거리 분포 기반 소셜 네트워크 강인성 비교 연구

초록

본 논문은 대규모 웹 그래프와 소셜 네트워크에서 노드 제거가 거리 분포와 도달 가능한 쌍의 수에 미치는 영향을 정량적으로 평가한다. 최신 HyperANF 알고리즘을 활용해 수십억 노드 규모의 그래프에서 근접 함수와 거리 분포를 근사하고, 무작위, 최고 차수, PageRank, 라벨 전파 기반 클러스터링 등 네 가지 제거 전략을 적용한다. 실험 결과, 웹 그래프는 라벨 전파 기반 전략에 매우 민감해 빠르게 구조가 붕괴되는 반면, 소셜 네트워크는 모든 전략에 대해 비교적 견고함을 보인다. 이는 기존 “스케일 프리” 모델이 두 그래프 유형의 차이를 설명하지 못함을 시사한다.

상세 분석

이 연구는 먼저 거리 분포와 도달 가능한 쌍의 수를 그래프 구조의 핵심 지표로 정의한다. 거리 분포 H_G(t)는 거리 ≤ t인 정점 쌍의 비율을, 근접 함수 N_G(t)는 거리 ≤ t인 쌍의 절대 개수를 나타낸다. 두 지표는 HyperANF(또는 HyperANF) 알고리즘을 이용해 대규모 그래프에서도 오차 한계 내에서 빠르게 추정할 수 있다. 논문은 이러한 추정값을 기반으로 노드 제거 전략에 따른 구조적 변화를 정량화한다.

노드 제거는 사전 정의된 순서 ≺ 에 따라 진행되며, 제거된 아크의 비율 θ 에 따라 그래프 G(≺, θ) 를 만든다. 이후 원본 그래프 G와 변형 그래프 G(≺, θ) 의 거리 분포 차이를 측정한다. 차이 측정 방법으로는 평균 거리 변화 δ(P,Q) = μ_Q/μ_P − 1, 조화 평균 거리 변화, Kullback‑Leibler 발산, L₁/L₂ ‑노름 등을 검토했으며, 실험에서는 해석이 가장 직관적인 평균 거리 변화 δ 를 채택했다.

제거 전략은 네 가지로 구분된다. (1) Random — 무작위 선택, 기준선 역할. (2) Largest‑degree — 출입 차수가 큰 정점을 먼저 제거, 전통적인 차수 중심성에 기반. (3) PageRank — 마코프 체인 기반 순위로, 전역적인 연결성을 반영. (4) Label‑propagation — 라벨 전파를 이용해 클러스터를 형성하고, 각 클러스터에서 외부 클러스터와 연결이 많은 대표 정점을 순차적으로 제거한다. 특히 라벨 전파 전략은 “클러스터 중심 노드”를 목표로 하여, 클러스터 간 연결을 차단함으로써 거리 분포에 큰 영향을 미칠 것으로 기대한다.

실험 데이터는 웹 그래프(예: .it 도메인 스냅샷, .uk, .com 등)와 소셜 네트워크(Hollywood 배우 협업 그래프, LiveJournal, Flickr, DBLP 등)로 구성되었다. 웹 그래프는 평균 거리와 클러스터링 계수가 높은 전형적인 작은 세계(small‑world) 구조를 보이며, 일부 정점이 매우 높은 차수를 갖는 스케일‑프리 특성을 띤다. 반면 소셜 네트워크는 보다 균등한 차수 분포와 높은 내부 연결성을 보여, 무작위 혹은 차수 기반 제거에도 거리 분포가 크게 변하지 않는다.

핵심 결과는 다음과 같다. (i) 무작위 제거는 모든 그래프에서 거리 분포에 미미한 영향을 미친다. (ii) 차수 기반 및 PageRank 기반 제거는 웹 그래프에서 평균 거리와 도달 가능 쌍 비율을 급격히 악화시키지만, 소셜 네트워크에서는 변화가 제한적이다. (iii) 라벨 전파 기반 클러스터링 제거는 웹 그래프에서 가장 파괴적인 효과를 나타내며, θ ≈ 0.02 (전체 아크의 2 %)만 삭제해도 평균 거리가 30 % 이상 증가한다. 반면 동일 전략을 소셜 네트워크에 적용하면 거리 분포가 거의 유지된다.

이러한 차이는 기존 “스케일‑프리” 모델이 두 종류의 네트워크를 동일하게 설명한다는 가정에 의문을 제기한다. 웹 그래프는 핵심 허브가 전체 네트워크 연결성을 좌우하는 반면, 소셜 네트워크는 다중 경로와 높은 클러스터링 덕분에 특정 정점 제거에 대한 복원력이 크다. 따라서 네트워크 강인성을 평가할 때는 단순히 차수 분포만이 아니라 거리 분포와 클러스터 구조를 동시에 고려해야 함을 강조한다.