정점 제거에 따른 네트워크 민감도 비교: 소셜, 웹, 무작위 그래프

초록

본 논문은 정점 제거 전략과 비교 방법을 다양하게 적용해 중간 규모의 실제 소셜·웹 네트워크와 여러 무작위 그래프 모델의 민감도를 측정한다. 결과는 소셜 네트워크가 구조적으로 견고한 반면, 웹 그래프는 특정 중앙성 기반 제거에 매우 취약함을 보여준다. 무작위 그래프에서는 비교 방법에 따라 민감도가 크게 달라지며, 중앙성 기반 제거 전략 자체는 큰 영향을 미치지 않지만 무작위 제거는 뚜렷한 차이를 만든다.

상세 분석

본 연구는 두 단계의 실험 설계를 채택한다. 첫 번째 단계에서는 정점 제거 전략(R)을 정의한다. 여기에는 정점의 차수, 베트위니스, 클로즈니스, 고유벡터, PageRank와 같은 전통적인 중앙성 지표를 내림차순으로 정렬한 순서, 그리고 라벨 전파 기반 커뮤니티 탐지 결과에 따라 외부 연결이 많은 노드를 차례로 제거하는 전략이 포함된다. 두 번째 단계에서는 원본 그래프 G와 수정된 그래프 G_R,θ를 비교한다. 비교 방법은 크게 두 축으로 나뉜다. 하나는 이웃함수 N_G(t)를 이용해 조화 직경(D_harm) 변화를 비율 δ= D_harm(G_R,θ)/D_harm(G)−1 로 측정하는 방식이며, 또 다른 하나는 최단경로 분포 H_SPG(t)를 기반으로 Kullback‑Leibler 발산, Jensen‑Shannon 거리, Hellinger 거리와 같은 확률적 양자화를 적용한다. 마지막으로, 중앙성 값 자체를 벡터화해 스피어만 순위 상관계수 ρ를 계산함으로써 정점 제거 전후의 중앙성 순위 보존 정도를 정량화한다.

실험 데이터는 6개의 실제 네트워크(소셜: Hamsterster, Brightkite, Slashdot; 웹: Google, Stanford, NotreDame)와 네 가지 무작위 그래프 모델(ER, BA, WS, 구성 모델)로 구성된다. 각 그래프에 대해 θ∈{0.05,0.10,0.15,0.20,0.25,0.30}의 비율로 정점을 제거하고, 모든 비교 지표를 산출한다.

핵심 결과는 다음과 같다. (1) 소셜 네트워크는 δ와 Hellinger 거리 모두에서 상대적으로 낮은 값들을 보이며, 정점 제거에 대한 구조적 견고성을 나타낸다. 특히 라벨 전파(lp) 전략을 제외한 대부분의 중앙성 기반 전략이 비슷한 영향을 미치며, 차수 기반 제거조차도 큰 변화를 일으키지 않는다. (2) 웹 그래프는 동일한 전략에 대해 δ가 급격히 상승하고, Hellinger 거리 역시 크게 증가한다. 특히 베트위니스와 차수‑out 전략이 가장 큰 파괴 효과를 보였으며, 라벨 전파 전략도 높은 민감도를 나타냈다. (3) 무작위 그래프에서는 비교 방법에 따라 민감도가 크게 달라진다. 조화 직경 변화 δ는 중앙성 기반 제거와 무작위 제거 사이에 큰 차이를 보이지 않지만, 확률적 양자화(KL, JS, HD)는 무작위 제거 시 훨씬 높은 값으로 나타난다. 이는 무작위 그래프가 구조적 특성(예: 클러스터링, 평균 경로 길이)에서 중앙성 기반 공격에 비교적 내성을 가지지만, 무작위 손실에는 취약함을 의미한다. (4) 중앙성 기반 제거 전략 자체는 서로 큰 차이를 만들지 않는다. 차수, 베트위니스, 클로즈니스, 고유벡터, PageRank 모두 비슷한 순서대로 정점을 제거했을 때 민감도 변화가 거의 동일했으며, 이는 이러한 중앙성 지표가 서로 높은 상관관계를 갖기 때문으로 해석된다. 반면, 무작위 순서로 정점을 제거하면 민감도가 현저히 증가한다는 점이 눈에 띈다.

이러한 결과는 기존 연구(Boldi et al.)와 일관성을 보인다. 대규모 웹 그래프가 공격에 취약하다는 결론을 작은 규모에서도 재현했으며, 소셜 네트워크는 구조적 중복성과 커뮤니티 결합도가 높아 공격에 강함을 확인했다. 또한, 무작위 그래프 모델에 대한 새로운 통찰을 제공한다. 특히, 비교 방법 선택이 민감도 평가에 결정적인 영향을 미친다는 점은 향후 네트워크 복원성·보안 연구에서 적절한 메트릭 선택의 중요성을 강조한다.