رویکردی برای تحلیل آسیب‌پذیری شبکه‌های اجتماعی مبتنی بر عملکرد با استفاده از ضریب خوشه‌بندی

توانمندی در واکنش به رویدادهای غیرمنتظره همواره برای شبکه‌های دنیای واقعی مطلوب است. به‌منظور بهبود توانمندی هر نوع سیستم شبکه، تجزیه و تحلیل آسیب‌پذیری برای اختلالات خارجی از قبیل نقص تصادفی یا حملات دفاعی که به عناصر شبکه وارد می‌شوند حائز اهمیت است. در این مقاله، یک مسئله نوظهور در ارزیابی توانمندی شبکه‌های پیچیده را بررسی می‌کنیم: آسیب‌پذیری خوشه‌بندی شبکه‌های مبتنی بر عملکرد در برابر فقدان عناصر شبکه. هدف اصلی شناسایی رئوسی است که فقدان آن‌ها به‌واسطه تضعیف خوشه‌بندی، به‌طور قابل‌توجهی به شبکه آسیب می‌رساند که از طریق میانگین ضریب خوشه‌بندی مورد ارزیابی قرار می‌گیرد. این مسئله به این دلیل حائز اهمیت است که هر تغییر قابل‌ملاحظه‌ای  ناشی از نقص عناصر که منجر به تغییر خوشه‌بندی می‌شود می‌تواند عملکرد شبکه، مانند توانایی انتشار اطلاعات در یک شبکه اجتماعی را کاهش دهد. ما این تحلیل آسیب‌پذیری را به‌عنوان یک مسئله بهینه‌سازی تنظیم می‌کنیم و کامل بودن و عدم یکنواختی آن را نشان می‌دهیم. درنهایت، آزمایش‌های جامعی را در شبکه‌های اجتماعی ساختگی و واقعی که توسط مدل‌های شناخته‌شده تولیدشده‌اند، انجام می‌دهیم. نتایج تجربی در مقایسه با استراتژی‌های مختلف در شبکه‌های ترکیبی و واقعی نشان می‌دهد که میانگین ضریب خوشه‌بندی در تحلیل نقص گره‌های شبکه بسیار کارآمد است . همچنین نتایج به‌دست‌آمده تائید می‌کند که تکنیک حذف گره‌های پراهمیت به ویژه از نظر مقدار مرکزیت نزدیکی، در تجزیه و تحلیل آسیب‌پذیری خوشه‌بندی بسیار موثر است.

An Approach to Analyze the Vulnerability of Function-Based Social Networks Using Clustering Coefficient

Robustness in response to unexpected events is always ideal for realworld networks. In order to improve the robustness of any network system, it is important to analyze the vulnerability to external interference such as accidental fault or attacks that are introduced into the network elements. In this paper, a novel study investigates the robustness of complex network using the clustering coefficient of networks against loss of elements. In particular, we can identify vertexes that can damage the network due to the weakening of its clustering, which is evaluated by means of the average of clustering coefficient. This is important because any tangible change that leads to a clustering is caused by defects that can reduce network functionality, such as the ability to spread information on a social network. We present this risk analysis as an optimization method and demonstrate the completeness and uncertainty of our approach to identify main vertices for clustering. Finally, we perform comprehensive experiments in the combined social networks that are generated by different models. The experimental results show that the average clustering coefficient is very efficient in analyzing the fault of network node failure. Also, the results confirm that the technique of removing the important nodes, especially in terms of the closeness centrality, is very effective in the analysis of clustering vulnerability.