نوشته های مصطفی جعفری

بررسی و تحلیل شبکه تراکنش‌های بیت کوین و تشخیص تراکنش‌های مشکوک با استفاده از شبکه پیچیده

مصطفی جعفری — Tue, 04 Jul 2023 10:31:22 +0330

چکیدهدر سال‌های اخیر، بیتکوین به یک ارز دیجیتال محبوب تبدیل شده است و به طور گسترده برای معاملات مختلف به کار میرود. شبکه تراکنش‌های بیتکوین را می‌توان به صورت یک شبکه پیچیده مدل کرد که آدرس ها و تراکنش‌ها ، نودها و یال‌های شبکه را تشکیل دهند . در بخش اول با استفاده از تکنیک‌های تجزیه و تحلیل شبکه پیچیده، ویژگی‌های توپولوژیکی شبکه از جمله توزیع درجه، ضریب خوشه‌ای و رشد، شبکه معاملات بیتکوین را تجزیه و تحلیل می‌کنیم و در بخش دوم با استفاده از از داده‌های تراکنش‌های بیتکوین که در وبسایت Kaggle موجود است و بهره‌گیری از تکنیک‌های هوش مصنوعی، نشان می‌دهیم که می‌توان تراکنش‌های مشکوک در این شبکه را کشف کرد.این مقاله در دو بخش سازماندهی شده است. در بخش اول، مروری کوتاه بر بیتکوین و تحلیل شبکه پیچیده آن را ارائه می‌کنیم و در بخش بعدی، با استفاده از داده‌ی زمانی محدود و مشخص استخراج شده از وبسایت Kaggle و بهره گیری از شبکه عصبی گراف(Graph Neural Networks) و روش LPA، مدل هایی ایجاد می‌کنیم که توانایی تشخیص تراکنش های مشکوک با دقت بالا را دارد.بخش اول : بررسی و تحلیل شبکه تراکنش‌های بیت کوینمقدمهبیت کوین یک ارز دیجیتال غیرمتمرکز است که در شبکه همتا به همتا(peer-to-peer) بدون نیاز به مرجع مرکزی یا واسط، عمل می‌کند. تراکنش‌های بیت کوین در یک دفتر عمومی(public ledger) به نام بلاک‌چین ثبت می‌شوند که شامل تاریخچه کاملی از تمام تراکنش‌های بیت کوین است. این شبکه بلاک چین توسط یک شبکه غیرمتمرکز از گره‌ها نگهداری می‌شود که تراکنش‌ها را تایید و پردازش می‌کند.شبکه تراکنش بیت کوین یک سیستم پیچیده است که در آن گره‌ها تراکنش‌ها را نشان می‌دهند و یال‌ها نشان دهنده انتقال بیت کوین بین این تراکنش‌ها هستند. تحلیل این شبکه پیچیده، به ما اجازه می‌دهد تا ویژگی‌های ساختاری شبکه، مانند توزیع درجه، ضریب خوشه بندی و ساختار آن را بررسی کنیم.هدف این مقاله استفاده از تکنیک‌های تحلیل شبکه پیچیده در شبکه تراکنش بیت کوین برای به دست آوردن درک بهتری از ساختار و پویایی آن است. به طور خاص، هدف ما شناسایی گره‌ها و یال ‌های کلیدی در شبکه، تجزیه و تحلیل توپولوژی آن، و بررسی چگونگی تکامل شبکه در طول زمان است. دلیل این که شبکه را در بازه های کوتاه و مختلف زمانی بررسی کردیم این است که شبکه تراکنش بیتکوین در کل بازه زمانی از بدو تولد، بسیار حجیم شده است و نیاز به آنالیز کل شبکه نیست زیرا خصوصیات شبکه در بازه های مختلف زمانی تقریبا ثابت بوده است، به جز مواردی که به صورت مجزا با تغییر زمان، دچار تغییر شده است همچنین مقالات مرجع که برای بررسی انتخاب شدند دوره های مختلف شبکه را تحلیل کرده اند.این مطالعه نتیجه قابل توجهی برای درک رفتار اکوسیستم بیت کوین دارد. با تجزیه و تحلیل تکامل شبکه در طول زمان، می‌توانیم بینشی در مورد چگونگی رشد و انطباق اکوسیستم بیت‌کوین در طول زمان به دست آوریم.روش شناسی(Methodology)بلاکچین یک دفتر (ledger) عمومی توزیع شده می‌باشد که تراکنش‌های اتفاق افتاده در شبکه را ذخیره می‌کند و از زنجیره‌ای از بلوک‌ها ایجاد شده است که هر بلوک حاوی آدرس بلوک قبلی می‌باشد و دسته ای از تراکنش‌های مجاز را نگه میدارد. در این سیستم پرداخت کننده و دریافت کننده می‌تواند به تعداد نامحدود آدرس داشته باشد. یک تراکنش در سیستم ارزهای دیجیتال، نوعی تراکنش عادی بانکی میباشد که اجازه می‌دهد چندین آدرس فرستنده و چندین آدرس گیرنده در یک تراکنش وجود داشته باشد .در سیستم بیتکوین، یک تراکنش به صورت یک واحد رکورد پرداخت یکباره (one-time payment) تعریف میشود. در یک تراکنش، فرستنده با رجوع به دریافتی‌هایی که از دیگران داشته، وجهی را انتقال می‌دهد . در بیتکوین مفهوم بالانس حساب وجود ندارد و پرداخت‌ها همیشه به معنای خرج کردن دریافتی‌های قبلی می‌باشد. یک تراکنش دارای دو بخش اصلی میباشد: (i) لیست وروردی و (ii) لیست خروجی . هر ورودی شامل اطلاعات مربوط به تراکنش‌های قبلی و اطلاعات امضای تایید شده، از طرفی خروجی تراکنش، حجم پول پرداختی و اطلاعات آدرس گیرنده‌ها را نشان می‌دهد. هر تراکنش بیتکوین به صورت منحصر به فرد با یک شناسه که مقدار هش تراکنش می‌باشد مشخص می‌شود. تراکنش کوین بیس (Coinbase transaction) نوع دیگری از تراکنش است که سیستم بیتکوین به عنوان جایزه به ماینری که بتواند کد بلوک کامل شده را از طریق محاسبات پیچیده پیدا کند، اختصاص می‌دهد. این نوع تراکنش تنها یک ورودی دارد و تراکنش قبلی در ورودی ندارد، زیرا این پول توسط خود شبکه ایجاد شده است و از جای دیگری منتقل نشده است. در یک بلوک علاوه بر تراکنش‌ها، شامل داده‌های دیگری نیز می باشد از جمله، هش بلوک قبلی، برچسب زمان(timestamp) و nonce. در شکل بالا قسمت A یک نمونه از تراکنش بیتکوین با دو آدرس فرستنده و دو آدرس گیرنده که در تاریخ 2011-05-01 به بلاکچین اضافه شده است را نشان می‌دهد . در جزئیات این انتقال مشاهده می‌کنیم که یک بیتکوین از آدرس اول و 135 بیتکوین از آدرس دوم منتقل شده و گیرنده اول 0.33 بیتکوین و بقیه به آدرس گیرنده دوم فرستاده شده است . در قسمت B شکل، یک نمونه از تبدیل داده های تراکنش به یک گراف را نشان می‌دهد که ai ها بیانگر آدرس و ti ها بیانگر تراکنش‌ها می‌باشد، که t3 تراکنش مورد نظر ما و a1 و a2 دو ورودی و a3 و a4 خروجی مثال ما می‌باشند. یک ورودی در یک تراکنش، یا خروجی یک تراکنش قبلی می‌باشد و یا جایزه(Coinbase) می‌باشد.تحلیل شبکهدر این بخش به تحلیل نتایج به دست آمده از طریق مدل کردن تراکنش‌های بیتکوین به صورت یک شبکه پیچیده می‌پردازیم. جدول زیر انواع مختلف تراکنش را نشان می‌دهد، برای مثال 0->1 تراکنشی را نشان می‌دهد که آدرس ورودی ندارد و تنها یک آدرس خروجی دارد. بیشتر تراکنش‌ها مربوط به 1->n می باشد که 64.56 درصد تراکنش‌ها را شامل می‌شود. تراکنش‌هایی با صفر آدرس ورودی 0.12 درصد را شامل می‌شود که مربوط به جایزه ماینینگ(mining reward) می‌باشد که شبکه بیتکوین به ماینرهایی که بلوک جدید را ایجاد می‌کنند، اهدا می‌کند. شکل زیر طول مدت زمان لازم برای یک میلیون تراکنش(حجم تراکنش نسبت به زمان) را نشان می‌دهد. قبل از 2013 تراکنش به ندرت اتفاق می‌افتاد به خاطر این که فاز اول مارکت بود و بیتکوین توجه بسیاری را هنوز جلب نکرده بود، سپس با مطرح شدن بیتکوین توسط رسانه ها و اتفاقات موازی دیگر، کم کم ارزش بیتکوین افزایش پیدا کرد و حجم تراکنش ها نیز رشد پیدا کرد و این طول زمانی به صورت قابل توجهی کاهش پیدا کرد. کمترین طول زمان لازم برای یک میلیون تراکنش 2 روز می‌باشد که مربوط به سال 2020 می‌باشد. مشاهده می‌شود که تعداد تراکنش و حجم معاملات که در ابتدا رشد بالایی داشت، در طی سال ها این رشد به شدت کاهش یافت و تقریبا به مقدار ثابتی رسیده است و می تواند به نوعی نشان دهنده عدم مقیاس پذیری این شبکه و استقبال محدود کاربران از این شبکه باشد. توزیع درجهابتدا ما دو جنبه، اندازه شبکه(تعداد گره ها و یالها) و میانگین درجه را آنالیز می‌کنیم، برای درک بهتر تغییرات بیتکوین و مقایسه با دیگر ارزهای دیجیتال، نمودار تغییرات بیتکوین همراه با دو رمز ارز دیگر (Namecoin و Ethereum) نمایش داده شده است.تعداد گره‌ها و یال‌ها به نوعی نشان دهنده اندازه شبکه می‌باشد و نرخ تطابق و رقابت پذیری ارز را نشان می‌دهد . با توجه به شکل پایین ، فرآیند رشد شبکه را میتوان به دو فاز تقسیم کرد :فاز ابتدایی: سیستم فعالیت کم دارد و کاربران ارز را فقط به صورت آزمایشی و برای مقایسه با دیگر ارزها و یافتن مزایای آن، امتحان می‌کنند.فاز معاملاتی : با تعداد مشخصی از پذیرندگان(adopters)، رشد کند شده و تغییر شدیدی نمیکند، یک دلیل این است که ارز دائما بخاطر رقابت با دیگر ارزها پذیرفته و رد می‌شود.دلیل طولانی بودن فاز اولیه بیتکوین(دو و نیم سال اول) در مقایسه با Namecoin و Ethereum ، این است که طی سال‌های اولیه، رمز ارز، مفهومی جدید بود و بیتکوین تنها ارز دیجیتال موجود در بازار بود و کاربرانی که می‌خواستند ارز دیجیتال را امتحان کنند گزینه ی دیگری نداشتند.با تحلیل میانگین درجه طی زمان می‌توانیم تمایل شبکه به چگال تر شدن را بررسی کنیم. الگوی رشد در شکل زیر برای سه شبکه مختلف متفاوت می‌باشد، برای بیتکوین میانگین درجه تا سپتامبر 2015 روند صعودی داشت سپس روند نزولی به مدت حدود دو سال تا جولای 2017 ادامه یافت که احتمالا بخاطر ماینینگ سخت و نوسان شدید قیمت بیتکوین بوده است و همچنین از طرفی دیگر اتریوم، گزینه جدیدی به نام قرارداد هوشمند برای کاربران رمز ارز ارائه کرد. با بررسی تکامل شبکه بیتکوین طی زمان(شکل پایین) مشاهده می‌کنیم که در بیتکوین نسبت تعداد یال به گره از قانون توانی(power law) تبعیت می‌کند، این قانون شبکه بیان می‌کند که نرخ رشد یال‌ها نسبت به رشد گره‌ها سوپر خطی(super linear) می‌باشد. تحول شبکه بیتکوین نشان می‌دهد که آدرس‌های بیتکوین به صورت مستمر ایجاد می‌شود و یال‌ها به صورت سوپر خطی به عنوان تابعی از رشد حساب‌های جدید، افزایش می‌یابد، که باعث افزایش سازگاری و استفاده از سیستم اقتصادی بیتکوین را نتیجه می‌دهد.قانون توان چگالی(densification power law) به صورت ریاضی به شرح زیر است :E(t) ∝ N(t)^ α where 1 < α ≤ 2که E(t) و N(t) تعداد یال ها و گره های گراف در زمان t می‌باشند شبکه تراکنش های بیتکوین طی زمان متراکم‌تر می‌شود و با شیب α = 1.15 با توجه به شکل بالا فیت می‌شود. توجه شود که مقدار α برای شبکه های مختلف در رنج بین یک و دو می‌باشد، به عنوان مثال این عدد برای شبکه arXive و emails به ترتیب برابر با 1.69 و 1.12 می‌باشد.در شکل زیر توزیع درجه ورودی و خروجی بین سال‌های 2010 تا 2013 را مشاهده می‌کنیم که از قانون توان تبعیت می‌کند و تعداد زیادی از گره ها درجه پایینی دارند و تنها کسر کوچکی درجه بالا دارند. برای این دو نمودار شکل پایین ضریب α برای درجه ورودی(indegree) و درجه خروجی(outdegree) به ترتیب 2.18 و 2.06 میباشد. این مقدار برای شبکه‌های واقعی مقداری بین 2 و 3 دارد.(typically 2 ≤ α ≤ 3) میانگین ضریب خوشه بندی (Average clustering coefficient)میانگین ضریب خوشه بندی احتمال ارتباط گره های همسایه(ایجاد مثلث) را محاسبه می‌کند. در شکل زیر این معیار برای تراکنش های بیتکوین از سال 2009 تا 2020 نشان داده شده است. مشاهده می‌شود که در 20 میلیون تراکنش اول بیتکوین مقدار c حدود 0.13 می‌باشد که دلیل غیرعادی بودن این ضریب بخاطر کمبود معامله‌گر در فاز ابتدایی می‌باشد. پس از فاز ابتدایی میانگین ضریب خوشه بندی نسبتا پایدار شده و بین 0.04 و 0.05 ثابت می‌ماند. نتیجه گیریبا بررسی شبکه تراکنش های بیت کوین، مخصوصا بعد از سال های 2013، 2014 که فاز ابتدایی خودش را تمام کرد و به حالت پایداری رسید، مشاهده می کنیم که این شبکه، از قانون power law که یک ویژگی مهم در اکثر شبکه های واقعی است و بیانگر تمرکز قدرت می باشد تبعیت می‌کند، با این که هدف اصلی شبکه بیت کوین، عدم تمرکز و توزیع شبکه تا جای ممکن بود. همچنین نکته جالبی که در بررسی ها به آن اشاره شد، برخلاف انتظار، تعداد تراکنش و حجم معاملات که در ابتدا رشد بالایی داشت، در طی سال ها این رشد به شدت کاهش یافت و تقریبا به مقدار ثابتی رسیده است و می تواند به نوعی نشان دهنده عدم مقیاس پذیری این شبکه و استقبال محدود کاربران باشد. علاوه بر این، با توجه به قانون توان چگالی، شبکه تراکنش‌های بیتکوین مانند اکثر شبکه های واقعی، نرخ رشد یال ها نسبت به گره ها بالاتر است و شبکه طی زمان چگال تر می‌شود.بخش دوم : تشخیص تراکنش‌های مشکوک بیتکوینمقدمهدر بخش اول، روش مدل کردن شبکه گراف تراکنش های بیتکوین را بررسی کردیم و خصوصیات این شبکه را در بازه های مختلف زمانی تحلیل کردیم، در این بخش با استفاده از از داده‌های تراکنش‌های بیتکوین مربوط به یک دوره کوتاه دو هفته که در وبسایت Kaggle موجود است را به صورت یک شبکه گراف مدلسازی می کنیم و خصوصیات آن را بررسی می‌کنیم سپس نشان می‌دهیم که با بهره گیری از تکنیک های یادگیری ماشین و هوش مصنوعی می‌توان تراکنش‌های مشکوک در این شبکه را کشف کرد.کد مربوط به قسمت پیاده‌سازی در وبسایت گیت هاب به آدرس زیر قرار داده شده است، لازم به ذکر است که برای استخراج دیتاست از وبسایت Kaggle نیاز به اکانت وبسایت است. https://github.com/mostafa-ja/graph-tutorial/blob/master/Illegal_Bitcoin_Transactions2.ipynb دیتاست Elliptic Bitcoinما از مجموعه داده Elliptic Bitcoin Data Set (kaggle)استفاده می کنیم که توسط وبر و همکارانشان به عنوان بخشی از مقاله آنها در KDD 2019 ارائه شده است. این مجموعه داده را می توان به عنوان یک گراف جهت دار تفسیر کرد که در آن گره ها تراکنش ها را نشان می دهند و یال ها جریان بیت کوین ها را از یک تراکنش به تراکنش دیگر نشان می دهند. در زیر تجسم زیرمجموعه ای از مجموعه داده است که به صورت گراف نشان داده شده است.هر تراکنش یا قانونی است یا غیر قانونی. در شکل زیر گره های زرد در شکل نشان دهنده تراکنش های غیرقانونی هستند در حالی که گره های بنفش نشان دهنده تراکنش های قانونی هستند.هر گره دارای 167 ویژگی ثبت شده(مانند کارمزد تراکنش، تعداد ورودی و خروجی، حجم خروجی و ...) و همچنین یک مهر زمانی(timestamp) است که به ما می گوید چه زمانی تراکنش پست شده است. در مجموع 49 مُهر زمانی متمایز وجود دارد و گام های زمانی (از 1 تا 49) به طور مساوی با فاصله ای حدود دو هفته قرار می گیرند. یک مهر زمانی همچنین یک زیرگراف متصل را توصیف می کند که نشان دهنده تراکنش های اضافه شده به بلاک چین در کمتر از سه ساعت بین یکدیگر است.سه جدول برای دانلود از مخزن داده Kaggle در دسترس است:- جدول یال‌ها: یال های بین تراکنش های بیت کوین (گره های شناسایی شده توسط شناسه تراکنش) لازم برای ساخت گراف-جدول گروه بندی گره‌ها: به سه کلاس قانونی ، غیر قانونی و ناشناخته تقسیم شده‌اند.- جدول مشخصه ها با 168 ستون شناسه تراکنش کلاس ها : برچسب برای هر تراکنش که می تواند قانونی، غیرقانونی یا ناشناخته باشد مهر زمانی: دوره‌های زمانی متوالی 93 ویژگی های محلی، یعنی ویژگی های ذاتی خود تراکنش ها مانند مبلغ، کارمزد تراکنش و غیره. 72 ویژگی تجمیع شده با اطلاعات مربوط به همسایگی هر گره، به عنوان مثال. مجموع مبالغ معاملات مجاوراطلاعات کلی دیتاست به صورت زیر می‌باشدگراف تراکنش‌های بیت کوینما داده های خود را در قالب جدول داریم، اما می خواهیم خصوصیات گراف ساخته شده از داده ها را بررسی کنیم. برای ایجاد گراف تراکنش، از کتابخانه networkx استفاده می کنیم. یک مولتی گراف جهت دار ایجاد می کنیم (گراف جهت دار که اجازه می دهد چندین یال بین دو گره وجود داشته باشد) و ویژگی labelرا به هر تراکنش اضافه می کنیم. حال میتوانیم نشان دهیم که 49 مؤلفه متصل (کامپوننت‌های ضعیف مرتبط در مورد گراف های جهت‌دار) برای هر گام زمانی ساخته شده است. این به این معنی است که مجموعه داده شامل 49 زیرگراف مختلف است که هر کدام مربوط به یک گام زمانی است که در شکل زیر، زیرگراف مربوط به دو گام زمانی 25 و 45 نمایش داده شده استبا توجه به شکل، می بینیم که بیشتر تراکنش ها برچسب گذاری نشده اند و از بین برچسب دار ها، تنها تعداد کمی مربوط به تراکنش های غیرقانونی است. همچنین شبکه دارای چگالی بسیار پایینی است .در شکل زیر خصوصیات زیرگراف‌ها با گام زمانی متفاوت نمایش داده شده است، مشاهده میکنیم که در هر گام زمانی، تعداد گره های شرکت کننده در تراکنش ها حدود 5000 می باشد و متوسط درجه حدود 2 میباشد و به همین ترتیب چگالی زیرگراف ها زیر 0.0005 میباشد که خیلی پایین است همچنین ضریب کلاسترینگ زیرگراف ها کمتر از 0.02 می باشد که عدد نسبتا پایینی است، البته چون هر کدام از این زیرگراف ها مربوط به یک گام زمانی میباشد، تنها بیانگر رابطه بین گره ها در یک دوره کوتاه می‌باشد.طبقه بندی تراکنش‌هادر این بخش دو روش مختلف برای طبقه بندی تراکنش ها بررسی می کنیم.1.روش Label Propagationالگوریتم انتشار برچسب (LPA) یک الگوریتم تکرار است که در آن با انتشار برچسب ها از طریق مجموعه داده، برچسب ها را به نقاط بدون برچسب پخش می دهیم. این الگوریتم برای اولین بار توسط (Ghahramani, 2002) در سال 2002 ارائه شد. LPA تحت یادگیری transductive قرار می گیرد، زیرا ما می خواهیم برچسب های نقاط داده بدون برچسب را پیش بینی کنیم.فرض کنید شبکه ای از افراد داریم که در زیر آورده شده است با دو دسته برچسب "علاقه مند به کریکت" و "علاقه مند به کریکت" نیست. بنابراین سؤال این است که آیا می توانیم پیش بینی کنیم که آیا افراد باقی مانده به کریکت علاقه دارند یا خیر؟برای اینکه LPA در این مورد کار کند، باید یک فرضیه بسازیم. یالی که دو گره را به هم متصل می کند مفهوم شباهت را به همراه دارد. یعنی اگر دو نفر با هم مرتبط باشند، به این معنی است که به احتمال زیاد این دو نفر علایق مشترکی دارند. ما می توانیم این فرض را داشته باشیم زیرا مردم تمایل دارند با افراد دیگری که علایق مشابهی دارند، ارتباط برقرار کنند.قدم زدن تصادفی درشبکه(Walking Randomly in the Graph)نمودار نمونه ارائه شده در شکل زیر را در نظر بگیرید، که در آن 2 کلاس برچسب (قرمز و سبز) و 4 گره رنگی داریم. می خواهیم برچسب گره 4 را پیش بینی کنیم.می‌توانیم به‌طور تصادفی در نمودار قدم بزنیم، از گره 4 شروع کنیم تا زمانی که با هر گره برچسب‌گذاری شده مواجه شویم. وقتی به یک گره برچسب خورده برخورد می کنیم، راه رفتن را متوقف می کنیم. از این رو، این گره های برچسب گذاری شده به عنوان حالت های جذب شناخته می شوند. بیایید همه راه‌های ممکن از گره 4 را در نظر بگیریم. از همه راه‌های ممکن، راه‌های زیر به یک گره سبز ختم می‌شوند.4 → 9 → 15 → 164 → 9 → 13 → 144 → 9 → 13 → 15 → 164 → 9 → 15 → 13 → 14و قدم زدن‌های زیر به یک گره قرمز ختم خواهند شد.4 → 7 → 84 → 7 → 6 → 5 → 14 → 5 → 14 → 5 → 6 → 7 → 84 → 2 → 1بر اساس تمام قدم زدن های تصادفی ممکن که از گره 4 شروع می‌شوند، می‌توانیم ببینیم که اکثر مسیرها به یک گره قرمز ختم می‌شوند. بنابراین، می توانیم گره 4 را قرمز رنگ کنیم. این شهود اساسی پشت LPA است.فرمول بندی ریاضیاجازه دهید Xₗ مجموعه گره‌های برچسب‌گذاری شده باشد و Yₗ برچسب‌های one-hot داده‌های برچسب‌گذاری شده باشد. فرض کنید برچسب های کلاس {1,…,C} وجود دارد. Xᵤ رئوس بدون برچسب هستند. ما Yᵤرا نمی دانیم و از این رو Yᵤ حاوی صفر خواهد بود.می توانیم قدم زدن های تصادفی را به صورت زیر بیان کنیمدر فرم ماتریسی، معادله به شکل زیر خواهد بوددلیل قرار دادن مقدار بی‌نهایت برای گام این است که، بعد از رسیدن به یکی از گره‌های برچسب دار، دیگر قدم زدن را ادامه نمی‌دهد و در همان نقطه باقی می‌ماند و به توعی با گام بینهایت، نقاط انتهایی قدم زدن را به دست می‌آوریم. اگر بتوانیم ماتریس انتقال احتمالی T (probabilistic transition matrix T)را محاسبه کنیم، می توانیم تمام احتمالات برچسب گره های بدون برچسب را محاسبه کنیم.چگونه ماتریس انتقال احتمالی را محاسبه کنیم؟گراف نمونه را با حالت های جذبی(absorbing states) که در شکل بالا نشان داده شده است در نظر بگیرید. برای هر گره، باید احتمال پرش به گره های دیگر را محاسبه کنیم. هنگامی که به حالت های جذبی می رسیم، قدم زدن به پایان می رسد زیرا ما در حالت جذب به دام می افتیم (که به عنوان یک حلقه خود در نمودار نشان داده می شود). این یک نمودار بدون جهت است، بنابراین ما می توانیم در هر جهت حرکت کنیم.با فرض اینکه احتمال انتقال از یک گره به همسایگانش برابر است، می توانیم T را به صورت زیر بنویسیم.احتمال رسیدن از گره 1 به گره 1 برابر با 1 است زیرا گره 1 حالت جذبی است. از گره 1 نمی توانیم به هیچ گره دیگری برسیم. بنابراین احتمال دستیابی به گره های دیگر از گره 1برابر با صفر خواهد بود. به همین ترتیب برای گره 2 نیز همین شرایط وجود دارد.از گره 4، می توانید به گره های 1، 3 و 5 بروید. بنابراین به همان اندازه احتمال انتقال از گره 4 به گره های 1، 3 و 5 با احتمال 0.33 برای هر گره وجود دارد. به همین ترتیب، از گره 5، می توانیم به گره های 4 و 6 با احتمال 0.5 برای هر گره حرکت کنیم.توجه داشته باشید که می توانیم Tرا با استفاده از ماتریس درجه (D) و ماتریس مجاورت (A) گراف با استفاده از رابطه زیر محاسبه کنیم.T = D⁻¹Aدر این صورت 2^T ماتریس انتقال احتمالی پس از یک بار قدم زدن را نشان می‌دهد. وقتی T را به توانی بسیار بزرگ برسانید، احتمالات تغییر نمی کنند (اشباع می شوند) و منجر به احتمالات انتقال ثابت می شوند.پیاده سازی روش LPAابتدا جدول مشخصه و برچسب ها را ادغام میکنیم تا بتوانیم گره هایی بدون برچسب که شامل بخش بزرگی از گره ها می باشند را حذف کنیم، همچنین به دلیل محدودیت رم لپ تاپ و colab مجبوریم تنها بخشی از گراف را برای تحلیل جدا کنیم، که گام زمانی بین صفر تا 20 را انتخاب می کنیم.جدول را براساس گام زمانی مرتب کنیم و برای گره ها به جای آی دی طولانی، از صفر شماره گذاری می کنیم، سپس تمام داده مربوط به شبکه را به torch_geometric.dataوارد می کنیم تا بتوانیم بعدا تحلیل راحت تری داشته باشیم.داده ها را به مجموعه های آموزش/ اعتبارسنجی/آزمون با نسبت 0.7/0.15/0.15 تقسیم می کنیم. از روش تقسیم stratified split استفاده می کنیم زیرا برچسب ها به شدت نامتعادل هستند (گره های غیرقانونی بسیار کمتری نسبت به گره های قانونی وجود دارد) و می خواهیم مطمئن شویم که هر پارتیشن دارای گره های غیرقانونی کافی است. علاوه بر این، بر اساس مهر زمانی تقسیم نمی کنیم.فانکشن LPA(k) را تعریف میکنیم که k گام در گراف حرکت میکند یا به معنای دیگر ماتریس انتقالی به توان k می رساند، حال با استفاده از این فانکشن و داده train_dataبرچسب گره های بدون برچسب را برای مقادیر مختلف k(بین 1 تا 9) را محاسبه میکنیم، با استفاده از validation_data، می توانیم f1_score را برای kهای مورد نظر محاسبه کنیم که نتایج به صورت زیر میباشدکه نشان می دهد بعد از k=6 به مقدار ثابتی می رسیم، پس این عدد بهترین مقدار برای پیش بینی برچسب های test_data می باشد. در حالت k=6 نتایج زیر برای داده تست به دست می آیدمقدار دقت 0.95 می باشد و عدد بالایی است ولی نمی تواند نشان دهنده دقت بالای مدل باشد زیرا نسبت گره های غیرقانونی به قانونی بسیار پایین می باشد و حتی با فرض پیش بینی تمام گره ها به عنوان قانونی، به دقت بالای 90 درصد به سادگی می توان رسید پس در این شرایط معیار f1 می تواند، معیار خوبی برای ارزیابی باشد که ترکیبی از دو معیار precisionو recall می باشد. مقدار f1حدود 0.4 است که نسبتا مقدار پایینی می باشد.با توجه به ماتریس confusion_matrix، تعداد 2089 گره به درستی قانونی(true negatives) تشخیص داده شده اند، تعداد 97 گره به اشتباه قانونی(false negatives) تشخیص داده شده است، 35 گره به درستی غیرقانونی(true positives) تشخیص داده است و 9 گره قانونی را به اشتباه غیرقانونی(false positives) پیش بینی شده است.با توجه به این که از 132 گره غیرقانونی، تنها توانسته 35 گره را درست تشخیص بدهد، معیار recall به همین خاطر خیلی پایین می باشد و نشان می دهد این مدل، ابزار خوبی برای تشخیص تراکنش‌های غیر قانونی نیست.2. روش Graph Convolutional Networks (GCN)چالش استفاده از گراف در شبکه عصبیدر تشخیص گفتار، واج(phoneme) Yᵢ و مدل آکوستیک xᵢ یک HMM (گرافی برای تشخیص گفتار) تشکیل می دهند.در CNN، یک تصویر ورودی می تواند به عنوان یک نمودار مدل شود. به عنوان مثال، نمودار سمت راست زیر نمودار یک تصویر 5 × 5 است. هر گره نشان دهنده یک پیکسل است و برای فیلتر 3×3، هر گره به هشت همسایه مستقیم خود متصل است.حتی اگر نشان دادن یک تصویر به این شکل اغراق آمیز است، این نوع مدل کردن توسط یک گراف در یادگیری ماشین (ML) بسیار موثر خواهد بود. در CNN، ما در فضای اقلیدسی کار می کنیم. نحوه ارتباط وزن ها با ویژگی های ورودی (پیکسل) به خوبی تعریف شده است.به طور کلی، شبکه های عصبی (NN) ورودی x را برای پیش بینی z می گیرند.حال، فرض کنید ارتباطات دوستان در یک شبکه اجتماعی را به صورت گراف زیر نمایش دهیم، چالشی که برای تحلیل این شبکه با استفاده از شبکه عصبی داریم این است که چگونه یک NN می تواند یک گراف را به طور مستقیم پردازش کند، با توجه به این که روابط بین گره‌های همسایه نامنظم و دارای ابعاد بالا هستند.در GCN (شبکه کانولوشن گراف)، ورودی به NN یک گراف خواهد بود. همچنین با توجه به شکل زیر، به جای به دست آوردن خروجی منفرد z ، مقدار zᵢ را برای هر گره i در گراف به دست می آورد. و برای پیش‌بینی Zᵢ، GCN از Xᵢ و گره‌های همسایه‌اش در محاسبه استفاده می‌کند.مدل GCN(Graph Convolutional Networks)ایده کلی GCN این است که کانولوشن را روی یک گراف اعمال کند. به جای داشتن یک آرایه دوبعدی به عنوان ورودی، GCN یک گراف را به عنوان ورودی می گیرد.در شکل زیر، نمودار اول (ردیف اول) همان طور که می دانیم NN است و نمودار دوم GCN با یک گراف شامل چهار گره به عنوان ورودی است.مدل NN، حاوی چندین لایه متراکم (لایه های کاملاً متصل) است. x ورودی لایه اول و zᵢ خروجی لایه i است. برای هر لایه، z (یا x برای لایه اول) را با ماتریس وزن W چند برابر می کنیم و خروجی را به تابع فعالسازی σ می فرستیم، مثلا ReLU.مدل GCN بسیار شبیه NN است، اما ورودی σ به جای Wᵢzᵢ ، ورودی ÂHⁱWⁱ است که در آن zᵢ و Hⁱ بردارهای خروجی از آخرین لایه پنهان برای NN و GCN هستند. اما توجه داشته باشید که Wⁱ و Wᵢ متفاوت هستند و ابعاد متفاوتی دارند. و برای اولین لایه در GCN، X شامل آرایه ای از گره ها به جای یک گره منفرد x است. X (ورودی GCN) به صورت یک ماتریس تعریف می شود که هر ردیف دارای ویژگی های یک گره است.ماتریس Â چیست؟ GCN یک ماتریس مجاورت A را معرفی می کند. اگر گره i و j به هم متصل باشند، عنصر Aᵢⱼ در A برابر است با 1، در غیر این صورت صفر می شود. بنابراین Â همسایگان یک گره را نشان می دهد. اما ما یک تنظیم دیگر انجام خواهیم داد تا نشان دهیم همه گره ها به خود متصل هستند. این نشان می دهد که خروجی یک گره در یک لایه پنهان به خودش و همسایگانش بستگی دارد. بنابراین، تمام عناصر مورب A را به 1 تبدیل می کنیم تا ماتریس Â. ایجاد شود. از نظر ریاضی Â ، برابر با A + I است.با توجه به خروجی لایه پنهان σ(ÂHⁱWⁱ)، اگر W را برای موقتا نادیده بگیریم، برای هر گره در یک لایه پنهان، ÂHⁱ ویژگی های هر گره را با همسایگانش خلاصه می کند.برای جلوگیری از مشکل کاهش یا انفجار(diminishing or exploding problem) در GCN، ماتریس Â باید نورمالایز شود تا مقیاس بردارهای مشخصه خروجی حفظ گردد. یک روش، ضرب Â با D̂⁻¹ است که در آن D ماتریس درجه هر گره Â است. در یک سطح بالا، به جای اینکه خودش را با همسایه‌اش جمع کند، حاصل جمع را به D̂⁻¹ ضرب می‌کنیم تا آنها را به‌طور میانگین محاسبه کنیم. به طور خاص، D̂ یک ماتریس مورب است که هر عنصر مورب آن D̂ᵢᵢ تعداد یال ها را برای گره مربوطه i می شمارد. و خروجی برای هر لایه پنهان به جای σ(ÂHⁱWⁱ) تبدیل به σ(D̂⁻¹ÂHⁱWⁱ) می شود.به عنوان مثال ماتریس D̂ را برای گراف زیر محاسبه می کنیم . برای یک گراف بدون جهت، درجه یک گره به تعداد دفعاتی که یک یال به آن گره ختم می شود، شمرده می شود. بنابراین یک حلقه خودکار دو برابر خواهد شد. در مثال ما، گره 0 دارای 2 یال است که به همسایگان خود متصل می شود به اضافه یک حلقه self-loop. درجه آن برابر است با 4 (یعنی 2 + 2). برای گره 3، درجه آن برابر است با 5 (3 + 2).نمودار زیر مدل مورد بحث تا کنون را خلاصه می کند. در این مثال، مدل دارای 3 لایه پنهان است و برای هر لایه پنهان، خروجی آن را به صورت σ(D̂⁻¹ÂHⁱWⁱ) محاسبه می کند.از نگاه دیگر، GCN اطلاعات را از همسایگان هر گره با استفاده از شبکه های عصبی تجمیع می کند. هر گره ای که از یک لایه GCN عبور می کند، پیام وزن شده از گره های همسایه را که با درجه گره آن نرمال شده است، خلاصه می کند. یک تابع فعال‌سازی sigmoid یا ReLU به صورت اختیاری به پیام یا تجمیع اضافه می‌شود تا مقداری غیرخطی را شامل شود، که بیانگر بودن مدل(model’s expressiveness) را افزایش می‌دهد.ساخت مدل GCNما ماژول‌های یادگیری عمیق مانند batch normalization ، dropout و تابع های فعال‌سازی را در معماری GCN خود به کار می‌گیریم و در پیاده سازی در مجموع از سه لایه GCN استفاده کردیم.داده ها را به مجموعه های آموزش/ اعتبارسنجی/آزمون با نسبت 0.7/0.15/0.15 تقسیم می کنیم. از روش تقسیم stratified split استفاده می کنیم زیرا برچسب ها به شدت نامتعادل هستند (گره های غیرقانونی بسیار کمتری نسبت به گره های قانونی وجود دارد) و می خواهیم مطمئن شویم که هر پارتیشن دارای گره های غیرقانونی کافی است.برای طبقه‌بندی نتیجه(پیش‌بینی قانونی یا غیرقانونی بودن یک گره تراکنش)، ورودی اولیه ما(hᵤ⁰)، بردارهای ویژگی هر گره در مجموعه داده های Elliptic می باشد که دارای 166 بعد است. برای معیارهای ارزیابی، precision ، recall و f1(ترکیبی از دو معیار قبلی)را به کار می‌گیریم و میزان عملکرد مدل را از جنبه‌های مختلف اندازه‌گیری می‌کنیم.تحلیل نتایج مدل GCNنمودارهای خروجی زیر که سمت راست مربوط به معیار f1در حالت train(آبی) و validation(قرمز) می باشد و سمت چپ مربوط به مقدار loss در حین trainاست همچنین محور x بیانگر تعداد epochای است که مدل train شده است.تقریبا در epoch نزدیک به 500 مقدار پیشرفت دقت و کاهش loss افقی شده و نیازی به ادامه یادگیری مدل نیست. نتایج ارزیابی مدل بر روی داده های testرا در شکل زیر مشاهده می کنیممقدار دقت(acc) 0.97 می باشد و عدد بالایی است ولی نمی تواند نشان دهنده دقت بالای مدل باشد زیرا نسبت گره های غیرقانونی به قانونی بسیار پایین می باشد و حتی با فرض پیش بینی تمام گره ها به عنوان قانونی، به دقت بالای 90 درصد به سادگی می توان رسید پس در این شرایط معیار f1 می تواند، معیار خوبی برای ارزیابی باشد که ترکیبی از دو معیارprecision وrecall می باشد. مقدار f1 حدود 0.75 است که نسبتا مقدار بالایی می باشد.با توجه به ماتریس confusion_matrix، تعداد 2083 تراکنش به درستی قانونی(true negatives) تشخیص داده شده اند، تعداد 43 تراکنش به اشتباه قانونی(false negatives) تشخیص داده شده است، 89 تراکنش به درستی غیرقانونی(true positives) تشخیص داده است و 15 تراکنش قانونی را به اشتباه غیرقانونی(false positives) پیش بینی شده است.با توجه به این که از 132 تراکنش غیرقانونی، توانسته 89 تراکنش را درست تشخیص بدهد، معیار recall به همین خاطر حدود 0.67 می باشد. این مدل، روش بهتری برای پیدا کردن و تشخیص تراکنش های غیر قانونی نسبت به روش LPAاست.نتیجه گیریبرای تشخیص تراکنش های مشکوک باتوجه به دیتاستی که داشتیم از دو روش LPAو GCN استفاده کردیم که در جدول زیر نتایج این دو روش را مشاهده می کنیممشاهده می کنیم که روش GCN در مقایسه با روش مبتدی LPA، نتایج بسیار بهتری می دهد و در تشخیص تراکنش های مشکوک کاراتر می باشد. البته نتایج ما علاوه بر روش، به نوع تقسیم بندی داده در هنگام train نیز وابسته است که ما در روش هایی که بررسی کردیم به صورت رندوم، دیتاست را تقسیم کردیم ولی میتوان با توجه به برچسب زمانی نیز جدا کرد. همچنین می توان مدل های بهینه تر GCN و همچنین ترکیب دو روش مطرح شده استفاده کرد تا بتوان دقت را افزایش داد تا بتوان به روش هایی بهینه و موثر برای تشخیص تراکنش های مشکوک در شبکه بیت کوین دست یافت.مراجعA GRAPH-BASED INVESTIGATION OF BITCOIN TRANSACTIONS [Journal] / auth. Chen Zhao & Yong Guan. - 2015.Anti-Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks for Financial Forensics [Journal] / auth. M. Weber G. Domeniconi, J. Chen, D. K. I. Weidele, C. Bellei, T. Robinson. - 2019.Bitcoin transactions as a graph [Journal] / auth. Zhensheng Di, Guan Wang, Lili Jia, Zhuoyi Chen. - 2022.Do the rich get richer? An empirical analysis of the BitCoin transaction network [Journal] / auth. Dániel Kondor, Márton Pósfai, István Csabai, Gábor Vattay. - 2014.Elliptic Data Set [Online] / auth. kaggle. - https://www.kaggle.com/ellipticco/elliptic-data-set.Evolutionary dynamics of cryptocurrency transaction networks [Journal] / auth. Jiaqi Liang, Linjing Li, Daniel Zeng. - 2018.Fraud Detection on Bitcoin Transaction Graphs Using Graph Convolutional Networks [Online] / auth. Li Cynthia. - 2022. - https://medium.com/stanford-cs224w/fraud-detection-on-bitcoin-transaction-graphs-using-graph-convolutional-networks-5fc50a903687.Graph Convolutional Networks (GCN) & Pooling [Online] / auth. Hui Jonathan. - 2021. - https://jonathan-hui.medium.com/graph-convolutional-networks-gcn-pooling-839184205692.Graph Convolutional Networks for Fraud Detection of Bitcoin Transactions [Online] / auth. Arcos-Díaz Dario. - https://www.arcosdiaz.com/blog/graph%20neural%20networks/fraud%20detection/2019/12/15/btc-fraud-detection.html.Illegal Bitcoin Transactions? Not on Graph ML’s Watch! [Online] / auth. Hugh Grant. - 2022. - https://medium.com/stanford-cs224w/illegal-bitcoin-transactions-not-on-graph-mls-watch-23a76c6c5b98.Intro to Graphs and Label Propagation Algorithm in Machine Learning [Online]. - https://www.youtube.com/watch?v=OI0Jo-5d190.Label Propagation Demystified [Online]. - https://towardsdatascience.com/label-propagation-demystified-cd5390f27472.Learning from labeled and unlabeled data with label propagation [Journal] / auth. Ghahramani Xiaojin Zhu and Zoubin. - 2002.The Anti-Social System Properties: Bitcoin Network Data Analysis [Journal] / auth. Israa Alqassem; Iyad Rahwan; Davor Svetinovic. - 2020.

مقدمه‌ای بر شبکه‌ پیچیده

مصطفی جعفری — Sun, 21 May 2023 16:14:35 +0330

شما قبلاً به این فکر کرده اید که اطلاعاتی که در وب قرار می گیرند چگونه منتشر می شوند یا چگونه یک محتوا ویروسی می شود؟ از بیرون، ممکن است بسیار ساده به نظر برسد، وقتی چیزی را در یک شبکه اجتماعی پست می‌کنید، افرادی که می‌شناسید این اطلاعات را برای دیگران منتشر می‌کنند و دیگران ممکن است در نتیجه به افراد در سراسر جهان برسند.اینترنت شبکه عظیمی از افراد است و ارتباطات آنهاست که این انتشار اطلاعات در جوامع و سازمان ها را ممکن می سازد. برای اینکه بتوانیم بفهمیم این انتشار چگونه کار می کند، مهم است که اولاً بفهمیم شبکه چیست.می توان گفت که یک شبکه تصویری از روابط بین اشیایی است که آنها را تشکیل می دهند. با دانستن این موضوع، ما همچنین باید فرض کنیم که آنها همیشه در حال تغییر هستند و بنابراین، عناصر آنها پویا هستند و پنجره ای به موقع برای مشاهده و تجزیه و تحلیل یک شبکه و حرکت آن ضروری است.برای نمایش یک شبکه، به نظریه گراف متوسل شدیم که روابط اشیاء را در یک مجموعه خاص مطالعه می کند. از این، ممکن است یک نمودار، یک نمودار از خود شبکه تشکیل دهیم.عناصر یک شبکهیک نمونه شبکه پیچیدهعناصر اصلی یک گراف گره ها و لبه های آن هستند. نقطه ها گره ها هستند و نشان دهنده شی یا بازیکنانی هستند که مورد مطالعه قرار می گیرند. لبه ها فعل و انفعالات یا اتصالات بین اشیا هستند. در این نمودار همچنین می‌توانیم تشکیل خوشه‌ها (در دایره‌ها) را مشاهده کنیم که گروه‌بندی‌های یک شبکه هستند.اگر در نمودار کناری توجه داشته باشید، می توانیم تشخیص دهیم که برخی از گره ها تعداد اتصالات بیشتری نسبت به سایرین دارند. به عنوان مثال، ما گره زرد را در مرکز خوشه بالاتر داریم. ما این نوع گره را Hub می نامیم، زیرا اتصالات زیادی دارد و امکان توزیع اطلاعات برای تعداد بیشتری گره را فراهم می کند. ویژگی های شبکه پیچیدهویژگی های شبکه پیچیده، بینش ارزشمندی در مورد ساختار، اتصال و پویایی شبکه ها ارائه می دهد. برخی از ویژگی های مهم عبارتند از درجه، مرکزیت بین و ضریب خوشه بندی. بیایید هر یک از این ویژگی ها را با جزئیات بررسی کنیم:قطرقطر یک شبکه، طولانی ترین مسیر در بین کوتاه ترین مسیر بین هر جفت گره ها است. این نشان دهنده حداکثر تعداد مراحل مورد نیاز برای سفر از یک گره به گره دیگر در شبکه است.قطر مقیاس یا اندازه کلی شبکه را منعکس می کند. قطرهای کوچکتر نشان‌دهنده شبکه فشرده‌تر یا متصل محکم‌تر است که امکان ارتباط یا ناوبری کارآمد را فراهم می‌کند. قطرهای بزرگتر نشان دهنده یک شبکه پراکنده است که به طور بالقوه منجر به افزایش زمان انتشار اطلاعات یا مسافت های طولانی تر سفر می شود.درجهدرجه یک ویژگی اساسی گره ها در یک شبکه است که نشان دهنده تعداد اتصالاتی است که یک گره دارد. در یک شبکه جهت دار، گره ها دارای هر دو درجه (تعداد یال های ورودی) و درجه خارج (تعداد یال های خروجی) هستند. در یک شبکه بدون جهت، درجه نشان دهنده تعداد کل اتصالات است.توزیع درجه یک شبکه، توزیع احتمال درجه گره را در سراسر شبکه توصیف می کند. اطلاعات ارزشمندی در مورد الگوی اتصال شبکه ارائه می دهد. به عنوان مثال، یک شبکه با توزیع درجه یکنواخت، مشخصه یک نمودار تصادفی است، در حالی که یک شبکه با توزیع power law، یک شبکه بدون مقیاس با چند هاب بسیار متصل را پیشنهاد می کند.درجه نقش مهمی در پویایی و عملکرد شبکه ایفا می کند. گره های با درجه بالا اغلب به عنوان اتصال دهنده های مهم عمل می کنند، جریان اطلاعات را تسهیل می کنند، انتشار نفوذ و انتقال بیماری در شبکه را تسهیل می کنند. علاوه بر این، گره هایی با درجه پایین ممکن است به عنوان گره های محیطی با نفوذ یا اتصال محدود عمل کنند.ضریب خوشه بندیضریب خوشه بندی میزان شیوع مثلث ها را در یک شبکه اندازه گیری می کند. میزان تمایل گره‌ها به ایجاد ارتباط با یکدیگر را تعیین می‌کند و گروه‌ها یا جوامعی را به‌هم پیوسته تشکیل می‌دهند. ضریب خوشه بندی محلی یک گره به عنوان نسبت تعداد اتصالات بین همسایگان آن به حداکثر اتصالات ممکن بین آنها محاسبه می شود. این نشان دهنده میزان ارتباط همسایگان یک گره است.ضرایب خوشه بندی بالا نشان دهنده وجود ارتباطات محلی قوی است که منجر به تشکیل جوامع یا خوشه ها می شود. در مقابل، ضرایب خوشه‌بندی پایین، آرایش تصادفی یا پراکنده‌تری از اتصالات را نشان می‌دهد.ضریب نزدیکی(Closeness)ضریب نزدیکی بیانگر سرعت رسیدن یک گره به سایر گره های شبکه است. میانگین فاصله بین یک گره و تمام گره های دیگر در شبکه را کمیت می کند. گره‌هایی با نزدیکی بالا، نزدیک‌تر به سایر گره‌ها قرار می‌گیرند و به آن‌ها اجازه می‌دهند به طور موثر به اطلاعات دسترسی یا انتشار دهند. آنها به عنوان واسطه های مهم برای جریان اطلاعات در شبکه عمل می کنند.نزدیکی به ویژه در تجزیه و تحلیل شبکه هایی که ارتباطات کارآمد، انتشار سریع اطلاعات یا حمل و نقل عوامل ضروری هستند مفید است. این به شناسایی گره هایی کمک می کند که می توانند به سرعت اطلاعات یا منابع را در سایر بخش های شبکه منتشر کنند.ضریب بینی(Betweenness)ضریب بینی اهمیت یک گره یا یک یال در تسهیل جریان اطلاعات یا منابع بین گره ها یا لبه های دیگر در شبکه را کمیت می کند. تعداد کوتاه ترین مسیرهایی که از یک گره یا یال خاص عبور می کنند را اندازه گیری می کند.گره‌ها یا یال ها با ضریب بینی بالا نقش مهمی در حفظ ارتباطات یا حمل‌ونقل کارآمد در یک شبکه دارند. حذف چنین گره‌ها یا یال های حیاتی می‌تواند جریان اطلاعات را مختل کند و منجر به خرابی اتصال شبکه شود. ضریب بینی اغلب برای شناسایی رابط‌های کلیدی، تنگناها یا نهادهای تأثیرگذار در شبکه‌های مختلف استفاده می‌شود. به درک جریان نفوذ، کنترل یا انتشار اطلاعات در سراسر شبکه کمک می کند.مدل های ریاضی پایه شبکه پیچیدهمدل‌های پایه شبکه، مانند گراف تصادفی، دنیای کوچک و شبکه‌های بدون مقیاس، چارچوب‌های ریاضی هستند که برای توصیف و تحلیل انواع مختلف شبکه‌ها استفاده می‌شوند. این مدل‌ها به ما کمک می‌کنند تا ویژگی‌ها و رفتار شبکه‌های دنیای واقعی مانند شبکه‌های اجتماعی، شبکه‌های حمل‌ونقل و شبکه‌های بیولوژیکی را درک کنیم. بیایید هر یک از این مدل ها را با جزئیات بیشتری بررسی کنیم:گراف تصادفیگراف تصادفی یک مدل پایه در علم شبکه است که فرض می کند ارتباطات بین گره ها به صورت تصادفی شکل می گیرد. در این مدل، هر جفت گره دارای احتمال مساوی برای اتصال است که در نتیجه توزیع یکنواخت اتصالات ایجاد می شود. نمودارهای تصادفی فاقد هر گونه الگو یا ساختار قابل تشخیص هستند، که آنها را به یک مدل پایه مفید برای درک ویژگی های شبکه تبدیل می کند.نظریه گراف تصادفی در ابتدا توسط ریاضیدانان پل اردوس و آلفرد رنی در دهه 1960 معرفی شد. آنها خواص نمودارهای تصادفی، از جمله درجه متوسط (تعداد اتصالات در هر گره)، اندازه بزرگترین جزء، و ظهور یک جزء غول پیکر را با رشد شبکه مورد مطالعه قرار دادند. نمودارهای تصادفی از آن زمان به عنوان معیاری برای مقایسه سایر مدل‌های شبکه عمل کرده‌اند.شبکه های جهانی کوچکشبکه های جهان کوچک با ضریب خوشه بندی بالا و طول مسیر متوسط کوتاه بین گره ها مشخص می شوند. پدیده جهان کوچک اولین بار توسط استنلی میلگرام جامعه شناس در دهه 1960 با آزمایش معروف خود "شش درجه جدایی" رایج شد. او نشان داد که افراد در یک شبکه اجتماعی می‌توانند از طریق زنجیره‌های کوتاهی از آشنایان به هم متصل شوند.در یک شبکه جهانی کوچک، بیشتر گره ها به طور متراکم به هم متصل هستند و خوشه ها یا گروه ها را تشکیل می دهند. این ضریب خوشه‌بندی بالا نشان‌دهنده تمایل همسایگان یک گره برای اتصال به یکدیگر است. با این حال، چند اتصال دوربرد نیز وجود دارد که امکان میانبرهایی را بین خوشه‌ها فراهم می‌کند و در نتیجه طول مسیر متوسط کوتاه است. این میانبرها جریان اطلاعات کارآمد، ناوبری و گسترش نفوذ در سراسر شبکه را تسهیل می کنند.شبکه‌های جهان کوچک را می‌توان با استفاده از مدل‌های مختلفی تولید کرد، مانند مدل Watts-Strogatz که توسط دانکن واتس و استیون استروگاتز در سال 1998 پیشنهاد شد. این سیم کشی مجدد تصادفی، اتصالات دوربرد لازم برای ویژگی دنیای کوچک را معرفی می کند.شبکه های بدون مقیاسشبکه‌های بدون مقیاس با توزیع درجه قدرت مشخص می‌شوند، به این معنی که تعداد گره‌ها با درجه معین از تابع power law پیروی می‌کنند. به عبارت دیگر، بیشتر گره ها درجه پایینی دارند، در حالی که تعداد کمی از گره ها که به عنوان هاب شناخته می شوند، درجه بسیار بالایی دارند.مقایسه دو شبکه رندوم و بدون مقیاسشبکه‌های بدون مقیاس پدیده «ثروتمند-ثروتمندتر» را نشان می‌دهند، که در آن گره‌هایی با درجه بالا احتمال بیشتری برای جذب اتصالات جدید دارند. این مکانیسم دلبستگی ترجیحی، منجر به تشکیل هاب ها می شود که نقش مهمی در شکل دادن به ساختار و پویایی شبکه دارند. هاب ها به عنوان اتصال دهنده های مرکزی عمل می کنند و ارتباطات کارآمد، انتشار و انعطاف پذیری را در شبکه تسهیل می کنند.مدل بدون مقیاس توسط فیزیکدان Albert-László Barabási و همکارانش در اواخر دهه 1990 معرفی شد. آنها مشاهده کردند که بسیاری از شبکه‌های دنیای واقعی، از جمله شبکه جهانی وب، شبکه‌های اجتماعی و شبکه‌های بیولوژیکی، توزیع درجه power law را نشان می‌دهند. Barabási و تیم او مدلی به نام مدل Barabási-Albert پیشنهاد کردند که شبکه‌های بدون مقیاس را از طریق یک فرآیند پیوست ترجیحی ایجاد می‌کند.شبکه‌های بدون مقیاس ویژگی‌های جذابی دارند. آنها در برابر خرابی های تصادفی قوی هستند، زیرا حذف گره های تصادفی تأثیر کمی بر اتصال کلی شبکه دارد. با این حال، آنها در برابر حملات هدفمند به هاب های بسیار متصل آسیب پذیر هستند، که می تواند به طور قابل توجهی عملکرد شبکه را مختل کند.به طور کلی، نظریه نمودار تصادفی یک مدل پایه برای تجزیه و تحلیل شبکه ارائه می‌کند، شبکه‌های جهانی کوچک تعادل بین خوشه‌بندی محلی و اتصال جهانی را به دست می‌آورند، و شبکه‌های بدون مقیاس بر وجود هاب‌های بسیار متصل تأکید می‌کنند. این مدل‌ها به‌عنوان ابزار ضروری برای درک ساختار، عملکرد و پویایی شبکه‌های دنیای واقعی متنوع، با کاربردهای مختلف از علوم اجتماعی گرفته تا شبکه‌های کامپیوتری و فراتر از آن، عمل می‌کنند.کاربرد شبکه های پیچیده در دنیای واقعیشبکه های پیچیده در بسیاری از سیستم های دنیای واقعی در دامنه های مختلف رایج هستند. در اینجا توضیح مفصلی از نمونه هایی از شبکه های پیچیده در دنیای واقعی آورده شده است:شبکه های اجتماعیشبکه های اجتماعی از بارزترین نمونه های شبکه های پیچیده در دنیای واقعی هستند. آنها نشان دهنده ارتباطات و تعاملات بین افراد هستند. پلتفرم‌های اجتماعی آنلاین مانند فیس‌بوک، توییتر و لینکدین، و همچنین تعاملات اجتماعی آفلاین در جوامع یا سازمان‌ها، باعث ایجاد شبکه‌های اجتماعی پیچیده می‌شوند.در شبکه های اجتماعی، گره ها نشان دهنده افراد هستند، در حالی که یال ها نشان دهنده روابط یا تعاملاتی مانند دوستی ها، همکاری ها یا به اشتراک گذاری اطلاعات هستند. این شبکه ها چندین ویژگی پیچیده را نشان می دهند. آنها اغلب دارای یک ساختار دنیای کوچک هستند، جایی که افراد از طریق مسیرهای کوتاه به هم متصل می شوند و در نتیجه پدیده معروف "شش درجه جدایی" به وجود می آید. خوشه‌بندی در شبکه‌های اجتماعی رایج است، زیرا افراد تمایل دارند گروه‌ها یا جوامعی را تشکیل دهند. توزیع درجه در شبکه‌های اجتماعی می‌تواند متفاوت باشد، به طوری که برخی از افراد دارای ارتباطات زیادی (افراد محبوب یا تأثیرگذار) و برخی دیگر دارای ارتباطات کمی هستند.مطالعه شبکه های اجتماعی بینش هایی را در مورد پویایی های اجتماعی، انتشار اطلاعات، انتشار نفوذ و شکل گیری جوامع ارائه می دهد. این به درک گسترش ایده ها، رفتارها، و روندها، و همچنین تجزیه و تحلیل سیستم های حمایت اجتماعی، الگوهای همکاری، و تاثیر ارتباطات اجتماعی بر رفتار فردی و جمعی کمک می کند.اینترنت و شبکه جهانیاینترنت و شبکه جهانی وب (WWW) شبکه پیچیده دیگری را در دنیای واقعی تشکیل می دهند. اینترنت نشان‌دهنده زیرساخت شبکه جهانی است که رایانه‌ها و دستگاه‌ها را به هم متصل می‌کند، در حالی که WWW نشان‌دهنده صفحات وب به هم پیوسته است که از طریق لینک‌ها قابل دسترسی هستند.در شبکه‌های اینترنت و WWW، گره‌ها صفحات وب را نشان می‌دهند، در حالی که یال ها نشان دهنده پیوندهای بین آنها هستند. این شبکه‌ها ویژگی‌های پیچیده‌ای مانند ویژگی‌های بدون مقیاس را نشان می‌دهند، که در آن تعداد کمی از وب‌سایت‌های بسیار متصل به عنوان هاب عمل می‌کنند و حجم قابل توجهی از ترافیک وب را جذب می‌کنند. توزیع درجه در این شبکه‌ها از الگوی power law پیروی می‌کند که نشان‌دهنده تعداد کمی از صفحات وب بسیار محبوب و بسیاری از صفحات وب کمتر محبوب است. ضریب خوشه بندی پایین است، زیرا صفحات وب به طور فشرده به هم متصل نیستند.تجزیه و تحلیل اینترنت و شبکه های WWW برای درک الگوریتم های جستجوی وب، بازیابی اطلاعات، رتبه بندی وب سایت و ساختار جوامع آنلاین بسیار مهم است. این به مطالعه الگوهای انتشار اطلاعات آنلاین، تجزیه و تحلیل پویایی تعاملات اجتماعی آنلاین، و بررسی تأثیر اتصال وب بر جنبه‌های مختلف جامعه و اقتصاد کمک می‌کند.شبکه های بیولوژیکیشبکه‌های بیولوژیکی نشان‌دهنده تعاملات پیچیده درون سیستم‌های بیولوژیکی هستند که شبکه‌های متنوعی مانند شبکه‌های برهمکنش پروتئین-پروتئین، شبکه‌های تنظیم‌کننده ژن، شبکه‌های متابولیک و شبکه‌های عصبی را در بر می‌گیرند.شبکه‌های برهمکنش پروتئین-پروتئین، برهمکنش‌های بین پروتئین‌ها را در سلول‌ها می‌گیرند و شبکه پیچیده‌ای را تشکیل می‌دهند که در آن گره‌ها پروتئین‌ها را نشان می‌دهند و یال ها نشان‌دهنده تعاملات فیزیکی هستند. شبکه های تنظیم کننده ژن، روابط تنظیمی بین ژن ها را توصیف می کنند و الگوهای بیان ژن را کنترل می کنند. شبکه‌های متابولیک نشان‌دهنده واکنش‌های بیوشیمیایی هستند که در یک ارگانیسم رخ می‌دهند و جریان متابولیت‌ها را نشان می‌دهند. شبکه‌های عصبی ارتباطات بین نورون‌های مغز را مدل‌سازی می‌کنند و پردازش اطلاعات را ممکن می‌سازند.شبکه‌های بیولوژیکی ویژگی‌های پیچیده‌ای مانند ویژگی‌های بدون مقیاس را نشان می‌دهند، که در آن تعداد کمی از اجزای بسیار متصل (پروتئین‌ها، ژن‌ها یا نورون‌ها) به عنوان هاب عمل می‌کنند. این شبکه‌ها اغلب دارای ساختارهای مدولار هستند، با گروه‌های مولکول‌ها یا ژن‌هایی که به طور محکم به هم مرتبط هستند و مسئول عملکردها یا مسیرهای خاص هستند. خوشه بندی در شبکه های بیولوژیکی رایج است که منعکس کننده وجود ماژول های عملکردی است.مطالعه شبکه های بیولوژیکی برای درک فرآیندهای سلولی، مکانیسم های بیماری، فعل و انفعالات ژنتیکی، کشف دارو و عملکرد مغز بسیار مهم است. این به شناسایی مولکول‌ها یا ژن‌های کلیدی درگیر در بیماری‌ها، پیش‌بینی رفتار سیستم‌های بیولوژیکی و کاوش در ویژگی‌های نوظهور فرآیندهای بیولوژیکی پیچیده کمک می‌کند.شبکه های حمل و نقلشبکه های حمل و نقل نشان دهنده زیرساخت های فیزیکی برای حمل و نقل، از جمله شبکه های جاده ای، شبکه های خطوط هوایی، سیستم های راه آهن و شبکه های حمل و نقل عمومی است.شبکه‌های جاده‌ای شبکه‌های پیچیده‌ای را تشکیل می‌دهند که در آن گره‌ها تقاطع‌ها یا مکان‌ها را نشان می‌دهند و یال ها نشان‌دهنده جاده‌هایی هستند که آنها را به هم متصل می‌کنند. شبکه های خطوط هوایی نشان دهنده مسیرهای بین فرودگاه ها هستند. شبکه های حمل و نقل ویژگی هایی مانند ساختار جهان کوچک و ویژگی های بدون مقیاس را نشان می دهند. آنها برای بهینه سازی جریان ترافیک، برنامه ریزی شهری، پیش بینی زمان سفر و مطالعه کارایی سیستم های حمل و نقل ضروری هستند.شبکه های اکولوژیکیشبکه‌های اکولوژیکی نشان‌دهنده تعاملات درون اکوسیستم‌ها هستند، مانند شبکه‌های غذایی و شبکه‌های متقابل. شبکه های غذایی روابط تغذیه بین گونه ها را به تصویر می کشند، در حالی که شبکه های متقابل تعاملات متقابل بین گونه های مختلف را به تصویر می کشند. شبکه های اکولوژیکی ویژگی های پیچیده ای از جمله تودرتو و مدولار بودن را نشان می دهند. آنها برای درک فعل و انفعالات گونه ها، ثبات اکوسیستم ها و تأثیر آشفتگی ها یا از دست دادن گونه ها بر جوامع اکولوژیکی بسیار مهم هستند.شبکه های مالیشبکه‌های مالی روابط و معاملات بین مؤسسات مالی مانند بانک‌ها، بورس‌ها و شرکت‌های سرمایه‌گذاری را به تصویر می‌کشند. گره ها نشان دهنده موسسات هستند، در حالی که یال ها نشان دهنده تراکنش های مالی یا وابستگی ها هستند. شبکه‌های مالی ویژگی‌هایی مانند ویژگی‌های بدون مقیاس و ساختار دنیای کوچک را نشان می‌دهند. آنها برای مطالعه ریسک سیستمیک، سرایت مالی و به هم پیوستگی سیستم مالی جهانی مهم هستند.شبکه های فناوریشبکه‌های فناوری شامل شبکه‌های زیرساختی مانند شبکه‌های برق و شبکه‌های ارتباطی می‌شوند. گره ها اجزایی مانند ایستگاه های برق، برج های ارتباطی را نشان می دهند، در حالی که یال ها نشان دهنده اتصالات بین آنها هستند. شبکه‌های فن‌آوری ویژگی‌های پیچیده‌ای را نشان می‌دهند و برای بهینه‌سازی طراحی زیرساخت، مدیریت قابلیت اطمینان شبکه و مطالعه انعطاف‌پذیری سیستم‌های تکنولوژیکی بسیار مهم هستند.ابزارهای موجود برای تجزیه و تحلیل شبکه های پیچیدهچندین ابزار و کتابخانه قدرتمند برای تجزیه و تحلیل شبکه های پیچیده وجود دارد. در اینجا چند ابزار پرکاربرد برای تحلیل شبکه پیچیده آورده شده است:نتورک ایکس(NetworkX ) یک کتابخانه محبوب پایتون برای ایجاد، دستکاری و تجزیه و تحلیل شبکه های پیچیده است. مجموعه ای جامع از ابزارها برای تجزیه و تحلیل شبکه، از جمله الگوریتم هایی برای اندازه گیری ویژگی های شبکه، تشخیص جامعه، معیارهای مرکزیت و تجسم ارائه می دهد. NetworkX از انواع شبکه‌های مختلف، از جمله شبکه‌های مستقیم، غیرمستقیم، وزن دار و دوبخشی پشتیبانی می‌کند.جفی(Gephi) یک نرم افزار متن باز برای تجسم و کاوش شبکه های پیچیده است. این یک رابط تعاملی و کاربر پسند برای تجزیه و تحلیل و تجسم داده های شبکه فراهم می کند. Gephi از طیف وسیعی از وظایف تحلیل شبکه، از جمله الگوریتم‌های طرح‌بندی، تشخیص جامعه، خوشه‌بندی و تجسم شبکه پویا پشتیبانی می‌کند.آی گراف(igraph)یک کتابخانه محبوب است که در چندین زبان برنامه نویسی از جمله Python، R و C/C++ موجود است. این عملکرد گسترده ای را برای تجزیه و تحلیل شبکه، از جمله ایجاد نمودار، دستکاری، تجسم، و الگوریتم های مختلف برای ویژگی های شبکه، تشخیص جامعه و معیارهای مرکزی ارائه می دهد. igraph از شبکه های استاتیک و پویا پشتیبانی می کند و پیاده سازی های با کارایی بالا بسیاری از الگوریتم ها را ارائه می دهد.پاژک(Pajek )یک بسته نرم افزاری است که عمدتاً برای تجزیه و تحلیل و تجسم شبکه در مقیاس بزرگ استفاده می شود. طیف گسترده ای از الگوریتم های تجزیه و تحلیل شبکه، روش های تشخیص جامعه و گزینه های تجسم پیشرفته را ارائه می دهد. Pajek برای تجزیه و تحلیل و تجسم شبکه های پیچیده با میلیون ها گره و لبه مناسب است.اسنپ (Stanford Network Analysis Platform)اسنپ یک کتابخانه تحلیل شبکه قدرتمند است که توسط دانشگاه استنفورد توسعه یافته است. این الگوریتم‌های کارآمد را برای تجزیه و تحلیل شبکه در مقیاس بزرگ، از جمله تشخیص جامعه، معیارهای مرکزیت، پیش‌بینی لینک، و تعبیه شبکه ارائه می‌کند. SNAP در C++ پیاده سازی شده است اما رابط هایی برای زبان های برنامه نویسی مختلف از جمله پایتون فراهم می کند.جانگ (Java Universal Network/Graph Framework)یک کتابخانه جاوا برای تجزیه و تحلیل و تجسم شبکه های پیچیده است. مجموعه ای جامع از ابزارها برای ایجاد، دستکاری و تجزیه و تحلیل شبکه ها، از جمله الگوریتم های طرح بندی مختلف، روش های تشخیص جامعه، معیارهای مرکزیت، و گزینه های تجسم شبکه را ارائه می دهد.این ابزارها طیف وسیعی از عملکردها را برای تجزیه و تحلیل شبکه پیچیده ارائه می دهند و انتخاب بستگی به نیازهای خاص و ترجیحات زبان برنامه نویسی دارد. آنها محققان و تحلیلگران را قادر می سازند تا ساختار، پویایی و ویژگی های شبکه های پیچیده را بررسی، اندازه گیری، تجسم، و بینش به دست آورند.جهت گیری آینده علم شبکه پیچیدهتجزیه و تحلیل شبکه پیچیده کمک قابل توجهی به درک ما از سیستم های مختلف دنیای واقعی کرده است. با این حال، چندین چالش و جهت گیری های آینده در این زمینه وجود دارد. در اینجا برخی از چالش های کلیدی و پیشرفت های بالقوه آینده در مطالعه شبکه های پیچیده آورده شده است:کلان داده و مقیاس پذیریافزایش دسترسی به داده های شبکه در مقیاس بزرگ چالش هایی را در ارتباط با ذخیره سازی، پردازش و تجزیه و تحلیل داده ها ایجاد می کند. تجزیه و تحلیل شبکه های عظیم با میلیاردها گره و یال نیاز به الگوریتم های مقیاس پذیر و تکنیک های محاسباتی کارآمد دارد. توسعه‌های آینده بر توسعه الگوریتم‌های توزیع‌شده و موازی برای مدیریت داده‌های شبکه بزرگ و استفاده از منابع محاسبات ابری برای تجزیه و تحلیل شبکه مقیاس‌پذیر متمرکز خواهند بود.شبکه های چند لایهسیستم های دنیای واقعی اغلب چندین لایه یا انواع روابط را نشان می دهند که منجر به ظهور شبکه های چند لایه و چندگانه می شود. تجزیه و تحلیل این شبکه های به هم پیوسته و مطالعه دینامیک و خواص آنها چالش هایی را برای روش های تحلیل شبکه پیچیده سنتی ایجاد می کند. تحقیقات آینده تکنیک های پیشرفته ای را برای مدل سازی و تجزیه و تحلیل شبکه های چند لایه، از جمله جنبه های زمانی، تعاملات ناهمگن، و روابط در حال تکامل، بررسی خواهد کرد.دینامیک و شبکه های زمانی:بسیاری از شبکه‌های دنیای واقعی ویژگی‌های پویا را نشان می‌دهند، جایی که گره‌ها و یال ها در طول زمان تکامل می‌یابند. درک پویایی شبکه های پیچیده و تأثیر آنها بر رفتار سیستم یک حوزه تحقیقاتی فعال است. توسعه‌های آینده بر توسعه مدل‌ها، الگوریتم‌ها و تکنیک‌های تجسم برای ضبط و تجزیه و تحلیل جنبه‌های زمانی شبکه‌ها تمرکز خواهند کرد که امکان پیش‌بینی و درک بهتر پویایی شبکه را فراهم می‌کند.همکاری بین رشته ایتجزیه و تحلیل شبکه پیچیده از همکاری های بین رشته ای، ترکیبی از تخصص در زمینه های مختلف مانند فیزیک، علوم کامپیوتر، زیست شناسی، جامعه شناسی و اقتصاد بهره می برد. تشویق همکاری بین رشته ای و توسعه روش ها و استانداردهای مشترک، اثربخشی و کاربرد تجزیه و تحلیل شبکه پیچیده را در حوزه های مختلف افزایش می دهد.استحکام و انعطاف پذیری شبکهتجزیه و تحلیل استحکام و انعطاف پذیری شبکه های پیچیده در برابر خرابی ها، حملات یا اختلالات برای درک آسیب پذیری های سیستم و طراحی شبکه های انعطاف پذیرتر بسیار مهم است. تحقیقات آینده بر روی توسعه مدل‌ها و الگوریتم‌هایی برای تحلیل و افزایش انعطاف‌پذیری شبکه‌های پیچیده، با در نظر گرفتن خرابی‌های آبشاری، حملات هدفمند و مکانیسم‌های بازیابی تمرکز خواهد کرد.حفظ حریم خصوصی و ملاحظات اخلاقیاز آنجایی که تجزیه و تحلیل شبکه پیچیده با داده های در مقیاس بزرگ که ممکن است حاوی اطلاعات حساس یا شخصی باشد سر و کار دارد، حفظ حریم خصوصی و ملاحظات اخلاقی بسیار مهم می شود. پیشرفت‌های آینده تکنیک‌های تحلیل شبکه حفظ حریم خصوصی، رویکردهای ناشناس‌سازی داده‌ها و دستورالعمل‌های اخلاقی را برای اطمینان از مدیریت مسئولانه و ایمن داده‌های شبکه بررسی خواهند کرد.کنترل و مداخله شبکهدرک چگونگی کنترل، دستکاری یا تأثیرگذاری بر شبکه های پیچیده یک جهت تحقیقاتی نوظهور است. مطالعات آینده بر توسعه روش‌هایی برای مداخلات هدفمند، شناسایی گره‌های تاثیرگذار برای کنترل کارآمد شبکه، و طراحی استراتژی‌های بهینه برای انتشار اطلاعات، مهار بیماری یا به حداکثر رساندن تأثیر در شبکه‌های اجتماعی تمرکز خواهند کرد.شبکه عصب شناسی و سیستم های شناختیهدف رشته نوظهور شبکه علوم اعصاب، درک عملکرد مغز و شناخت با استفاده از تحلیل شبکه پیچیده است. تحولات آینده بر یکپارچه سازی داده های تصویربرداری مغز، مدل سازی شبکه های عصبی و تکنیک های تجزیه و تحلیل شبکه برای کشف سازمان و پویایی پیچیده مغز تمرکز خواهد کرد.این چالش‌ها و جهت‌گیری‌های آینده، رشد و تکامل مستمر تحلیل شبکه پیچیده را به عنوان یک زمینه مطالعاتی برجسته می‌کند. پیشرفت‌ها در دسترسی به داده‌ها، قدرت محاسباتی و همکاری‌های بین‌رشته‌ای، رویکردها و برنامه‌های نوآورانه را هدایت می‌کند و منجر به بینش‌ها و اکتشافات جدیدی در درک و استفاده از سیستم‌های پیچیده می‌شود.سخن آخرشبکه های پیچیده به عنوان یک چارچوب قدرتمند برای مطالعه ساختار، دینامیک و رفتار سیستم های متنوع در دنیای واقعی پدیدار شده اند. این شبکه ها، شبکه پیچیده ای از تعاملات و روابط بین موجودات، از ارتباطات اجتماعی گرفته تا فرآیندهای بیولوژیکی، سیستم های حمل و نقل و شبکه های اطلاعاتی را در بر می گیرند. مطالعه شبکه های پیچیده بینش های ارزشمندی را در مورد الگوهای اساسی و ویژگی های نوظهور این سیستم ها ارائه می دهد.شبکه های پیچیده ویژگی های منحصر به فردی مانند ساختار جهان کوچک، توزیع درجه بدون مقیاس و ضرایب خوشه بندی بالا را نشان می دهند که آنها را از شبکه های ساده معمولی یا تصادفی متمایز می کند. این ویژگی ها پیامدهای قابل توجهی برای درک پدیده هایی مانند انتشار اطلاعات، گسترش بیماری، استحکام و ظهور رفتارهای جمعی دارند.تجزیه و تحلیل شبکه های پیچیده شامل اندازه گیری ویژگی های مختلف از جمله توزیع درجه، مرکزیت بینی، ضریب خوشه بندی، نزدیکی و قطر است. این معیارها معیارهای کمی از ساختار شبکه، اتصال و کارایی را ارائه می‌کنند و محققان را قادر می‌سازد تا ویژگی‌های مهم را کشف کنند و گره‌ها یا الگوهای کلیدی را در شبکه شناسایی کنند.علاوه بر این، کاربرد تحلیل شبکه پیچیده به حوزه های متعددی از جمله علوم اجتماعی، زیست شناسی، علوم کامپیوتر، فیزیک و بسیاری دیگر گسترش می یابد. این ما را قادر می سازد تا با طیف گسترده ای از چالش ها، مانند بهینه سازی سیستم های حمل و نقل، شناسایی افراد تأثیرگذار در شبکه های اجتماعی، درک پویایی بیماری ها و طراحی شبکه های ارتباطی کارآمد، مقابله کنیم.با این حال، مطالعه شبکه‌های پیچیده با چالش‌هایی مانند مدیریت داده‌های شبکه در مقیاس بزرگ، تجزیه و تحلیل شبکه‌های چندلایه و زمانی، و اطمینان از حفظ حریم خصوصی و ملاحظات اخلاقی مواجه است. پرداختن به این چالش ها مستلزم توسعه الگوریتم های مقیاس پذیر، همکاری های بین رشته ای و دستورالعمل های اخلاقی برای اطمینان از تجزیه و تحلیل شبکه مسئولانه و ایمن است.به طور خلاصه، شبکه های پیچیده یک چارچوب غنی و چند رشته ای برای درک ساختار و پویایی سیستم های پیچیده در دنیای واقعی ارائه می دهند. با استفاده از تکنیک های تحلیل شبکه، می توانیم بینش عمیق تری در مورد رفتار موجودیت های به هم پیوسته به دست آوریم و راه را برای پیشرفت در زمینه های مختلف هموار کنیم و ابزارهایی برای تصمیم گیری، بهینه سازی سیستم و حل مسئله در سیستم های پیچیده فراهم کنیم.