VERKKORAKENTEEN VAIKUTUKSIA KAIKKI SOLMUT EIVÄT OLE SAMANLAISIA

Samankaltaiset tiedostot
Internet ja muut informaatioverkostot

MALLEJA JA MITTAREITA EPÄUNIFORMEILLE VERKOILLE

MALLEJA JA MITTAREITA

Etsintä verkosta (Searching from the Web) T Datasta tietoon Heikki Mannila, Jouni Seppänen

Etsintä verkosta (Searching from the Web) T Datasta tietoon Jouni Seppänen

Luku 9. Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa

Department of Mathematics, Hypermedia Laboratory Tampere University of Technology. Roolit Verkostoissa: HITS. Idea.

Markov-ketjut pitkällä aikavälillä

Tämän luvun sisältö. Luku 9. Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa. Webin lyhyt historia 1992: ensimmäisiä selaimia

Kiinnostuspohjainen topologian hallinta järjestämättömissä vertaisverkoissa

Matematiikka ja teknologia, kevät 2011

P (A)P (B A). P (B) P (A B) = P (A = 0)P (B = 1 A = 0) P (B = 1) P (A = 1)P (B = 1 A = 1) P (B = 1)

Markov-ketjut pitkällä aikavälillä

Estynyt puheluyritys menetetään ei johda uusintayritykseen alkaa uusi miettimisaika: aika seuraavaan yritykseen Exp(γ) pitoaika X Exp(µ)

Satunnaisalgoritmit. Topi Paavilainen. Laskennan teorian opintopiiri HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos

Informaation leviäminen väkijoukossa matemaattinen mallinnus

Erilaisia Markov-ketjuja

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Martingaalit ja informaatioprosessit

MS-A0004/A0006 Matriisilaskenta

Markov-kustannusmallit ja kulkuajat

Relevanttien sivujen etsintä verkosta: satunnaiskulut verkossa Linkkikeskukset ja auktoriteetit (hubs and authorities) -algoritmi

Esimerkki: Tietoliikennekytkin

Department of Mathematics, Hypermedia Laboratory Tampere University of Technology. Arvostus Verkostoissa: PageRank. Idea.

Verkon värittämistä hajautetuilla algoritmeilla

1 p p P (X 0 = 0) P (X 0 = 1) =

Luku 7. Verkkoalgoritmit. 7.1 Määritelmiä

Konsensusongelma hajautetuissa järjestelmissä

Linkit webbihauissa / PageRank

Kurssikoe on maanantaina Muista ilmoittautua kokeeseen viimeistään 10 päivää ennen koetta! Ilmoittautumisohjeet löytyvät kurssin kotisivuilla.

1. (a) Seuraava algoritmi tutkii, onko jokin luku taulukossa monta kertaa:

Sovellettu todennäköisyyslaskenta B

Esimerkkejä vaativuusluokista

Algoritmit 2. Luento 4 To Timo Männikkö

Algoritmit 1. Luento 1 Ti Timo Männikkö

Itsestabilointi: perusmääritelmiä ja klassisia tuloksia

Tietoyhteiskunnan taudit ja rohdot 2000-luvulla Erkki Mustonen tietoturva-asiantuntija

3.4 Peruutus (backtracking)

ALGORITMIT & OPPIMINEN

Kombinatorinen optimointi

Tulevaisuuden Internet. Sasu Tarkoma

1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.

Ilkka Mellin Todennäköisyyslaskenta Osa 1: Todennäköisyys ja sen laskusäännöt Verkot ja todennäköisyyslaskenta

/1. MTTTP5, luento Kertausta. Olk. X 1, X 2,..., X n on satunnaisotos N(µ, ):sta, missä tunnettu. Jos H 0 on tosi, niin

Algoritmit 2. Luento 4 Ke Timo Männikkö

Konsensusongelma hajautetuissa järjestelmissä. Niko Välimäki Hajautetut algoritmit -seminaari

Kustannustehokkaat riskienhallintatoimenpiteet kuljetusverkostossa (Valmiin työn esittely)

ESS oppiminen ja sen simulointi

Turku, Jouni Kangasniemi, OKM

MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42

Jatkuvatoiminen monitorointi vs. vuosittainen näytteenotto

Demonstraatiot Luento

Hajautettujen sovellusten muodostamistekniikat, TKO_2014 Johdatus kurssiin

Milloin A diagonalisoituva?

MS-C2111 Stokastiset prosessit

Kryptovaluuttoista ja lohkoketjuista osa 2. Jyväskylä Henri Heinonen

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

Case Ebola ja opit viimeisestä pandemiasta. Mika Mäkinen

Esimerkkejä polynomisista ja ei-polynomisista ongelmista

Tiivistelmä artikkelista Constrained Random Walks on Random Graphs: Routing Algorithms for Large Scale Wireless Sensor Networks

Algoritmit 2. Luento 12 Ke Timo Männikkö

Vinkkejä yrityksen löydettävyyden ja hakukonenäkyvyyden parantamiseen. Jukka Kumpusalo Mikkelin kehitysyhtiö Miksei Oy

Valitaan testisuure, jonka jakauma tunnetaan H 0 :n ollessa tosi.

Norovirustartunnat ja niiden estäminen

Suunnitteluvaihe prosessissa

Johdatus todennäköisyyslaskentaan Kokonaistodennäköisyys ja Bayesin kaava. TKK (c) Ilkka Mellin (2005) 1

AS Automaation signaalinkäsittelymenetelmät. Tehtävä 1. Käynnistä fuzzy-toolboxi matlabin komentoikkunasta käskyllä fuzzy.

Vikasietoisuus ja luotettavuus

SEKASTRATEGIAT PELITEORIASSA

Järjestelmäarkkitehtuuri (TK081702) Hajautettu tietokanta. Hajautuksen hyötyjä

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Se mistä tilasta aloitetaan, merkitään tyhjästä tulevalla nuolella. Yllä olevassa esimerkissä aloitustila on A.

verkkojen G ja H välinen isomorfismi. Nyt kuvaus f on bijektio, joka säilyttää kyseisissä verkoissa esiintyvät särmät, joten pari

pitkittäisaineistoissa

Liikenneongelmien aikaskaalahierarkia

TIETOTURVA. Eduberry tietotekniikka marjanviljelijän apuvälineenä Leena Koponen

Suhtautuminen itseohjautuviin autoihin. Liikenneturva ja Kantar TNS Oy 2016

MTTTP5, luento Otossuureita ja niiden jakaumia (jatkuu)

Seminaari: Hajautetut algoritmit syksy 2009

AGORA OLARIN KOULU ÄIDINKIELI. Euroopan Unionin Kotouttamisrahasto osallistuu hankkeen rahoittamiseen.

Oikeasta tosi-epätosi -väittämästä saa pisteen, ja hyvästä perustelusta toisen.

Algoritmit 2. Luento 12 To Timo Männikkö

Tietorakenteet, laskuharjoitus 10, ratkaisuja. 1. (a) Seuraava algoritmi tutkii, onko jokin luku taulukossa monta kertaa:

TU-C9280 Viestintä 1. Luento 3, , Sisäinen viestintä Vastuuopettaja Miia Jaatinen, valtiot.tri, dosentti Kurssiassistentti Jenni Kaarne

A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.

Norovirukset pinnoilla ja niiden leviäminen elintarvikkeita käsiteltäessä

Probabilistiset mallit (osa 1) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 1 Jorma Merikoski Tampereen yliopisto

The Metropolis-Hastings Algorithm

Osa 1: Todennäköisyys ja sen laskusäännöt. Kokonaistodennäköisyyden ja Bayesin kaavat

Palomuurit. Palomuuri. Teoriaa. Pakettitason palomuuri. Sovellustason palomuuri

Neuroverkkojen soveltaminen vakuutusdatojen luokitteluun

/1. MTTTP5, luento Normaalijakauma (jatkuu) Binomijakaumaa voidaan approksimoida normaalijakaumalla

Alijärjestelmän mittaus ja muita epätäydellisiä mittauksia

Arkkitehtuurien tutkimus Outi Räihä. OHJ-3200 Ohjelmistoarkkitehtuurit. Darwin-projekti. Johdanto

/1. MTTTP1, luento Normaalijakauma (jatkoa) Olkoon Z ~ N(0, 1). Määritellään z siten, että P(Z > z ) =, graafisesti:

Markov-ketjun hetkittäinen käyttäytyminen

Esimerkki 4.4. Esimerkki jatkoa. Määrää matriisin ominaisarvot ja -vektorit. Ratk. Nyt

alleelipareja dominoiva dominoiva resessiivinen

T Rinnakkaiset ja hajautetut digitaaliset järjestelmät Stokastinen analyysi

14. Luento: Kohti hajautettuja sulautettuja järjestelmiä. Tommi Mikkonen,

Transkriptio:

VERKKORAKENTEEN VAIKUTUKSIA KAIKKI SOLMUT EIVÄT OLE SAMANLAISIA SATU ELISA SCHAEFFER Tietojenkäsittelyteorian laboratorio, TKK elisa.schaeffer@tkk.fi INF-0.3100 VERKOSTOJEN PERUSTEET

KÄSITELTÄVÄT AIHEPIIRIT Verkkorakenne ja epidemiat Rokotusskeemat Muita leviämisilmiöitä Solmujen arvottaminen Vertaisverkot

EPIDEMIAT ERILAISISSA VERKOISSA Pieni maailma: epidemia leviää erittäin nopeasti pienestäkin tartunnan saaneesta joukosta (Moore & Newman 2000) Vapaaskaalainen: ei kynnysarvoa virus ei kuole pois eikä aiheuta epidemiaa (Pastor-Satorras & Vespignani 2001)

HYVÄ ROKOTUSSKEEMA? Rokotetta riittää vain tietylle (pienelle) prosenttiosuudelle ((100 p)/taudille alttiista populaatiosta. Miten valita rokotettavat henkilöt? tasajakautuneesti satunnaisesti (huono tulos) ryhminä miten jaotella? riskialttiit miten tunnistaa?

SUOSITUSPOHJAINEN ROKOTUSSKEEMA Halutaan rokottaa korkea-asteiset solmut, mutta tarjolla on vain tasajakautunut satunnaisotos S. Ratkaisu: otetaan kunkin S:n solmun yksi satunnainen naapuri (Cohen et al. 2003). Paikallinen ja tehokas tapa valita rokotettavat.

TIETOKONEVIRUKSET ensin puhdistetaan korkea-asteisimmat solmut (Dezső & Barabási 2002) hyvin harkituilla toimilla voidaan tehokkaasti rajoittaa sähköpostivirusten leväimistä (Newman et al. 2002)

MIELIPITEIDEN JA TRENDIEN LEVIÄMINEN enemmistöääni : jokainen solmu omaksuu naapuriensa enemmistön kannan todennäköisyydellä p systeemin käyttäytyminen riippuu verkkorakenteesta vähäinenkin määrä pieni maailma -tyyppisiä kaukoyhteyksiä muuttaa systeemin käyttäytymistä reilusti (Campos et al. 2003)

SYNKRONOINTI solmut tekevät jotain yhdessä pyrkien samanaikaisuuteen mittareita: aika joka synkronisuuden saavuttamiseen menee, paluuaika perturboinnin jälkeen pieni maailma -rakenne helpottaa (Barahona & Pecora 2001)

VIKASIETOISUUS yleensä epäuniformeilla verkoilla varsin korkea oletettu johtuvan redundanssista Albert, Jeong & Barabási (2000): edellytyksenä vapaaskaalaisuus hubit alttiita hyökkäyksille Internet-topologia teoriassa lähes immuuni satunnaisille virheille (Cohen et al. 2000) hiekkakasa-malli: viat kasaantuvat (lumivyöryefekti) verkon optimointi sekä vikoja että hyökkäyksiä vastaan: ER + BA (Shargel et al. 2003)

KESKEISTEN SOLMUJEN TUNNISTAMINEN Vastaava kysymys kuin rokotettavien riskiyksilöiden valinta. Jos verkkoon halutaan hyökätä tai verkkoa halutaan vahvistaa hyökkäyksiä vastaan, on hyödyllistä tunnistaa keskeisessä asemassa olevia solmuja ja/tai kaaria. Vastaavasti markkinoinnissa halutaan tunnistaa mielipidejohtajia, joiden käyttäytyminen ohjaa mahdollisimman suuren populaation toimintaa. WWW: mikä sivu/sivusto on hyvä/tärkeä?

PAGERANK-ALGORITMI PageRank(v) = ɛ n + (1 ɛ) w Γ(v) PageRank(w) deg (v) Tulkinta: surffataan satunnaisesti valittuja linkkejä seuraten ja välillä hypätään täysin satunnaiselle sivulle mikä on todennäköisyys olla tietyllä sivulla v kun satunnaiskävely on sekoittunut? Laskenta: vastaavan Markovin ketjun tasapainojakauma eli siirtymämatriisin ominaisarvoa 1 vastaava vasen ominaisvektori.

HUBIT JA AUKTORITEETIT Hubi = sivu, jolta on linkkejä hyville sivuille Auktoriteetti = sivu, johon moni on linkittänyt Auth(v) w,v E Hub(v) v,w E Hub(w) Auth(w) Hubit = paljon (hyviä) viittauksia ulos Auktoriteetit = paljon (hyviä) viittauksia sisään Laskenta: M Hub = AA T,M Auth = A T A dom. ominaisvektorit

HAKU JA VERKKORAKENNE paikallinen ja hajautettu tietyn solmun etsintä aloitetaan jostakin solmusta ja seurataan kaaria satunnaiskävely opetellaan ajonaikana hyvä strategia (Tadić 2001) korkea-asteisen naapurin suosiminen auttaa (Adamic et al. 2001) pieni maailma -rakenne voi helpottaa (de Moura et al. 2003) tai vaikeuttaa (Walsh 1999) hakuoptimaalisen verkon rakentaminen (Kleinberg 2000)

VERTAISVERKOT Itsenäisistä työasemista koostuvia hajautettuja järjestelmiä. Koneet kommunikoivat keskenään jonkin tehtävän suorittamiseksi tai resursseja jakaakseen. Arkkitehtuurivaihtoehtoja: 1. keskitetty topologiatieto ja -kontrolli ja resurssitieto (alkup. Napster) 2. ei keskitettyä topologiatietoa, mutta keskitetty topologiakontrolli (Freenet) 3. puhdas hajautus (Gnutella syntyneet verkot vapaaskaalaisia)

VERTAISVERKON RAKENTEEN OPTIMOINTI valitaan naapurit siten, että saavutetaan pieni maailma -rakenne (Freenetille Zhang et al. 2002) yleisemmin: organisoidaan verkko satunnaiskävely-ystävälliseksi (Cooper 2005) solmujen painottaminen suosimaan suurta tarjontaa välimuistiratkaisut suositummuusarvot

LISÄPISTETEHTÄVÄ Olet vastuussa lintuinfluenssan leviämisen estämisestä Suomessa. Miten mallintaisit verkkojen avulla viruksen leviämistä? Millaisia toimia harkitsisit uusien tartuntojen välttämiseksi? Vastaa esseemuodossa (pari sivua riittää hyvin) ja piirrä tarvittaessa kuvia selityksen tueksi. Perustele esittämäsi väittämät ja oletukset. Palautus niinkuin on tapana ollut.