒𝑔𝑦 𝑚𝑒𝑛𝑛𝑦𝑖 𝑙𝑒ℎ𝑒𝑡𝑛𝑒 = 𝑁𝑖 𝑘𝑖 (𝑘𝑖−1)/2 = 2∗ 𝑁𝑖 𝑘𝑖 (𝑘𝑖−1) 𝐶 ′ =𝐶𝑖−𝑘 á𝑡𝑙𝑎𝑔𝑎= 𝐶𝑖 𝑛 ; nem pont ugyanaz a kettő! alacsony klaszterezettség magas klaszterezettség

Mi a cél? Olyan modellt találni, ami rendelkezik a komplex hálózatok tulajdonságaival. Kis átmérő Kisvilág Skálafüggetlen Nagy klaszterezettség Növekedés Mit jelentenek ezek pl. az WWW-ben?

Erdős-Rényi modell Az első próbálkozás: minden hálózat véletlen Kialakulás: 1950-es évek vége Erdős Pál, Rényi Alfréd: On random graphs (1959) Probabilistic method megalapozása Egy n csúcs teljes gráfban nincs egyszínű r-klikk

A G(n,p) gráf generálása  

Az ER modell A videókat frame-enként lejátszva látható, hogy a G(40,p) gráf hogyan alakul a p paraméter függvényében Figyeljük meg két kritikus pontot: megjelenik az óriáskomponens, majd összefüggő lesz a hálózat Óriáskomponens: nagyjából ahol n∗p=40, azaz p= 1 40 =0.025 környékén Hirtelen összefüggő lesz a hálózat: nagyjából p≈ ln 40 40 ≈0.092 környékén várhatjuk Lásd a határfüggvényekről szóló részt

Az ER tulajdonságai Átlagos fokszám Élek számának várható értéke: 𝑛 2 ⋅𝑝= 𝑛 𝑛−1 2 ⋅𝑝 Egy pont fokszámának várható értéke: n−1 ⋅p ≈ n p Átlagos fokszám : <k> = n−1 ⋅p ≈ n p Klaszterezettség 𝐶𝑟𝑎𝑛𝑑= <𝑘> 𝑛 = n−1 ⋅p 𝑛 ≈ p Nincs magas lokális klaszterezettség

Az ER modell tulajdonságai  

Az ER tulajdonságai   n=100, p=0.005 n=100, p=0.01 n=100, p=0.025

Az ER tulajdonságai   összefüggő nem öf.

Hol tartunk eddig Az ER egyszerűen leírható Szép tulajdonságok Analitikusan könnyen számolható Kis átmérő Kisvilág-tulajdonság Nincs: Lokális klaszterezettség és lezárt háromszögek Bármely két csúcs egymástól függetlenül u.a. valséggel létezik -> alacson klaszterezettség Nem magyarázzák meg a hubok képződését A fokszámeloszlás a Poissonhoz tart, a hatványeloszlás helyett Nem skálafüggetlen Növekedés

A Watts-Strogatz modell Az ER modell hiányosságai: Kis lokális klaszterezettség, kevés háromszög Az éleket egymástól függetlenül, konstans valószínűségel húzzuk be → alacsony klaszterezettségi A hubok képződését nem magyarázza meg A fokszámeloszlás Poissonhoz tart – a hatványfüggvény helyett Watts-Strogatz: A legegyszerűbb modell, ami az 1. hiányosságot kiküszöböli Megmagyarázza a klaszterezettséget, miközben megtartja az ER-ből a rövid utakat Részben megmagyarázza a kisvilág jelenséget

A Watts-Strogatz modell Alapötlet: ismerősök hálózata Közeli ismerősök, akik jellemzően egymást is ismerik Néhány távoli ismerős A WS(N,p,K) gráf N a csúcsok száma K-reguláris a kiinduló gráf N >> K >> ln(N) >> 1 p az élek újrahúzásának (rewiring) valószínűsége

A Watts-Strogatz modell Algoritmus: Kiindulás: egy K-reguláris ring lattice N csúcson Sorban minden élet egymástól függetlenül p valószínűséggel áthúzunk máshova egyenletesen választunk a szabad helyekből ne legyen párhuzamos él és hurokél

A WS modell n=30, k=6 gráfból kiindulva: P=0.2 P=0.4 p=0.7 p=1

Finomhangolás p-vel p = 0 p ~ 1

A WS modell hátulütői 1. Fokszámeloszlás Watts-Strogatz Valós hálózat Átl. k = K, P(k) ~ Poisson(k) Valós hálózat P(k) ~ k -γ

A WS modell hátulütői 2. Mechanizmus A WS feltevései: Fix N db pont Pedig hálózatok folyton nőnek vagy elfogynak Minden élet egyforma p valószínűséggel cserélünk ki egy újra Ez sem hangzik túl jól, a gazdag egyre gazdagabb lesz??

Hol tartunk eddig A WS jól megmagyarázza a klaszterezettséget Kis átmérő Kisvilág-tulajdonság Klaszterezettség Nem magyarázzák meg a hubok képződését Még mindig nem skálafüggetlen Növekedés Preferenciális kapcsolódás

Preferenciális kapcsolódás Egy nemzetségen (nem) belül a fajok számának növekedése Canis sujtásos sakál (Canis adustus) aranysakál (Canis aureus) prérifarkas  (Canis latrans) szürke farkas  (Canis lupus) panyókás sakál (Canis mesomelas) vörös farkas vagy rőt farkas (Canis rufus) abesszin farkas más néven kaber, etióp róka vagy etióp sakál (Canis simensis) óriásfarkas (Canis dirus) - kihalt. A gazdag egyre gazdagabb lesz

Barabási-Albert modell Kiindulás Egy néhány (≥2) csúcsból álló gráf, amiben nincs izolált pont Építkezés Minden lépésben egy új csúcsot veszünk hozzá + m új élet Egy már meglévő csúcshoz 𝑝𝑖= 𝑘𝑖 𝑗 𝑘𝑗 valószínűséggel kapcsolódik Arányos a fokszámmal Nagyobb fokszámú csúcshoz nagyobb eséllyel kapcsolódik (preferenciális kapcsolódás)

BA modell 20 csomópontig növekedik Preferenciális kapcsolódás

Nem elég-e kevesebb? A modell: csak növekedés Elindulunk egy néhány csúcsból álló gráfból Minden lépésben beveszünk egy új csúcsot + m élet Minden új élnek egyenletesen választjuk a végpontját a meglevő csúcsok között Exponenciális lecsengésű fokszámeloszlás Nem skálafüggetlen B modell: csak preferenciális kapcsolódás Indulás: N izolált csúcs, behúzunk 1 élet Minden lépésben vál. egy csúcsot, a már meglévő fokszámmal arányos valsózínűséggel hozzákötjük valamelyik másikhoz (𝑝𝑖= 𝑘𝑖 𝑗 𝑘𝑗 ) Kezdetben skálafüggetlennek tűnő eloszlás, egyre több él behúzásával normálishoz tart

A BA modell tulajdonságai Fokszámeloszlás P(k) ~ k-3 Valóban hatványfüggvény http://discopal.ispras.ru/images/c/c9/Barabasi-Albert_model.pdf Skálafüggetlen Kisvilág-tulajdonságú

A BA modell tulajdonságai Klaszterezettség Analitikusan nem lehet számolni Szimuláció: <k>=4 véletlen gráfokkal összehasonlítva Véletlen gráfokban: 𝐶𝑟𝑎𝑛𝑑= <𝑘> 𝑁 BA-ban: 𝐶𝐵𝐴 ~ 1 𝑁0.75 A hálózat méretével csökken Megfigyelt hálózatok: független a hálózat méretétől

Hol tartunk eddig A BA modell az eddigi legjobb próbálkozás Kis átmérő Kisvilág-tulajdonság Skálafüggetlenség Növekedés Preferenciális kapcsolódás A klaszterezettség a hálózat méretével csökken Nem független

Összefoglalás Tulajdonság Erdős-Rényi Watts-Strogatz Barabási-Albert Kis átmérő OK Kisvilág Klaszterezettség Nem Preferenciális kapcsolódás Növekedés Skálafüggetlen nov. 16. gyakorlat!