Made available in DSpace on 2015-03-04T18:57:40Z (GMT). No. of bitstreams: 1
Dissertacao_Klaus.pdf: 1117417 bytes, checksum: fa3282de1497f164dc8fc979216ed0e1 (MD5)
Previous issue date: 2012-03-05 / Coordenacao de Aperfeicoamento de Pessoal de Nivel Superior / The last decade or so has witnessed an ever-increasing growth in the study of very large complex networks related to different areas, such as biology, sociology, and the Internet. In this broad context, the concept of centrality offers a measure of the relative importance of nodes within a given complex network and is thus crucially important to network analysis. There are many different definitions of network centrality, which rank the relative importance of nodes using different criteria, depending on the targeted analysis. Among these, the traditional closeness centrality ranks the nodes by how close each node is to all other nodes in the network. In other words, the most central nodes according to a ranking based on closeness centrality are those best positioned for efficient diffusion processes, such as information or goods distribution as well as disease or rumor spreading, and so on. Nevertheless, computing closeness centrality in large complex networks is costly because it is necessary to determine the distance between all pairs of nodes in the network, thus requiring full knowledge of the network's topology. In centrality-based network analysis, the position of each node in the centrality ranking is typically more important than the particular centrality value associated to each node. Here, we present a fully distributed method capable of yielding different kinds of centrality, among them one which node ranking correlates strongly with the closeness centrality ranking, but being much cheaper than the traditional algorithm and not requiring full knowledge of the network's topology. Overall, our method is a simple yet efficient alternative for distributively determining the closeness centrality ranking, enabling a centrality-based analysis of large scale-free complex networks. / Os últimos anos tem mostrado um crescimento contínuo no estudo de redes complexas de grande porte relacionadas com diversas áreas de conhecimento, tais como Biologia, Sociologia, Economia, Internet, entre outras. Nesse contexto, o conceito de centralidade oferece uma medida da importância relativa dos nós que compõem uma rede complexa, sendo portanto de fundamental importância para a análise e estudo destas redes. Existem várias definições diferentes para centralidade em redes segundo a aplicação que pretendem, usando critérios distintos para ordenar a importância dos nós. Entre essas diferentes definições de centralidade, Closeness Centrality é uma das mais tradicionais e afere a importância de cada nó pela sua proximidade com todos os demais nós da rede. Dessa maneira, essa forma de centralidade avalia os nós melhor posicionados para realizar processos de difusão de forma eficiente na rede, sendo portanto de grande valia para análise de redes complexas com aplicações em diversas áreas. Entretanto, o cálculo deste tipo de centralidade apresenta um alto custo computacional, uma vez que é necessário que se calcule a distância entre todos os pares de nós da rede. Isso faz ainda que seja necessário conhecer completamente a topologia da rede para que seja possível calcular as distâncias entre os nós. Em virtude disso, o uso de Closeness Centrality se torna impraticável para redes de grande porte, comumente encontradas em diversas áreas do conhecimento. No entanto, em termos práticos, a ordem dos nós em função de sua centralidade é mais relevante do que os valores de centralidade em si. Assim, este trabalho apresenta um método distribuído que pode ser utilizado para calcular vários tipos de centralidades, entre elas uma cuja ordenação dos nós tem um alto grau de correlação com a ordenação obtida pelo uso de Closeness Centrality. O método proposto funciona de maneira totalmente distribuída, baseando-se em conhecimento local não necessitando do conhecimento completo da topologia da rede, e é computacionalmente menos custoso que o método tradicional. Estas características fazem com que o método proposto seja aplicável a redes complexas scale-free de grande porte, possibilitando uma aproximação eficiente da ordenação de Closeness Centrality a estas redes, como analisado nos resultados da dissertação.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede-server.lncc.br:tede/144 |
| Date | 05 March 2012 |
| Creators | Wehmuth, Klaus |
| Contributors | Ziviani, Artur, Gomes, Antonio Tadeu Azevedo, Silva, Ana Paula Couto da, Figueiredo, Daniel Ratton |
| Publisher | Laboratório Nacional de Computação Científica, Programa de Pós-Graduação em Modelagem Computacional, LNCC, BR, Serviço de Análise e Apoio a Formação de Recursos Humanos |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações do LNCC, instname:Laboratório Nacional de Computação Científica, instacron:LNCC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0021 seconds