Topologie de lInternet Topologie de linternet + Mesure - - PowerPoint PPT Presentation

topologie de l internet
SMART_READER_LITE
LIVE PREVIEW

Topologie de lInternet Topologie de linternet + Mesure - - PowerPoint PPT Presentation

complexnetworks.fr Matthieu Latapy Topologie de lInternet Topologie de linternet + Mesure Observations Evnements Phnomnes de diffusion Phnomnes de diffusion Challenges Happy Flu Matthieu Latapy Peer-to-peer Questions


slide-1
SLIDE 1

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

1/32

Topologie de l’Internet + Phénomènes de diffusion

Matthieu Latapy

Matthieu.Latapy@lip6.fr

LIP6 – CNRS et Université Pierre et Marie Curie (UPMC – Paris 6) http://complexnetworks.fr

slide-2
SLIDE 2

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

2/32

Topologie de l’internet

L’internet comme infrastructure :

  • des millions de machines
  • pas d’autorité centrale
  • évolution (rapide) sur plusieurs décennies

peu de connaissance globale Topologie de l’internet :

  • nœuds = routeurs (adresses IP)
  • liens ∼ câbles entre routeurs (sauts IP)

un grand graphe

slide-3
SLIDE 3

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

3/32

Contexte

Topologie de l’internet telle que vue par traceroute propriétés inattendues et importantes

[Sigcomm 99, Infocom 00, Science 99, ...]

Problèmes de mesure / métrologie biais sur certaines propriétés

[Infocom 02, Infocom 03, STOC 05, ...]

Actuellement : efforts pour données massives augmenter le nombre de moniteurs

[Infocom 05, Sigcomm 05, ...]

slide-4
SLIDE 4

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

3/32

Contexte

Topologie de l’internet telle que vue par traceroute propriétés inattendues et importantes

[Sigcomm 99, Infocom 00, Science 99, ...]

Problèmes de mesure / métrologie biais sur certaines propriétés

[Infocom 02, Infocom 03, STOC 05, ...]

Actuellement : efforts pour données massives augmenter le nombre de moniteurs

[Infocom 05, Sigcomm 05, ...]

slide-5
SLIDE 5

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

3/32

Contexte

Topologie de l’internet telle que vue par traceroute propriétés inattendues et importantes

[Sigcomm 99, Infocom 00, Science 99, ...]

Problèmes de mesure / métrologie biais sur certaines propriétés

[Infocom 02, Infocom 03, STOC 05, ...]

Actuellement : efforts pour données massives augmenter le nombre de moniteurs

[Infocom 05, Sigcomm 05, ...]

slide-6
SLIDE 6

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

4/32

Notre approche

[Clémence Magnien, Frédéric Ouédraogo]

Ce qu’une machine voit de l’internet est :

  • intéressant en soi
  • (plus) facile à mesurer
  • (plus) facile à interpréter
  • peut être mesuré efficacement (temps, charge)

notion de vision égo-centrée Mesure efficace + simple = ⇒ étude de la dynamique radar = un moniteur, des destinations, mesures périodiques

slide-7
SLIDE 7

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

4/32

Notre approche

[Clémence Magnien, Frédéric Ouédraogo]

Ce qu’une machine voit de l’internet est :

  • intéressant en soi
  • (plus) facile à mesurer
  • (plus) facile à interpréter
  • peut être mesuré efficacement (temps, charge)

notion de vision égo-centrée Mesure efficace + simple = ⇒ étude de la dynamique radar = un moniteur, des destinations, mesures périodiques

slide-8
SLIDE 8

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

4/32

Notre approche

[Clémence Magnien, Frédéric Ouédraogo]

Ce qu’une machine voit de l’internet est :

  • intéressant en soi
  • (plus) facile à mesurer
  • (plus) facile à interpréter
  • peut être mesuré efficacement (temps, charge)

notion de vision égo-centrée Mesure efficace + simple = ⇒ étude de la dynamique radar = un moniteur, des destinations, mesures périodiques

slide-9
SLIDE 9

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

5/32

Données

Topologie de l’Internet – vision égo-centrée 1 moniteur, 3 000 destinations Mesure :

  • 1 tracetree (∼ traceroute vers chaque destination)
  • pause de 10 minutes
  • on recommence

∼ 100 passes / jour plusieurs mois en continu

slide-10
SLIDE 10

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

5/32

Données

Topologie de l’Internet – vision égo-centrée 1 moniteur, 3 000 destinations Mesure :

  • 1 tracetree (∼ traceroute vers chaque destination)
  • pause de 10 minutes
  • on recommence

∼ 100 passes / jour plusieurs mois en continu

slide-11
SLIDE 11

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

6/32

Question

Quelle dynamique ? Pour :

  • mieux comprendre
  • modéliser, simuler
  • détecter des événements
  • ...

Comment répondre à cette question ? Méthodes ? Outils ?

slide-12
SLIDE 12

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

6/32

Question

Quelle dynamique ? Pour :

  • mieux comprendre
  • modéliser, simuler
  • détecter des événements
  • ...

Comment répondre à cette question ? Méthodes ? Outils ?

slide-13
SLIDE 13

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

7/32

Dynamique : stabilisation ?

exploration vs dynamique hypothèse : après assez de passes on a tout vu

slide-14
SLIDE 14

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

7/32

Dynamique : stabilisation ?

appeared at least once + 2.6% 100 rounds

2000 4000 6000 8000 10000 12000 14000 16000 18000 20000 22000 500 1000 1500 2000

x = nb passes, y = nb IP distinctes 3 semaines (3 × 7 × 100 passes) croissance continue et permanente

slide-15
SLIDE 15

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

8/32

Voir la dynamique

fichier externe out3.gif

slide-16
SLIDE 16

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

9/32

Présences vs apparitions

500 1000 1500 2000 500 1000 1500 2000 2500 3000 3500 4000 4500 "ip_stat" u 2:3

un point pour chaque IP : x = nb de présences ; y = nb d’apparitions

slide-17
SLIDE 17

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

10/32

Dynamique : événements

[Clémence Magnien, Assia Hamzaoui]

5000 10000 15000 20000 25000 1000 1500 2000 2500 3000 3500

x = nb passes, y = nb d’ip pas de pics → ?

slide-18
SLIDE 18

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

10/32

Dynamique : événements

[Clémence Magnien, Assia Hamzaoui]

5000 10000 15000 20000 25000 1000 1500 2000 2500 3000 3500

x = nb passes, y = nb d’ip identification d’événements

slide-19
SLIDE 19

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

11/32

Détection d’événements

200 400 600 800 1000 1200 1400 1600 1800 2000 1000 2000 3000 4000 5000 6000

local failures exponential decrease

  • utliers = events

1000 2000 3000 4000 5000 01/12/07 01/01/08 01/02/08 01/03/08 01/04/08 01/05/08 01/06/08

each round 10 rounds

− → localisation dans le temps et dans le graphe

slide-20
SLIDE 20

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

12/32

Composantes connexes

Nouveau nœud = présent à t et pas avant Composantes connexes de nouveaux nœuds Avantages :

  • notion naturelle
  • localité
  • plusieurs par passe

Mais :

  • hétérogène
  • vision égocentrée

autres notions ? distance entre extrémités des nouveaux liens

slide-21
SLIDE 21

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

12/32

Composantes connexes

Nouveau nœud = présent à t et pas avant Composantes connexes de nouveaux nœuds Avantages :

  • notion naturelle
  • localité
  • plusieurs par passe

Mais :

  • hétérogène
  • vision égocentrée

autres notions ? distance entre extrémités des nouveaux liens

slide-22
SLIDE 22

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

12/32

Composantes connexes

Nouveau nœud = présent à t et pas avant Composantes connexes de nouveaux nœuds Avantages :

  • notion naturelle
  • localité
  • plusieurs par passe

Mais :

  • hétérogène
  • vision égocentrée

autres notions ? distance entre extrémités des nouveaux liens

slide-23
SLIDE 23

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

12/32

Composantes connexes

Nouveau nœud = présent à t et pas avant Composantes connexes de nouveaux nœuds Avantages :

  • notion naturelle
  • localité
  • plusieurs par passe

Mais :

  • hétérogène
  • vision égocentrée

autres notions ? distance entre extrémités des nouveaux liens

slide-24
SLIDE 24

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

13/32

Conclusion sur radar

  • obervation de la dynamique
  • propriétés inattendues, complexes
  • identification d’événements
  • propriétés de la dynamique, analyse
  • normal vs événement
  • échelle(s) de temps pertinente(s)
  • visualisation(s)
  • ordre(s) sur les nœuds
  • modélisation
  • plusieurs radar
  • ...
slide-25
SLIDE 25

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

13/32

Conclusion sur radar

  • obervation de la dynamique
  • propriétés inattendues, complexes
  • identification d’événements
  • propriétés de la dynamique, analyse
  • normal vs événement
  • échelle(s) de temps pertinente(s)
  • visualisation(s)
  • ordre(s) sur les nœuds
  • modélisation
  • plusieurs radar
  • ...
slide-26
SLIDE 26

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

14/32

Phénomènes de diffusion dans les réseaux Spreading phenomena in networks

[Bénédicte Le Grand, Abdelhamid Salah Brahim, Fabien Tarissan, Jean-Philippe Cointet, Adrien Friggeri]

slide-27
SLIDE 27

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

15/32

Spreading in a network

A C D B E F G H I K J

slide-28
SLIDE 28

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

15/32

Spreading in a network

A C D B E F G H I K J

  • time 1 : A introduces the virus or information
slide-29
SLIDE 29

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

15/32

Spreading in a network

A C D B E F G H I K J

  • time 1 : A introduces the virus or information
  • time 2 : A spreads to C
slide-30
SLIDE 30

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

15/32

Spreading in a network

A C D B E F G H I K J

  • time 1 : A introduces the virus or information
  • time 2 : A spreads to C
  • time 3 : C spreads to D and H
slide-31
SLIDE 31

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

15/32

Spreading in a network

A C D B E F G H I K J

  • time 1 : A introduces the virus or information
  • time 2 : A spreads to C
  • time 3 : C spreads to D and H
  • time 4 : D spreads to E and G, and H spreads to I
slide-32
SLIDE 32

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

15/32

Spreading in a network

A C D B E F G H I K J

  • time 1 : A introduces the virus or information
  • time 2 : A spreads to C
  • time 3 : C spreads to D and H
  • time 4 : D spreads to E and G, and H spreads to I
  • time 5 : I spreads to K
slide-33
SLIDE 33

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

16/32

An important topic

Typical examples :

  • virus on a contact or proximity network ;
  • computer virus among computers exchanging emails ;
  • information in a social network ;
  • ...

both fundamental and applied issue a very active area of research, for decades renewed by studies of online activities

slide-34
SLIDE 34

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

16/32

An important topic

Typical examples :

  • virus on a contact or proximity network ;
  • computer virus among computers exchanging emails ;
  • information in a social network ;
  • ...

both fundamental and applied issue a very active area of research, for decades renewed by studies of online activities

slide-35
SLIDE 35

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

17/32

But... lack of data

spreading phenomena = a network who is reached when how partial information only small scale (time, nodes, ...) difficult to collect

slide-36
SLIDE 36

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

18/32

Describing a spreading

A C D B E F G H I K J

  • time 1 : A introduces the virus or information
  • time 2 : A spreads to C
  • time 3 : C spreads to D and H
  • time 4 : D spreads to E and G, and H spreads to I
  • time 5 : I spreads to K
slide-37
SLIDE 37

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

18/32

Describing a spreading

A C D E G H I K

  • time 1 : A introduces the virus or information
  • time 2 : A spreads to C
  • time 3 : C spreads to D and H
  • time 4 : D spreads to E and G, and H spreads to I
  • time 5 : I spreads to K

spreading tree

slide-38
SLIDE 38

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

18/32

Describing a spreading

A C D B E F G H I K J

  • time 1 : A introduces the virus or information
  • time 2 : C is reached
  • time 3 : D and H are reached
  • time 4 : E, G and I are reached
  • time 5 : K is reached
slide-39
SLIDE 39

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

19/32

Current situation

(very) limited data models / simulations based on intuition very basic models need to validate and refine

slide-40
SLIDE 40

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

20/32

Current situation

Typical intuitions :

  • nodes spread to a fraction of their neighbors ;
  • nodes adopt if many neighbors have adopted ;
  • existence of super-spreaders.

Validation ? Spreading vs adoption ? Typical refinements :

  • fraction or number ?
  • heterogeneity ?
  • relation with structural properties of the network ?
  • ...

need of real-world data

slide-41
SLIDE 41

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

20/32

Current situation

Typical intuitions :

  • nodes spread to a fraction of their neighbors ;
  • nodes adopt if many neighbors have adopted ;
  • existence of super-spreaders.

Validation ? Spreading vs adoption ? Typical refinements :

  • fraction or number ?
  • heterogeneity ?
  • relation with structural properties of the network ?
  • ...

need of real-world data

slide-42
SLIDE 42

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

20/32

Current situation

Typical intuitions :

  • nodes spread to a fraction of their neighbors ;
  • nodes adopt if many neighbors have adopted ;
  • existence of super-spreaders.

Validation ? Spreading vs adoption ? Typical refinements :

  • fraction or number ?
  • heterogeneity ?
  • relation with structural properties of the network ?
  • ...

need of real-world data

slide-43
SLIDE 43

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

21/32

The Happy Flu experiment

web applet participate = copy the applet target = blogs incentives : fun ego-centered interface scientific motivation collected data : spreading links time information number of viewers (popularity) ... 2 months, 500 participants, 100 000 viewers spreading tree + degree of nodes

slide-44
SLIDE 44

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

21/32

The Happy Flu experiment

web applet participate = copy the applet target = blogs incentives : fun ego-centered interface scientific motivation collected data : spreading links time information number of viewers (popularity) ... 2 months, 500 participants, 100 000 viewers spreading tree + degree of nodes

slide-45
SLIDE 45

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

21/32

The Happy Flu experiment

web applet participate = copy the applet target = blogs incentives : fun ego-centered interface scientific motivation collected data : spreading links time information number of viewers (popularity) ... 2 months, 500 participants, 100 000 viewers spreading tree + degree of nodes

slide-46
SLIDE 46

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

21/32

The Happy Flu experiment

web applet participate = copy the applet target = blogs incentives : fun ego-centered interface scientific motivation collected data : spreading links time information number of viewers (popularity) ... 2 months, 500 participants, 100 000 viewers spreading tree + degree of nodes

slide-47
SLIDE 47

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

22/32

Happy Flu : spreading

number of participants and viewers during time

slide-48
SLIDE 48

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

23/32

Happy Flu : visualisation

nodes = web pages with the applet links = spreading links node size ∼ its influence (nb of adopting visitors) node color ∼ arrival time (darker if late)

slide-49
SLIDE 49

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

24/32

Happy Flu : observations

influence is proportional to the presence time even for very popular sites no super-spreaders many visitors ∼ weakly interested visitors ? few visitors ∼ high quality visitors ?

slide-50
SLIDE 50

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

24/32

Happy Flu : observations

influence is proportional to the presence time even for very popular sites no super-spreaders many visitors ∼ weakly interested visitors ? few visitors ∼ high quality visitors ?

slide-51
SLIDE 51

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

25/32

Spreading in Peer-to-Peer

peers (= users) freely exchange files with each other spreading of files among peers – 1st assumption – interest graph between peers : two peers are linked if they have some interest in common – 2nd assumption – spreading of files takes place on the interest graph how to observe this ?

slide-52
SLIDE 52

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

25/32

Spreading in Peer-to-Peer

peers (= users) freely exchange files with each other spreading of files among peers – 1st assumption – interest graph between peers : two peers are linked if they have some interest in common – 2nd assumption – spreading of files takes place on the interest graph how to observe this ?

slide-53
SLIDE 53

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

26/32

Interest graph

– 3rd assumption – approximation of the interest graph : A–B if they provide or seek a same file

A B E D C F A B C D E F 2 3 4 1

files peers (users) inferred interest graph

slide-54
SLIDE 54

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

27/32

Measurement

10 weeks in continuous

  • approx. 90 million peers
  • approx. 275 million files
  • pportunity to observe billions of spreadings

for the first time at this scale

slide-55
SLIDE 55

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

27/32

Measurement

10 weeks in continuous

  • approx. 90 million peers
  • approx. 275 million files
  • pportunity to observe billions of spreadings

for the first time at this scale

slide-56
SLIDE 56

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

28/32

Peer-to-peer – video

for a given file each peer is linked to its providers (∼ spreading tree)

slide-57
SLIDE 57

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

29/32

Key questions

spreading vs adoption fraction vs number homogeneous vs heterogeneous relation with structure ? more advanced models ? a first large-scale case study methodology and proof of concept

slide-58
SLIDE 58

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

30/32

Work in progress

computation of spreading number and ratio for each peer and file distribution of these values distribution per file ? per peer ? idem with adoption threshold weighted interest graph, communities challenging computations which notions to define ?

slide-59
SLIDE 59

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

31/32

Conclusion on spreading

spreading phenomena : an important topic challenge : validate and refine models solution : collect and analyse data

  • pportunity : online activity

two examples : happy flu and peer-to-peer representativity ? measurement bias ? computations

  • ther datasets
slide-60
SLIDE 60

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

31/32

Conclusion on spreading

spreading phenomena : an important topic challenge : validate and refine models solution : collect and analyse data

  • pportunity : online activity

two examples : happy flu and peer-to-peer representativity ? measurement bias ? computations

  • ther datasets
slide-61
SLIDE 61

complexnetworks.fr

Matthieu Latapy Topologie de l’internet

Mesure Observations Evénements

Phénomènes de diffusion

Challenges Happy Flu Peer-to-peer

Questions

32/32

Conclusion

équipe ComplexNetworks au LIP6 des graphes, une approche orientée données mesure/métrologie analyse modélisation algorthmique

  • topologie de l’internet
  • dynamiques de graphes
  • phénomènes de diffusion
  • détection de communautés
  • réseaux sociaux
  • ...

http://complexnetworks.fr postdoc ?