原创朱天雷等 2025-10-19 20:07 湖南

本研究提出的基于超图和超模体的韧性分析框架，为流量加权网络的脆弱性评估提供了新的视角。

导语

为什么有时候地铁里只要一条线路出问题，就能造成大面积交通瘫痪？为什么一条热门消息在社交网络上传播，会比其他消息更快更广？又或者，为什么生态系统里某些物种的消失，会引发整个食物链的震荡？这些现象背后，其实都指向一个共同的问题：我们赖以生存和发展的系统，看似庞大复杂，却常常被少数关键节点所支配。近日，《自然·通讯》杂志发表的一项研究就揭示了，原来只要守护好这些“关键少数”，我们就能显著提升系统的稳定性与韧性。

关键词：网络韧性；渗流理论；高阶交互；级联失效；超模体

朱天雷等丨作者

论文题目：A small set of critical hyper-motifs governs heterogeneous flow-weighted network resilience
论文链接：https://www.nature.com/articles/s41467-025-63001-4
发表期刊：Nature Communications

内容摘要

现实中许多系统可视为流量加权网络，如生态食物网、交通运输网、社交信息网和金融交易网等。这些网络中节点间不仅有拓扑连接，还承载着物质、能量或信息的流动；一旦某处发生故障，流量的重新分配往往会引发严重的级联故障，从而导致系统功能崩溃。经典的网络韧性研究多关注拓扑连通性，但实际情况却提醒我们：拓扑完整并不意味着系统就安全。本文针对流量加权网络的韧性提出了一个全新的分析框架，这一发现为提高网络鲁棒性、抑制谣言传播、预防经济崩溃、缓解交通拥堵和提升生态稳定性等提供了理论支持。

研究背景

流量加权网络是指节点间存在带权连接，权值表示流量大小的网络系统。在交通网中，权重可以表示道路的车流量或航线的客流量，在生态网中，则对应能量或碳流动。在现实中，这类网络的韧性关系着社会经济和生态系统的稳定。然而，由于流动过程的复杂性，网络韧性分析远比简单评估连通性更具挑战性。传统研究往往聚焦于结构鲁棒性，即分析当随机或以某种顺序移除节点/边后，最大连通子图的变化规律。

然而，这种方法忽略了流动和反馈效应：例如，交通网络即使在道路完整时也可能因载荷重新分配而陷入拥堵，从而丧失功能。如图1所示，在相同的网络结构下，不同的流量分配方案可能导致完全不同的后果——有时网络结构完好（图1a-b），却因流量拥堵而功能下降；而有时即使结构部分受损（图1c-d），也未必发生拥堵，表现出结构韧性（静态）与功能韧性（动态）之间的差异。要真正刻画流量加权网络的动态韧性，必须同时考虑流量的动态分配及其引发的级联故障。

近年来的研究表明，一次节点故障可能引起多个节点依次失效，失效过程中涉及到扰动与流量的耦合影响与重复传播。例如，当一个节点被扰动时，它可能触发连锁故障。基于此，本研究提出一种基于超图的韧性分析框架，将每一次扰动引发的多节点级联看作一个“超边”（高阶交互），并通过分析超图的渗流过程及其中出现的关键超模体，来揭示网络从功能完好到失效的演化机制。

图1 技术路线

方法

本研究涉及到的主要方法如下：

流量加权网络动力学模型：采用改进的耦合映射格子（CML）模型来模拟流量加权网络中节点扰动后的动态行为。在该模型中，节点状态通过非线性映射更新，网络的流量分布会不断调整，从而引发级联故障。

超图构建：每进行一次节点扰动实验，记录最终所有受影响的节点集合，将其作为超图中的一条超边。这样得到的超图编码了各种扰动下的级联拓扑结构，高阶交互关系一目了然。

黑天鹅节点识别：对每个节点引发的故障规模进行统计（即超边基数），利用基于阈值的K-means将节点划分为普通节点和黑天鹅节点。

超图渗流分析：模拟超图在不同给定阈值下的渗流过程，对超边施加保留/移除规则，从而形成最终超边移除顺序。最终观察最大连通子图的崩溃过程，识别关键渗流阈值。

稳定超模体提取：在超图发生相变并去除主要超边后，仍然会留下若干小规模的交互模式。我们定义一种类Π(u,v)的超模体为包含u条超边且最多包含v个节点的模式。在超图残留的结构中，统计这些超模体的出现频率并进行归一化，作为衡量网络局部韧性的方法。

结果

黑天鹅节点与崩溃风险

在对6个真实流量加权网络的分析中发现（见图2），所有网络的超边势分布都在局部呈现幂律特征，在全局呈现出列维特征，出现极端值的离群点。这些离群点对应的节点造成的级联规模接近网络规模，意味着它们一旦失效会引发全局崩溃，因此被称作黑天鹅节点。合理保护这些节点可显著提高网络的整体韧性。例如，实验结果表明，无论真实网络还是典型合成网络，只要保证黑天鹅节点免于失效，网络对应的临界阈值都会明显降低，从而增强韧性。

图2 超边势分布与黑天鹅节点

渗流转变与韧性提升

以基于最大流量的规则进行渗流分析时（如图3所示），每个网络都呈现出明显的相变行为：当扰动阈值接近临界值时，最大连通子图大小骤降，第二大连通子图大小达到峰值，然后网络迅速崩溃。相比之下，在基于最大度或最小流量等其他节点选择规则下，这种相变现象并不明显，凸显了流量分布对脆弱性的重要决定作用。

图3 网络渗流转换

在网络强化策略比较中（如图4所示），基于CML模拟的强化（即优先加固黑天鹅节点）通常效果最佳。具体来看，在人工构建的社交网络（Nets 1–4）中，度数和流量策略效果相近但略逊于CML策略；而在自然形成的食物网（Nets 5–6）中，CML策略与单纯流量策略效果相当，并明显优于度数策略。总体而言，由于级联故障属于动态过程，结合动力学模型识别出的关键节点更能提升网络韧性。

图4 流量与度的联合分布与加强策略对比

稳定超模体与局部脆弱性

网络在去除黑天鹅节点导致的全局崩溃后，仍会保留一些互相关联的小规模级联，这些小级联模式即被稳定超模体所捕捉。实验中统计了所有Π(2,4)类超模体在各网络渗流过程中的出现频率，并据此定义局部韧性指标Rl（图5）。结果表明，不同网络表现出显著的局部脆弱性差异：例如佛罗里达地区旱季（Net 6）由于缺乏水资源，物种竞争更为激烈，稳定超模体种类和数量增多，说明其局部韧性较弱；雨季（Net 5）则因物种丰富且资源更多而韧性更强。此外，社交/投票网络（Nets 1–2）节点间替代性高，稳定超模体较为单一，局部韧性较好；而中国城市交通网络（Net 4）存在较强的时空相关性，拥堵风险大，局部韧性明显较差。这些发现表明，稳定超模体的结构与频率差异反映了网络的局部脆弱性，可用于区分和评估不同网络在局部扰动下的响应能力。

图5 超模体分析与局部韧性

讨论

综上所述，本研究提出的基于超图和超模体的韧性分析框架，为流量加权网络的脆弱性评估提供了新的视角。研究表明，仅需关注少量关键超模体和黑天鹅节点，即可把握网络韧性的主要特征，为现实网络的鲁棒性设计提出了指导思路。对于未来的研究，该框架可扩展到时变网络、高维互联网络等更复杂场景，深入探索高阶结构生成规律，并构建多维度的网络韧性评估体系。通过对不同类型网络（如社会网络、生态网络、交通网络等）的动态演化和高阶交互规律的研究，有望进一步完善网络韧性理论，为实际系统的稳定性提升提供坚实的理论支持。

复杂网络瓦解读书会

从复杂网络的构建到智能优化的演化，理解网络的鲁棒性与瓦解机制始终是一个深刻的挑战。更值得深思的是，网络的结构和算法设计如何决定了网络在遭遇局部攻击时的脆弱性，及其整体瓦解的速度与范围。动态演化过程中的节点和边的变化，也会影响系统如何在瓦解中保持部分功能，或如何适应新的结构。因此，网络瓦解研究聚焦于一个核心问题：在不同类型的网络结构（如高阶网络、空间网络、时序网络）中，局部的破坏如何引发整体功能的丧失？在面对网络的异质性和约束条件下，不同的优化算法如何有效识别并摧毁关键节点与连接，从而最大化网络的瓦解效应，进而影响系统的整体稳定性与韧性？

集智俱乐部联合北京师范大学教授吴俊、国防科技大学副研究员谭索怡、北京化工大学副教授谷伟伟、中国科学技术大学博士后范天龙、国防科技大学在读博士卿枫共同发起「复杂网络瓦解读书会」，跨越网络结构、算法模型与应用场景的视角，探索复杂网络瓦解的前沿进展。重点探讨不同算法与优化框架如何帮助我们认识网络的脆弱性，并在现实约束下推动网络系统的智能演化与应用发展。