强者越强-效率与公平的幂律视角

Posted dog250

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了强者越强-效率与公平的幂律视角相关的知识,希望对你有一定的参考价值。

一直以来,人们认为复杂网络的内在是泊松分布,但事实上却是幂律分布。是不是所有基于泊松分布的统计复用需要重新评估呢?比如分组交换网的拥塞控制?但这是后话,本文不谈,本文主要内容是效率和公平。

以无标度网络为例,在平滑连续的时间序列 t t t中,每单位时间接入一个节点,它会与既有节点创建 m m m个链接,在一个总节点数为 N N N的网络中,对于已经接入的节点 i i i,设它的度为 K i K_i Ki,其被链接的概率为:

p ( i ) = m K i Σ j = 1 N K j p(i)=m\\dfrac{K_i}{\\Sigma_{j=1}^NK_j} p(i)=mΣj=1NKjKi

上式即为优先依附,其连续形式为:

p ( i ) = m K i ( t ) ∫ 1 N K ( t ) d t = m K i ( t ) 2 m t − m = K i ( t ) 2 t − 1 ≈ K i ( t ) 2 t p(i)=m\\dfrac{K_i(t)}{\\displaystyle\\int_1^NK(t)dt}=m\\dfrac{K_i(t)}{2mt-m}=\\dfrac{K_i(t)}{2t-1}\\approx \\dfrac{K_i(t)}{2t} p(i)=m1NK(t)dtKi(t)=m2mtmKi(t)=2t1Ki(t)2tKi(t)

另一方面,一个节点 i i i的度 K ( i ) K(i) K(i)的变化率即为被链接的概率:

d K i ( t ) d t = K i ( t ) 2 t \\dfrac{dK_i(t)}{dt}=\\dfrac{K_i(t)}{2t} dtdKi(t)=2tKi(t)

两边积分,解微分方程,可得:

K i ( t ) = ( C × t ) 1 2 K_i(t)=(C\\times t)^{\\frac{1}{2}} Ki(t)=(C×t)21

根据初始条件,当节点 i i i接入时,它共获得了 m m m条连接,即 K i ( t i ) = m K_i(t_i)=m Ki(ti)=m,代入上式:

C = m 2 t i C=\\dfrac{m^2}{t_i} C=tim2

K i ( t ) = m ( t t i ) 1 2 K_i(t)=m(\\dfrac{t}{t_i})^{\\frac{1}{2}} Ki(t)=m(tit)21

对其求导:

K i ′ ( t ) = ( m 2 t i − 1 2 ) t − 1 2 K_i'(t)=(\\dfrac{m}{2}t_i^{-\\frac{1}{2}})t^{-\\frac{1}{2}} Ki(t)=(2mti21)t21

K i ( t ) K_i(t) Ki(t)及其导数可以看出:

  • K i ( t ) K_i(t) Ki(t)分母和分子,越先加入的节点获得的链接越多,此为先发优势。
  • K i ′ ( t ) K_i'(t) Ki(t)的负指数,同一个节点受链接的速率逐渐降低,竞争越发激烈。

这就是无标度网络动力学,越早加入的节点,最终获得越多的链接,那么到底是多少,需要求一下节点的度的概率密度。

概率密度是积累分布的导数,积累分布是一个等于1的积分,对于 F X ( x ) = ∫ x f ( x ) d x F_X(x)=\\displaystyle\\int^x f(x)dx FX(x)=xf(x)dx,求 f ( x ) f(x) f(x)即可。

对于无标度网络,对于任意度 k k k,求度大于 k k k的节点比例,即为节点度为 k k k的积累分布。

K i ( t ) = m ( t t i ) 1 2 ≥ k K_i(t)=m(\\dfrac{t}{t_i})^{\\frac{1}{2}}\\geq k Ki(t)=m(tit)21k 可得:

t i ≤ m 2 k − 2 t t_i\\leq m^2k^{-2}t tim2k2t

在时间 t t t,网络中节点总数为 t + m t+m t+m,则 K i ≥ k K_i\\geq k Kik的比例为:

P K i ≥ k = m 2 k − 2 t

以上是关于强者越强-效率与公平的幂律视角的主要内容,如果未能解决你的问题,请参考以下文章

云原生视角下的开放网络

云原生视角下的开放网络

以产品经理的视角,聊聊推荐系统与广告系统的关系

微博上的幂律,为何微信避开了,抖音呢

云视角下的视频编码:从虚拟化走向容器化

如何区分三视图中的:第一视角和第三视角?