🕸️ Netzwerk-Resilienz
Simuliere gezielte Angriffe im Vergleich zu zufälligen Ausfällen in skalenfreien und zufälligen Netzwerken. Beobachte, wie das Entfernen von Hubs die Konnektivität zerstört, während zufällige Ausfälle das Netzwerk intakt lassen.
Über Netzwerk-Resilienz
Diese Simulation vergleicht, wie zwei Klassen von Netzwerken das Entfernen von Knoten überstehen. Sie erzeugt entweder einen Barabási–Albert-skalenfreien Graphen, gewachsen durch präferenzielle Anlagerung (jeder neue Knoten verbindet sich mit m=2 bestehenden Knoten mit einer zu ihrem Grad proportionalen Wahrscheinlichkeit), oder einen Erdős–Rényi-Zufallsgraphen, in dem sich jedes Knotenpaar unabhängig mit Wahrscheinlichkeit p ≈ 2,5·ln(N)/N verbindet. Nach jeder Entfernung läuft eine Breitensuche, um zusammenhängende Komponenten und die Größe der größten Komponente neu zu berechnen.
Der Knoten-Schieberegler setzt N (20–150), und Tabs wechseln den Netzwerktyp und den Angriffsmodus. Im gezielten Modus wird zuerst der überlebende Knoten mit dem höchsten Grad (ein Hub) entfernt; im Zufallsmodus wird ein gleichverteilt zufälliger Knoten entfernt. Der Entfernungsgeschwindigkeits-Regler steuert, wie viele Knoten pro Frame entfernt werden, während Angriff, Neuaufbau und Schritt den Prozess steuern. Diese Asymmetrie — robust gegen Zufallsausfälle, fragil gegen Hub-Angriffe — erklärt die Resilienz des Internets, von Stromnetzen und Protein-Interaktionsnetzwerken.
Häufig gestellte Fragen
Was zeigt diese Simulation eigentlich?
Sie entfernt nacheinander Knoten aus einem Netzwerk und verfolgt, wie die Konnektivität zusammenbricht. Nach jeder Entfernung misst sie die größte Komponente — die größte Menge noch verbundener Knoten. Du kannst beobachten, wie ein skalenfreies Netzwerk unter einem gezielten Hub-Angriff zerbricht, während es zufällige Ausfälle gleicher Größe locker wegsteckt.
Was ist ein skalenfreies Netzwerk?
Ein skalenfreies Netzwerk hat eine Potenzgesetz-Gradverteilung: Die meisten Knoten haben wenige Verbindungen, aber eine Handvoll Hubs hat sehr viele. Diese Seite erzeugt eines mit dem Barabási–Albert-Modell, bei dem jeder neue Knoten sich bevorzugt an bereits gut vernetzte Knoten anhängt, sodass die Reichen reicher werden.
Wie unterscheidet sich das Erdős–Rényi-Netzwerk?
Im Erdős–Rényi-Zufallsgraphen existiert jede mögliche Kante mit derselben Wahrscheinlichkeit p, was eine Poisson-Gradverteilung ohne dominante Hubs ergibt. Da es keine kritischen Hubs zum gezielten Herausgreifen gibt, verursachen gezielte und zufällige Angriffe ungefähr ähnlichen Schaden, anders als im skalenfreien Fall.
Was ist die größte Komponente und warum ist sie wichtig?
Die größte Komponente ist der größte zusammenhängende Cluster überlebender Knoten. Ihr Anteil (Größe geteilt durch die Zahl der noch aktiven Knoten) misst, wie viel des Netzwerks noch kommunizieren kann. Sinkt dieser Anteil gegen null, ist das Netzwerk in isolierte Inseln zerfallen und funktioniert praktisch nicht mehr.
Wie wählt der gezielte Angriff sein nächstes Opfer aus?
Im gezielten Modus durchsucht die Simulation alle überlebenden Knoten und entfernt den mit dem höchsten aktuellen Grad — den größten verbliebenen Hub. Das Entfernen eines Hubs kappt viele Kanten auf einmal, sodass seine Nachbarn viel schneller in separate Fragmente zerfallen können, als es beim Entfernen eines gewöhnlichen Knotens der Fall wäre.
Wie wird die Konnektivität nach jeder Entfernung neu berechnet?
Nach dem Löschen eines Knotens führt der Code eine Breitensuche über die verbleibenden aktiven Knoten und Kanten aus und weist jedem eine Komponenten-ID zu. Anschließend zählt er die Knoten in jeder Komponente, um die größte zu finden. Diese Breitensuche ist die Standardmethode zur Identifikation zusammenhängender Komponenten in einem ungerichteten Graphen.
Was bedeuten die Statistiken auf dem Bildschirm?
Gesamt- und entfernte Knoten verfolgen N und wie viele du bereits gelöscht hast. Größte Komponente zeigt ihre rohe Größe, und GK-Anteil zeigt sie als Prozentsatz der Überlebenden. Komponenten zählt, wie viele separate Cluster existieren, und Max. Grad (Hub) meldet den größten noch vorhandenen Grad — nützlich, um zu beobachten, wie Hubs unter Angriff verschwinden.
Ist das Modell physikalisch akkurat?
Es ist ein getreues qualitatives Modell der Perkolation in realen Netzwerken und reproduziert das berühmte robust-aber-fragil-Verhalten, das Albert, Jeong und Barabási im Jahr 2000 beschrieben haben. Mit nur bis zu 150 Knoten ist es eine Illustration im Lehr-Maßstab statt einer Forschungssimulation, aber die Mechanismen — präferenzielle Anlagerung und gradbasierter Angriff — sind die echten.
Warum sind skalenfreie Netzwerke robust und zugleich fragil?
Da die meisten Knoten einen niedrigen Grad haben, trifft ein zufälliger Ausfall fast immer einen unwichtigen Knoten und schadet der Konnektivität kaum. Aber dasselbe Netzwerk hängt von einigen wenigen Hubs ab, die alles zusammenhalten, sodass ein Angreifer, der weiß, welche Knoten Hubs sind, es mit sehr wenigen, gezielten Entfernungen zerlegen kann. Das ist der Kompromiss zwischen Robustheit und Fragilität.
Wo kommt das in der realen Welt vor?
Die Router-Topologie des Internets, Flugroutennetze, Stromnetze, Finanznetzwerke und zelluläre Protein-Interaktionen sind alle annähernd skalenfrei. Die Lehre ist zweischneidig: Solche Systeme tolerieren zufällige Ausfälle problemlos, aber der Schutz oder Angriff auf nur ihre wenigen Hubs hat eine überproportionale Wirkung — das leitet alles von der Cybersicherheit bis zur Seuchenbekämpfung.
Barabási–Albert-skalenfreie und Erdős–Rényi-Zufallsnetzwerke unter gezieltem Hub-Angriff im Vergleich zu zufälligem Knotenausfall — beobachte den Zusammenbruch der größten Komponente.
3D · Three.js / WebGL-Renderer · 30 FPS Ziel · läuft vollständig clientseitig, keine Installation