19100

۱۹۱۰۰

ارائه مدلي براي پايش شبكه هاي اجتماعي با استفاده از مدل گراف تصادفي نمايي زمان گسسته(STERGM)

كارشناسي ارشد

مدلسازي سيستم هاي كلان

۹۴-۹۶

۱۳۹۷/۰۱/۲۸

دكتر رسول نورالسناء

دكتر دين محمد ايماتي

صنايع

چكيده پديده‌هاي ارتباطي در بسياري از مناطق رخ مي‌دهد و به‌طور فزاينده‌اي توسط شبكه‌ها نمايان مي‌شوند. به همين دليل شبكه‌ها نياز به مدل‌هاي آماري واقع‌گرايانه و قابل‌اطمينان هستند، به‌خصوص زماني كه پديده‌ها در طول زمان پيشرفت مي‌كنند. براي اين منظور، مدل‌هاي مورداستفاده بايد داراي ساختار زماني واقعي و ساختار مقطعي باشند. پس از انجام مطالعاتي در حوزه پايش شبكه هاي اجتماعي، فرضيه ارائه ي مدلي براي كنترل ميزان تغييرات در شبكه هاي STERGM بيان ميشود. بسياري از شبكه هاي موجود در دنياي واقعي از اين مدل پيروي ميكنند لذا اين نياز ايجاد ميشود كه اين مدل از شبكه ها كنترل و پايش شوند. در اين پژوهش ابتدا يك زنجيره ماركف درجه يك از شبكه هاي ERGM در دوره هاي زماني گسسته با استفاده از نرم افزار متلب شبيه سازي شده است؛ و چگالي شبكه در زنجيره مياني كه شامل شبكه هاي اشتراكي و اجتمالي در سه حالت (زنجيره ماركوف ،اجتماع و اشتراك) پايش مي شود و بهترين حالت براي پايش چگالي شبكه ،حالت اجتماع است و نمودار كنترلي مطلوب حالت برتر ،با استفاده از مقدار هاي متوسط طول دنباله (ARL ) ، نمودار كنترل جمع تجمعي (CUSUM ) است. در بخش ديگري از پژوهش احتمال بين شبكه ها ، در هر سه حالت تخمين زده و در نهايت نرخ ميزان برقراري ارتباط بين نودها در شبكه را محاسبه و با دو نمودار كنترل ميانگين متحرك موزون نمايي(EWMA ) و نمودار كنترل جمع تجمعي (CUSUM ) حدودي براي كنترل ميزان تغييرات بدست آمده است كه براي تغييرات در تعداد كمتري از نودهاي تصادفي (5 و 10 تايي) نمودار كنترل ميانگين متحرك موزون نمايي(EWMA) و براي تعداد بيشتري از نودهاي تصادفي (20 و35 تايي) نمودار كنترل جمع تجمعي (CUSUM) مطلوب ترين نمودارها براي پايش اين مدل از شبكه هستند. واژه‌هاي كليدي: پايش شبكه‌هاي اجتماعي، مدل گراف تصادفي نمايي زمان گسسته(STERGM)، نمودار كنترل ميانگين متحرك موزون نمايي(EWMA)، نمودار كنترل جمع تجمعي (CUSUM)، متوسط طول دنباله (ARL)

1397/04/25

(Providing a model for social networks monitoring using Separable Temporal Exponential Random Graph Model (STERGM

1/21/2019 12:00:00 AM

Abstract: Communication phenomena occur in many areas and are increasingly seen by networks. For this reason, networks need to have realistic and reliable statistical models, especially when phenomena progress over time. For this purpose, the models used must have a real time structure and cross-sectional structure. After conducting studies in the field of social networks monitoring, the hypothesis is presented as a model for controlling the changes in the STERGM networks. Many real-world networks follow this model, so this is a requirement that this model Networks are monitored. In this study, firstly, a first-order Markov chain of ERGM networks was simulated in discrete time periods using MATLAB software; and the intermediate chain consisting of shared and interconnected networks and network density in three modes (Markov chain, formation and dissolution), and the best mode for monitoring the density of the network is the community mode, and the optimal state-of-the-art optimal control chart is the best performance using the average length of the sequence (ARL), the cumulative accumulation control chart (CUSUM). In another section of the research, the probability of the networks between the networks is estimated in all three cases and finally, the rate of communication between the nodes in the network is calculated and with Exponentially Weighted Moving Average (EWMA) and Cumulative Sum (CUSUM) control charts In order to control the amount of variation, the best control curve (EWMA) and for large groups (20 and 35) and Cumulative Control Cumulative Chart (CUSUM) are the most desirable charts for small groups (5 and 10). This model is monitored by the network. Keywords: Social networks monitoring, separable temporal exponential random graph model (STERGM), Exponentially weighted moving average (EWMA) control chart, Cumulative sum (CUSUM) control chart, Average run length (ARL)