🕸️ Netzwerktopologie-Generator: Zufallsgraphen & kleine Welten

„Sechs Grade der Trennung" ist der populäre Name für die empirische Beobachtung — zurückgehend auf Stanley Milgrams Kleine-Welt-Experimente der 1960er-Jahre und später auf Internet-Skala bestätigt (z. B. Microsoft-Messenger- und Facebook-Studien, die durchschnittliche Distanzen um 5–6 fanden) —, dass die meisten Personenpaare in einem riesigen sozialen Netzwerk durch eine überraschend kurze Kette von Bekanntschaften verbunden sind. Genau das reproduziert das Watts–Strogatz-Modell mathematisch: Ein Netzwerk kann riesig sein und trotzdem eine winzige durchschnittliche kürzeste Pfadlänge haben, sobald ein paar Fernverbindungen existieren.

Eine Potenzgesetz-Gradverteilung bedeutet, dass der Anteil der Knoten mit Grad k etwa wie k⁻ᵞ abfällt, statt sich um einen Mittelwert zu häufen — während die meisten Knoten also nur sehr wenige Verbindungen haben, hat eine kleine, aber nicht vernachlässigbare Zahl sehr viele, ohne natürliche „typische" Skala (daher „skalenfrei"). Im Histogramm dieser Simulation zeigt sich das als langer, dünner Schwanz, der sich bei Barabási–Albert-Graphen bis zur Max-Grad-Statistik erstreckt — im scharfen visuellen Kontrast zu den schmalen, glockenförmigen Histogrammen von Erdős–Rényi- oder Watts–Strogatz-Graphen.

Gemessene Internet-AS-Topologie, der Hyperlink-Graph des Web und die meisten sozialen Netzwerke zeigen zusammen hohes Clustering und kurze durchschnittliche Pfadlängen sowie schwer besetzte, oft potenzgesetzähnliche Gradverteilungen — Eigenschaften, die ein Erdős–Rényi-Graph mit gleicher Knoten- und Kantenzahl im Wesentlichen nicht erzeugen kann, weil Unabhängigkeit sowohl Clustering als auch Hub-Struktur auswäscht. Kleine-Welt- und skalenfreie generative Modelle wurden speziell entwickelt, weil sie diese gemessenen statistischen Signaturen reproduzieren, nicht nur die reinen Knoten- und Kantenzahlen.

Dies ist ein gut dokumentiertes, veröffentlichtes Ergebnis der Netzwerkwissenschaft (Albert, Jeong & Barabási, 2000): Da die meisten Knoten in einem skalenfreien Netzwerk einen niedrigen Grad haben, trifft zufälliges Entfernen von Knoten überwiegend niedriggradige Knoten und schadet der Gesamtkonnektivität kaum. Das Entfernen der Handvoll hochgradiger Hubs jedoch — genau der Knoten, die diese Simulation bei Barabási–Albert-Graphen sichtbar vergrößert — fragmentiert das Netzwerk weit schneller, als es das Entfernen zufälliger Knoten täte, was genau der Grund ist, warum Hub-Knoten (wichtige Internet-Router, zentrale Social-Media-Konten) sowohl die größte Stärke des Internets gegen zufällige Ausfälle als auch seine klarste strukturelle Schwachstelle gegen gezielte, absichtliche Angriffe sind.

Der lokale Clustering-Koeffizient eines Knotens ist der Anteil der Paare unter seinen Nachbarn, die selbst direkt verbunden sind — buchstäblich, an wie vielen Dreiecken er beteiligt ist im Verhältnis zu den möglichen. Diese Simulation berechnet ihn exakt für jeden Knoten (indem sie echte Kanten innerhalb der Nachbarmenge jedes Knotens zählt) und mittelt über alle Knoten, um den netzwerkweiten Clustering-Koeffizienten im Statistikfeld zu erhalten — das ist die in der Graphentheorie-Literatur durchweg verwendete Standarddefinition.