네트워크 전염원 탐지를 위한 통계적 최대우도 프레임워크

초록

**
본 논문은 임의의 복합 네트워크에서 부분적으로 관측된 전염 과정으로부터 최초 감염자를 추정하는 통계적 프레임워크를 제시한다. 최대우도 추정을 기반으로 다수의 시뮬레이션을 수행하고, XNOR·Jaccard 등으로 정의한 유사도 함수를 이용해 후보 노드별 조건부 확률을 계산한다. SIR, SI, ISS 모델을 대상으로 다양한 합성·실제 네트워크에서 실험을 수행해 정확도와 잡음·파라미터 불확실성에 대한 강인성을 검증한다.

**

상세 분석

**
이 연구는 전염원 탐지 문제를 “관측된 부분 전염 실현 ~ r*”과 “가능한 초기 감염자 집합 S” 사이의 최대우도 추정 문제로 공식화한다. 베이즈 정리를 적용해 사전 확률이 균등하다고 가정하면, 핵심은 P(~R=~r* | Θ=θ) 를 어떻게 효율적으로 추정하느냐가 된다. 저자는 이를 위해 두 단계의 시뮬레이션 기반 접근법을 설계한다. 첫 단계에서는 후보 θ마다 n번의 독립 SIR(또는 SI, ISS) 시뮬레이션을 실행해 전염 실현 ~Rθ,i 를 생성한다. 두 번째 단계에서는 관측 실현과 시뮬레이션 실현 사이의 유사도를 측정한다. 여기서 제안된 유사도 함수는 (1) XNOR(ϕ_XNOR) – 감염·비감염 상태가 모두 일치하는 노드 수를 전체 노드 수로 정규화한 값, (2) Jaccard(ϕ_J) – 감염된 노드 집합의 교집합 크기를 합집합 크기로 나눈 비율이다. 비트 연산을 활용해 대규모 네트워크에서도 효율적으로 계산한다.

유사도 분포를 이용한 세 가지 likelihood 추정기가 제안된다.

1. AU CDF: 각 후보 θ에 대해 ϕ값들의 경험적 누적분포함수(F̂) 를 구하고, 그 아래 면적을 1 − AU CDF 형태로 likelihood 로 변환한다. 면적이 작을수록 관측 실현과 시뮬레이션 실현이 더 유사하므로 높은 확률을 부여한다.
2. Avg TopK: ϕ값 중 상위 K개의 평균을 사용한다. 이는 분포의 꼬리 부분에 초점을 맞추어, 가장 유사한 시뮬레이션 결과가 후보를 평가하는 데 큰 영향을 주게 한다.
3. Naive Bayes: 각 노드의 감염 여부를 독립 사건으로 가정하고, 관측 실현에서 감염된(또는 비감염된) 노드가 후보 시뮬레이션에서 동일 상태를 보일 확률을 곱해 likelihood 를 산출한다.

실험에서는 (i) 무작위 생성된 ER, BA, WS 네트워크, (ii) 실제 전력망, 인터넷 AS‑level, 소셜 네트워크 등 다양한 토폴로지를 사용했다. 전염 파라미터(p, q)와 관측 시점 T 를 변형하면서 정확도(Top‑1, Top‑5 비율)를 측정했으며, 특히 전염이 초기 단계에 있을 때 AU CDF와 Avg TopK가 높은 성능을 보였다. 잡음 실험에서는 (a) 일부 노드 상태를 누락하거나 오염시킨 경우, (b) 전염 파라미터와 T 를 추정값으로 대체한 경우를 고려했으며, 전체 프레임워크가 여전히 유의미한 순위 결과를 제공함을 확인했다.

이 논문의 주요 강점은 (1) 네트워크 구조와 전염 모델에 대한 제한이 거의 없으며, (2) 시뮬레이션 기반 접근이 복잡한 확률 전파 모델을 직접 해석하지 않아도 된다는 점, (3) 비트 연산을 활용한 유사도 계산이 대규모 네트워크에서도 실시간 수준의 성능을 가능하게 한다는 점이다. 반면, (a) 후보 집합 S가 전체 노드가 되는 경우 시뮬레이션 비용이 O(|V|·n) 으로 급증해 실시간 적용에 한계가 있을 수 있다. (b) 사전 파라미터(p, q, T)가 정확히 알려져야 한다는 가정은 실제 상황에서 완화가 필요하며, 이를 위한 베이지안 사전 분포나 온라인 파라미터 추정 기법과의 연계가 향후 연구 과제로 남는다.

**