Grafos 2

Breve Introducao a Grafos e Redes Complexas
Parte II
Marcia Paiva
Laboratorio de Telecomunicacoes - LabTel

Universidade Federal do Esprito Santo
II Jornada de Atualizacao em Computacao, Eletrica e Eletronica - JACEE

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

Sumario
1 Introducao
2 Teoria Espectral de Grafos
3 Modelos de Redes Complexas

Grafos Aleatorios
Grafos Mundo Pequeno
Grafos Sem Escala
4 Aplicacao: Conectividade algebrica em redes complexas
5 Ferramentas para lidar com redes complexas
6 Referencias

Introducao
Sumario
1 Introducao
Grafos Aleatorios
Grafos Sem Escala
6 Referencias

Introducao
Primeiro captulo . . .
Conceitos:
grafo G = G (V , E )
Metricas ou invariantes:
caminho, ciclo
n: numero de vertices ou nos
ponte, articulacao
m: numero de arestas ou enlaces
conectividade de vertices
d(v ), v G
conectividade de arestas
(G ): grau mnimo
arvore
(G ): grau maximo
grafo simples
< d >G : grau medio
grafo regular
distG (u, v ), u, v V
grafo conexo
diam(G ): diametro
grafo 2-conexo
< dist >G : distancia media
grafo euleriano
grafo hamiltoniano
Introducao
Backbone da RNP

Introducao
Backbones versus Redes Complexas

Teoria Espectral de Grafos
Sumario
1 Introducao
Grafos Aleatorios
Grafos Sem Escala
6 Referencias

Um grafo G

Um grafo G
G e um grafo com:
8 vertices

Um grafo G
G e um grafo com:
8 vertices
10 arestas

Um grafo G
G e um grafo com:
8 vertices
10 arestas
G tem:
4 vertices com grau 2

Um grafo G
G e um grafo com:
8 vertices
10 arestas
G tem:

Matriz de adjacencias de G
Matriz de adjacencias 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 vertices

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 e definida por

L(G ) = D(G ) A(G ),
onde A(G ) e sua matriz de adjacencias, e D(G ) e a
matriz diagonal dos graus de seus vertices.

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 nos

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


Assim, se 1 . . . n sao os autovalores de L, entao seu espectro e:
(1 , 2 , . . . , , n1 , n ).


Assim, se 1 . . . n sao os autovalores de L, entao seu espectro e:
(1 , 2 , . . . , , n1 , n ).
No espectro da matriz laplaciana:

O maior autovalor e denominado ndice;
O segundo menor autovalor e denominado conectividade algebrica.

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 e um grafo com:
8 vertices


Um grafo G

G e um grafo com:
8 vertices
10 arestas


Um grafo G

G e um grafo com:
8 vertices
10 arestas

G tambem tem:


Um grafo G

G e um grafo com:
8 vertices
10 arestas

G tambem 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

Questoes
O espectro da matriz laplaciana traz alguma

informacao util para o problema?

Questoes
O espectro da matriz laplaciana traz alguma

informacao util para o problema?
Os autovalores tem alguma relacao com

metricas de desempenho, protecao, etc do
sistema modelado?

Modelos de Redes Complexas
Sumario
1 Introducao
Grafos Aleatorios
Grafos Sem Escala
6 Referencias

Modelos de Redes Complexas Grafos Aleatorios
Grafos aleatorios - Modelo de Erdos-Renyi (1959)
Gp (n) e um grafo aleatorio com n vertices onde cada uma das

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

Gp (n) e um grafo aleatorio com n vertices onde cada uma das

possveis Cn,2 arestas ocorre independentemente das demais com
probabilidade p.
Mais precisamente, Gp (n) e uma famlia de grafos, com numero

variavel de arestas.

Um grafo aleatorio

Todas as ligacoes sao igualmente

provaveis.
A media dos graus dos vertices e
< k >= p(n 1).


provaveis.
< k >= p(n 1).
Como seria a distribuicao de frequencia

dos graus dos vertices?


provaveis.
< k >= p(n 1).
Como seria a distribuicao de frequencia

dos graus dos vertices?

Um grafo aleatorio

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

Necessidade de um modelo topologico mais adequado para
estudar as redes reais, que se situe entre:
grafos regulares
grafos aleatorios

Um grafo mundo pequeno com n = 20

Distancia media (L) versus Coef. clusterizacao (C )
Tipicamente:
Em redes regulares, L cresce linearmente com n, e C e alto; e
Em redes aleatorias, L cresce logaritmicamente com n, e C e baixssimo.
n = 1000, < k >= 10

Algumas crticas ao modelo
Por exemplo:
E considerado fixo o numero de vertices da rede.
As arestas sao distribudas aleatoriamente.

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

os vertices 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 vertices representam documentos; e
as arestas representam os links (URLs) que
apontam de um documento para outro.
O diametro da rede e o menor numero 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 indivduo ou instituicao

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

A rede WWW
Crescimento descontrolado: qualquer indivduo ou instituicao

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

de localizar informacoes na rede.

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

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

Qual e a probabilidade de existir um link entre:

dois documentos no mesmo website?
dois documentos escolhidos aleatoriamente na rede?
Todos os documentos estao relacionados (em media) a mesma

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

rede, ou alguns serao muito mais referenciados que outros?

Experimento realizado em 1999 por

Albert-Laszlo Barabasi, H. Jeong e Reka Albert
A distribuicao dos graus dos vertices desta rede segue uma lei de potencia:
P(k) k , onde 2 < < 3.
(Diversos experimentos posteriores mostraram resultados semelhantes!)

Experimento realizado em 1999 por

Albert-Laszlo Barabasi, H. Jeong e Reka Albert
A distribuicao dos graus dos vertices desta rede segue uma lei de potencia:
P(k) k , onde 2 < < 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 media, 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 media, 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 distancia media da rede.

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

grafos, baseado em um mecanismo dinamico.
Caractersticas principais:
Ligacao preferencial
Surgimento de hubs

Experimento:
Inicie a rede com um pequeno conjunto de nos;
A cada etapa, acrescente um novo no com m ligacoes
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 crticas ao modelo
Por exemplo:
Frequentemente, arestas sao adicionadas a
vertices existentes.
Vertices ou arestas podem desaparecer.

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

Grafos aleatorios versus grafos sem escala

Robustez contra falhas:

grafos aleatorios versus grafos sem escala

Aplicacao: Conectividade algebrica em redes complexas
Sumario
1 Introducao
Grafos Aleatorios
Grafos Sem Escala
6 Referencias

Conectividade algebrica em redes complexas
Quanto maior e a conectividade algebrica, mais difcil

e separar o grafo em componentes independentes

Quanto maior e a conectividade algebrica, mais difcil

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

and graphs robustness to node and link failures.
Jamakovic e Uhlig (2007)



Ferramentas para lidar com redes complexas
Sumario
1 Introducao
Grafos Aleatorios
Grafos Sem Escala
6 Referencias

Identificacao de estrutura (e comportamento)

distribuicao de frequencia dos graus
medidas de clusterizacao (Identificacao de comunidades)
medidas de centralidade (Identificacao de nos/arestas importantes)

Medidas de clusterizacao
Por exemplo:
aglomeracao
assortatividade
modularidade

Medidas de clusterizacao
Por exemplo:
aglomeracao
assortatividade
modularidade
Medidas de centralidade
Por exemplo:
grau
centralidade de autovetor
closeness
betweenness

Metricas ou invariantes
densidade
Matrizes grau, < d >, ,
Por exemplo: diametro, < dist >
Adjacencia ndice de Wiener
Laplaciana transmissao
Laplaciana sem sinal energia
Laplaciana normalizada entropia
Distancia conectividade algebrica
Num. caminhos disjuntos centralidade de autovetor
Resistencia closeness, betweenness
modularidade
etc
Geracao, visualizacao, e calculo 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).

Referencias
Sumario
1 Introducao
Grafos Aleatorios
Grafos Sem Escala
6 Referencias

Referencias
Principais referencias:
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. Barabasi. Nature, Vol. 401, Setembro de 1999.
The physics of the Web
A. L. Barabasi. Physics World, Julho de 2001.
Scale-free networks
A. L. Barabasi, E. Bonabeau. Scientific American, Maio de 2003.
The Architecture of Complexity
A. L. Barabasi. 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 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Grafos 2

Uploaded by

Copyright:

Available Formats

Breve Introducao a Grafos e Redes Complexas

Laboratorio de Telecomunicacoes - LabTel

II Jornada de Atualizacao em Computacao, Eletrica e Eletronica - JACEE

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

2 Teoria Espectral de Grafos

3 Modelos de Redes Complexas

4 Aplicacao: Conectividade algebrica 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 vertices

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

A matriz laplaciana L(G ) de um grafo G e 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 nos

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 nos

Assim, se 1 . . . n sao os autovalores de L, entao seu espectro e:

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 nos

Assim, se 1 . . . n sao os autovalores de L, entao seu espectro e:

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 relacao com

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

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

Grafos aleatorios - Modelo de Erdos-Renyi (1959)

Gp (n) e um grafo aleatorio com n vertices onde cada uma das

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

Grafos aleatorios - Modelo de Erdos-Renyi (1959)

Gp (n) e um grafo aleatorio com n vertices onde cada uma das

Mais precisamente, Gp (n) e uma famlia de grafos, com numero

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