Startseite▸Netzwerke & Graphentheorie▸Skalenfreies Netzwerk — Barabási-Albert Preferential Attachment

🌐 Skalenfreies Netzwerk — Barabási-Albert Preferential Attachment

Simulieren Sie ein wachsendes skalenfreies Netzwerk mit dem Barabási-Albert-Modell für Preferential Attachment. Neue Knoten verbinden sich mit bestehenden Knoten mit einer Wahrscheinlichkeit proportional zu deren Grad, wodurch Hubs und eine Potenzgesetz-Gradverteilung entstehen.

Netzwerke & Graphentheorie3DMittel60 FPS

Über die Skalenfreies-Netzwerk-Simulation

Diese Simulation lässt ein Netzwerk mit dem Barabási-Albert-Modell (1999) für Preferential Attachment wachsen. Ausgehend von einem kleinen Startkeim aus m+1 vollständig verbundenen Knoten verbindet sich jeder neue Knoten mit m Kanten zu bestehenden Knoten, die mit einer Wahrscheinlichkeit proportional zu ihrem aktuellen Grad ausgewählt werden — „der Reiche wird reicher". Das Ergebnis ist eine Potenzgesetz-Gradverteilung P(k) proportional zu k hoch minus gamma, mit gamma gleich 3, dominiert von einer Handvoll hochgradiger Hubs.

Mit den Reglern legen Sie m fest (Anzahl der Kanten, die jeder neue Knoten hinzufügt, 1 bis 5), die Wachstumsgeschwindigkeit in Knoten pro Sekunde sowie die maximale Knotenzahl (10 bis 200). Sie können Knoten einzeln hinzufügen oder ein kontinuierliches Auto-Wachstum laufen lassen, zwischen kraftbasiertem und radialem Layout wechseln und Knoten nach Grad oder Alter einfärben. Live-Statistiken zeigen Knoten- und Kantenzahl, maximalen und durchschnittlichen Grad sowie den Clustering-Koeffizienten. Dieselbe Topologie findet sich im Internet, im World Wide Web, in Zitations- und sozialen Netzwerken.

Häufig gestellte Fragen

Was ist ein skalenfreies Netzwerk?

Ein skalenfreies Netzwerk ist ein Netzwerk, dessen Gradverteilung einem Potenzgesetz folgt, P(k) proportional zu k hoch minus gamma, statt einer Glockenkurve. Das bedeutet, dass die meisten Knoten nur wenige Verbindungen haben, während eine kleine Anzahl von Hubs sehr viele hat. Der Begriff „skalenfrei" spiegelt wider, dass es keinen typischen Knotengrad gibt, der das gesamte Netzwerk charakterisiert.

Was ist Preferential Attachment?

Preferential Attachment ist die Regel, die das Barabási-Albert-Modell antreibt: Wenn ein neuer Knoten hinzukommt, ist die Wahrscheinlichkeit, dass er sich mit einem bestehenden Knoten verbindet, proportional zum aktuellen Grad dieses Knotens. Gut vernetzte Knoten gewinnen daher eher neue Verbindungen, ein Effekt, der oft mit „der Reiche wird reicher" umschrieben wird. Diese positive Rückkopplung erzeugt die Hubs, die in der Simulation entstehen.

Was bewirkt der Regler m?

Der m-Regler legt fest, wie viele Kanten jeder neu hinzugefügte Knoten erzeugt, zwischen 1 und 5 in dieser Simulation. Ein höheres m ergibt ein dichteres Netzwerk mit einem größeren durchschnittlichen Grad und höherem Clustering. Das Ändern von m setzt das Netzwerk zurück, da der Startpunkt ein vollständiger Graph aus m+1 Knoten ist, von dem aus das Wachstum beginnt.

Warum entstehen Hubs?

Hubs entstehen durch die Kombination von Wachstum und Preferential Attachment. Knoten, die früh hinzukommen, haben mehr Zeit, Verbindungen anzusammeln, und sobald sie gut vernetzt sind, ziehen sie noch mehr neue Kanten an. Dieser kumulative Vorteil führt dazu, dass wenige Knoten überproportional zentral werden, während die meisten nur spärlich verbunden bleiben.

Welchen Wert hat der Exponent gamma?

Beim Standard-Barabási-Albert-Modell beträgt der Gradverteilungs-Exponent gamma exakt 3, und das gilt für jeden Wert von m. Viele reale Netzwerke zeigen ein gamma im Bereich von etwa 2 bis 3, etwas flacher als beim reinen BA-Modell, oft aufgrund zusätzlicher Effekte wie Knotenalterung oder Fitness.

Wie unterscheidet sich das von einem zufälligen (Erdős-Rényi) Graphen?

In einem Erdős-Rényi-Zufallsgraphen werden Kanten gleichmäßig zufällig platziert und die Gradverteilung ist Poisson-verteilt, sodass Knoten weitgehend austauschbar sind und sehr hochgradige Hubs extrem unwahrscheinlich sind. Ein skalenfreies Netzwerk hat stattdessen eine schwer abfallende Potenzgesetz-Verteilung, wodurch große Hubs viel wahrscheinlicher sind. Die beiden Modelle verhalten sich daher bei Ausfällen und Angriffen sehr unterschiedlich.

Warum sind skalenfreie Netzwerke robust und dennoch fragil?

Da die meisten Knoten einen niedrigen Grad haben, trifft ein zufälliger Ausfall meist einen unwichtigen Knoten, sodass das Netzwerk verbunden bleibt, selbst wenn viele Knoten zufällig entfernt werden. Das gezielte Entfernen der wenigen hochgradigen Hubs zersplittert das Netzwerk hingegen schnell. Diese Eigenschaft „robust und dennoch fragil" ist ein prägendes und viel untersuchtes Merkmal skalenfreier Topologien.

Was bedeuten die Live-Statistiken?

Knoten und Kanten zählen die aktuelle Netzwerkgröße. Maximaler Grad ist die höchste Anzahl an Verbindungen eines einzelnen Knotens, und Durchschnittlicher Grad ist der Mittelwert über alle Knoten, der sich 2m annähert. Der Clustering-Koeffizient misst, wie oft die Nachbarn eines Knotens auch untereinander verbunden sind, gemittelt über das gesamte Netzwerk.

Ist diese Simulation physikalisch genau?

Sie setzt den Kernmechanismus aus Wachstum und Preferential Attachment, der das Barabási-Albert-Modell definiert, originalgetreu um, sodass die entstehenden Hubs und die Potenzgesetz-Tendenz authentisch sind. Das kraftbasierte Layout dient rein der Visualisierung und beeinflusst die Netzwerkstruktur nicht. Bei nur einigen Dutzend bis wenigen Hundert Knoten ist die gemessene Gradverteilung eine Näherung des asymptotischen Potenzgesetzes bei kleiner Stichprobe.

Wo kommen skalenfreie Netzwerke in der realen Welt vor?

Potenzgesetz- oder nahezu potenzgesetzartige Gradverteilungen wurden im World Wide Web der Hyperlinks, im physischen Internet, in wissenschaftlichen Zitationsnetzwerken, Schauspieler-Kollaborationsnetzwerken, Follower-Graphen sozialer Medien und Protein-Interaktionsnetzwerken nachgewiesen. Das Verständnis ihrer Hub-Struktur unterstützt die Gestaltung widerstandsfähiger Infrastrukturen und Strategien zur Eindämmung von Epidemien durch das gezielte Anvisieren stark vernetzter Knoten.

⚙ Unter der Haube

Barabási-Albert Preferential Attachment: Neue Knoten verbinden sich mit einer Wahrscheinlichkeit proportional zum Grad, wodurch Hubs und eine Potenzgesetz-Gradverteilung entstehen.

skalenfreies netzwerkbarabási-albertpreferential attachmentpotenzgesetznetzwerkwissenschafthubs

3D · Three.js / WebGL-Renderer · 60 FPS Ziel · läuft vollständig clientseitig, keine Installation nötig