제한된 면역 단위로 전염병 억제 전략

초록

본 논문은 네트워크의 취약성을 최소화하기 위해 ‘감수성 크기(susceptible size)’를 최적화하는 새로운 면역 전략을 제안한다. 기존의 최고 betweenness 중심성을 이용한 적응형 면역법보다 전체 면역 과정에서 감수성 크기를 현저히 감소시켜, 실제 항공, 학교 친밀도, 인터넷 네트워크에서 평균 감염 확률을 최대 55%까지 낮춘다. 알고리즘은 초기 betweenness 순서를 무작위 교환·평가하며, 인구 기반 최적화까지 확장해 전역적인 면역 순서를 도출한다. 실험 결과는 제한된 면역 자원(백신, 검역 등) 상황에서 큰 효율 향상을 입증한다.

상세 분석

이 연구는 전염병·악성코드·정보 전파와 같은 확산 현상이 네트워크 구조에 크게 의존한다는 전제 하에, 네트워크를 파편화하여 전파를 차단하는 면역 전략을 재검토한다. 기존에 가장 효율적이라고 알려진 적응형 betweenness 기반 면역(Adaptive Betweenness Immunization, HBA)은 매 단계마다 남은 네트워크에서 가장 많은 최단 경로를 통과하는 노드·링크를 차례로 제거한다. 그러나 HBA는 전염 과정 전체를 고려하지 않고, 특정 임계점(퍼콜레이션 임계점)에서만 최적임을 가정한다.

논문은 이를 보완하기 위해 ‘감수성 크기 R’라는 전역 지표를 도입한다. R은 면역 전후 남은 네트워크에서 가장 큰 연결 컴포넌트의 크기를 q=0…N까지 누적한 값으로, 전염이 시작될 경우 감염될 수 있는 최대 노드 수의 상한을 의미한다. 따라서 면역 순서가 R을 최소화하면, 전염이 어느 시점에서든 가능한 피해 규모가 감소한다.

알고리즘은 먼저 HBA에 의해 얻어진 초기 면역 순서를 만든다. 이후 두 개의 노드·링크를 무작위로 선택해 순서를 교환하고, 교환 후 R이 증가하지 않으면 교환을 채택한다. 이 과정을 수천 번 반복해 로컬 최적을 탐색한다. 더 나아가 인구 기반 최적화(population‑based optimization)를 적용한다. 1000개의 초기 순서를 유지하면서 무작위 교환을 수행하고, 교환 후 R이 가장 큰 순서를 대체한다. 최종적으로 가장 작은 R을 갖는 순서가 최적 면역 전략이 된다.

계산 복잡도는 betweenness 계산(전통적으로 O(NM) 수준)과 순서 교환·평가 과정이 추가되면서 선형보다 다소 느리지만, N≈8000, M≈16000 규모의 실제 네트워크에서도 수시간 내에 수렴한다.

실험에서는 전 세계 항공 네트워크(N=3666, M=27235), 미국 학교 친밀도 네트워크(N=1461, M=3875), 인터넷 PoP 네트워크(N=1098, M=6089) 세 가지 실 데이터와 Erdős‑Rényi, 스케일‑프리 모델 네트워크를 대상으로 평가했다. 결과는 다음과 같다. (1) 평균 감염 확률은 HBA 대비 10% 이상, 특히 면역 단위가 10% 이하일 때 최대 55%까지 감소한다. (2) 감수성 크기 R의 감소율은 항공 네트워크에서 평균 17.8%, 학교 네트워크에서 9%, 인터넷 네트워크에서 21.2%에 달한다. (3) 모델 네트워크에서는 R 감소율이 30% 이상, 작은 면역 비율에서 최대 5배까지 감염 가능 규모를 억제한다.

이러한 성과는 제한된 백신·검역·패치 자원을 보유한 상황에서, 단순 betweenness 기반 선택보다 훨씬 효율적인 자원 배분이 가능함을 시사한다. 또한, 노드 면역(예: 공항·학생·라우터 차단)과 링크 면역(예: 특정 항공편·교류·트래픽 검역) 모두에 적용 가능하며, 특히 링크 면역에서 더 큰 이득을 보인다.

한계점으로는 전역 네트워크 정보를 완전히 알고 있어야 한다는 가정과, 동적 네트워크(시간에 따라 변하는 연결 구조)에는 직접 적용이 어려울 수 있다는 점이다. 향후 연구에서는 부분 정보 기반 근사 알고리즘이나, 실시간 네트워크 변화에 적응하는 온라인 최적화 기법을 탐색할 필요가 있다.