Nat. Rev. Phys.综述：复杂网络的鲁棒性和韧性

二、背景信息三、与渗流理论的联系四、最优渗流和网络瓦解五、级联失效六、防止和应对网络崩溃七、展望论文要点在生物学、社会学和工程学等领域，复杂系统可以通过交互网络中单元间的信息交换来定由于复杂网络的相互连接特性，它们能够将微小的干扰放大至整个系统层面，因此理解它研究复杂网络的鲁棒性和韧性涉及探讨通常依赖于度值连通性、空间嵌入、相互依赖和耦网络科学提供了一系列理论和计算方法来量化系统对扰动的鲁棒性，并提供了基础方法来这些方法在系统生物学、系统神经科学、工程学以及社会和行为科学等多个学科中都有应一、引言在生物学、社会学、社会生态学和工程学等广泛领域中，无论是蛋白质、神经元、个体还是物种等单位，都通过复杂的交互网络进行信息交换[1-3]。这些网络所产生的连接模式通常具有异质性和重尾特征，其中少数单元作为枢纽，而多数其他单元连接较少[4-8]。这些特征显现出明显的介观（mesoscale）组织结构，包括模块化[9-13]、层级结构[14-16]、网络的网络（Networksofnetworks）[17-22]、高阶结构[23-25]以及隐含的几何形态[26-28]。鉴于复杂网络在自然和人工系统中无处不在，理解它们在何种条件下能够充分发挥功能，以及它们在应对外部扰动和/或内部故障的脆弱性程度，显得至关重要[29]。实际上，复杂网络的互连性质面对干扰可能产生正面或负面影响。复杂网络能够展现出丰富的行为，从简单地承受并消化特触发的级联失效[30,31]。值得注意的是，复杂网络的鲁棒性和韧性特征表现为不同类型的相变现依赖或是多层次的[34-36]）和其动力学特性（如存在集体行为的涌现情况，例如同步、流行病传播或耦合动力学等[37-40]）。在实际应用中，研究系统在结构和动力学稳定下对扰动的响应至关重要，这类研究可以帮助我们预测系统可能发生的临界相变[41]。例如，理解细胞代谢网络在特定酶反应的激活或抑制下的级联失效和鲁棒性，对于开发特定疗法、药物再利用，乃至于网络和系统医学领域的广泛应用都有重要意义[9,42,43]。类似地，蛋白质-蛋白质相互作用网络对内部错误或外部干扰的鲁棒性，直接关联到细胞功能及其在生命树中的韧性[44]。在人脑中，局部扰动可能与中风[45,46]等病理状况有关。生态和社会生态系统的稳定性及恢复能力[47-51]，依赖于它们对扰动的鲁棒性。在社会系统中，控制流行病爆发与基础社交网络的渗流特性[38]紧密相关，而金融和经济系统中系统性风险的传播[53-56]，依赖于它们对级联失效的韧性，这与电网中导致普遍停电的情况[57,58]类似。从互联网[61,62]到航空路线[63]等交通网络的效率，以及它们对错误和扰动的容忍度，都可以通过渗流分析来理解[59,60]。尽管这些应用无处不在，且理解导致系统崩溃的条件至关重要，但对相关文献的系统性概述仍然缺失。这篇文章通过回顾当前网络瓦解（networkdismantling）的方法，将现有的实证案例研究分为三个部分：设计鲁棒性、预警信号和适应性响应，以填补这一空白。具体而言，我们首先介绍具有操作性的网络鲁棒性和韧性的理论框架。随后，我们探讨了复杂网络与渗流理论之间的联系，并介绍了在最优渗流和网络瓦解领域中使用的理论和计算方法。我们进一步讨论了级联失效，以及导致刻画网络系统性风险传播的相变发生的机理。我们还讨论了防止和应对网络系统崩溃的策略，并指出了未来可能的研究趋势。值得注意的是，尽管本综述主要聚焦于网络节点的移除，但所讨论的大多数概念、度量和技术同样适用于网络连边的移二、背景信息方式非平凡地相互连接而成的集合。在物理学文献中，网络也常被描述为由座（sites）和键（bonds）组成。网络可以通过邻接矩阵A在数学上表示，其中任意元素Aij在节点i和j之间存在交节点i相关联的连边数目，而更复杂的描述符则被用来捕捉各种网络特征，从三角形聚集倾向到单元间信息交换的中心性等[3]。务。实际上，微观层面的故障并非线性累积，虽然大部分故障可能不会严重影响底层系统的功能，但去除特定元素可能会导致系统的崩溃。系统转向崩溃的过程越突然，就越难以捕捉预警信大多数真实世界网络具有高度异质的连通性[4]，它们通常能够抵抗此类随机故障。另一方面，网络结构可能被代理利用，以通过有针对性的攻击来蓄意破坏系统，如实施免疫策略[64]、打击犯罪网络、虚假信息或恶意软件网络[65,66]，以及对电力和天然气分配系统的恶意攻击等[67,68]。但是，每次攻击都有其固有成本，这取决于特定系统，因为移除一个节点或边对应于一个行动，比如接种疫苗、逮捕或关闭服务器。因此，网络瓦解的目标是通过移除尽可能少的节点和/或边来达到既定目标，从而最小化成本。在数学上，这一过程转化为设计一个移除算法和一个需要相应搜索需要探索所有可能移除的节点和/或边的组合。这个操作随着系统规模呈指数级增长，因为破坏系统所需移除的单元数量并非事先就能知道[69]。比如，在一个只有50个节点的小型网络中，要找到最优的节点集合可能需要测试大约250≈1015种组合。此外，在文献中对于如何衡量系统健康状况或确定网络瓦解的目标，即攻击的具体目的，尚无普遍共识。换句话说，我们应该如何量化迄今为止对系统造成的损害，以便停止攻击？在网络瓦解过程中，又应优化哪些功能呢？在损害衡量方面，最常见的方法是应用与渗流相关的指标，如监控最大连通片（largestconnectedcomponent，LCC）的大小，并在其达到预定目标大小时停止攻击[70]。此外，也有研究利用其他网络指标，如网络效率[59,71]或嵌套性[50,51,72]。然而，对同的研究有不同的焦点，有些旨在寻找可能的最小节点集合[29,69]，有些则致力于在攻击开始后尽可能减小LCC的大小[68]，还有些则关注于降低网络瓦解的成本[66]，因为某些节点的移除可能比其他节点更具成本。这些目标并不总是相容的，且目标的选择还取决于特定应用和攻击期间可另一个需要考虑的问题是攻击算法本身的计算成本，这可以通过算法的运行时间和内存使用量来以用来严格比较不同算法的效率。具体来说，主要假设是算法的运行时间与其执行的基本操作数量成正比，这些操作数量以输入大小的函数形式表达，并且假设所有类型的操作所需时间相同。尽管这个假设并非完全准确，但它是衡量随着输入大小增加所需时间如何变化的良好近似，并且不受硬件、软件或编程语言配置的具体影响——理论上，每个算法至少可以构建一个优化配置。特别是，常用于比较的大O符号[74]，表示作为输入大小的函数时执行的操作数量的渐近值，并除非另有明确说明，通常指的是最坏情况。实际上，最优情况通常与简单的实例相关，因此并不重要，而平均情况则通常难以计算，因为它取决于特定的输入和算法路径。例如，时间复杂度为O(N)表示给定输入大小N时，算法执行N次操作，而O(N2)表示执行N2次操作。对空间复杂度的考量也类似，它衡量内存使用量如何随输入大小变化。然而，值得注意的是，由于空间复杂度通常不是算法的限制因素，所以文献中通常不考在接下来的部分，我们将探讨前述理论问题与渗流理论之间的直接联系。渗流理论是统计物理中广泛应用的框架，用于研究系统的行为及其对扰动三、与渗流理论的联系渗流理论无疑是处理网络瓦解问题最直接和最直观的框架，因此也是被研究得最多的。这个著名模型最初在凝胶研究中理论上被提出[75]，后来在统计物理[32,76]和概率论[77]领域进一步发展，并在科学和工程的各个领域得到广泛应用[78-80]。渗流可以视为一种实验，在此实验中，根据一），连通。因此，网络退化导致的功能损失可以映射到渗流模型的相变过程。在操作上，这通常通过诸如临界点和最大连通片（LCC，在热力学极限下也被称为巨组分（giantcomponent的大小来方便地表征，从而提供对网络瓦解过程的定量和定性洞察（见图1b-d）。图1渗流作为网络鲁棒性的静态方法。a、由于根据预定义的移除协议Φ选择了一些节点（灰色节点），网络解体。干预的结果是网络分裂成三个连通片，它们的大小分别为S1、S2和S3。这些簇大小是渗流研究中的一个核心量。b-d、Φ的性质与控制参数相关，严重影响网络的响应，导致最大连通片大小的不同类型的相变。e、具有均匀和异质连接模式的网络（粗略地说，度分布的二阶矩与平均值的平方相当或远大于平均值）对故障和有针对性的攻击的响应方式。圆圈代表连通分量，其半径取决于其节点数量。每个垂直列假设删除相同数量的节点或链接。e部分改编自参考文献[225]。在复杂网络中，节点在结构或功能上并不如规则晶格（RegularLattices）中的节点那样同质。存在大量的方法和度量标准，可以根据不同的标准对节点进行排序，这些通常是由具体应用驱动的。这种内在的异质性提供了多种攻击策略的选择，从而使我们能够在许多与物理学相关的场景下评估网络的鲁棒性。例如，随机选择节点的方法被用来模拟系统中发生的故障和错误，而更精细化的针对性攻击则可以作为有信息的干预措施来执行。这种干预可能基于拓扑信息，例如移除具有最多连边或最大中心性的节点[81,82]，或者基于非拓扑信息，例如根据节点或连边的元数据来进行干预[83]。网络瓦解策略与网络拓扑之间的交互是非平凡的。无论是在人工网络还是在实证网络中，同质或对于异质网络，如无标度网络，由于枢纽节点的作用，故障和攻击会导致不同的响应。当故障随机发生时，枢纽节点非常有效地维持着网络的连通性，但如果节点作为目标被直接攻击，则网络会迅速分裂——这就是异质网络所特有的“鲁棒而脆弱”（robust-yet-fragile）的特性（见图1e）。同质网络和异质网络之间的这种差异与非相关网络中瓦解点的预测一致[84,85]；并且已经通过基于生成函数（generatingfunctions）的理论方法得到了更系统和定量的描述。依赖生成函数的方法优势在于其数学上的灵活性，能够包含更广泛的情况，同时对临界指数提供一定的预测力[85,90,91]，或者对临界点和最大连通片大小提供封闭形式的公式（Closed-formequations）[92]。这些方法假设底层网络是配置模型（configurationalmodel）的退火版本，因此在系综级别处理网络鲁棒性，并有助于揭示度分布pk或其参数所起的作用。例如，给定一个节点移除协议Φk与度数相关，那么最大连通片的大小SGF由以下方络瓦解点由相应的方程给出。类似的方程也可以用于随机连边故障的情形[93]。通过这些方程，得注意的是，只要网络中的连接模式不是特别异质，刻画相变的临界指数也是一致的，并且它们与网络无关，等同于平均场预测[76]。然而，这些结果不适用于更异质的网络：例如，在无标度网络中，普适性等价性被打破[94]，且临界指数可能依赖于度分布的指数[85]。针对连边的定向攻击在文献中的探讨相对较少。为了在瓦解过程中编码链接信息，需要同时考虑链接两端节点的拓扑属性，这需要比之前提到的方法更复杂的数学处理[95]。尽管如此，许多实证网络是加权的，或在连边上定义了特征和/或元数据。因此，将瓦解问题在这些情况下公式化，生成函数用以精确预测实证网络的鲁棒性方法可能并不总是实用的，因为我们关注的是特定网络拓扑对于故障的响应，而非关注网络的整体。在这种情况下，消息传递方法（message-passingmethods）可能更为方便，因为它使用网络的实际连通性而非其度分布作为输入，来计算渗流量[97-100]。这种方法导致了更复杂的数学和数值处理，但通常能提供比基于生成函数方法更好的最大连通片和临界点估计[101,102]。例如，如果我们用Φi表示节点i未被移除的概率，网络的巨组分SMP的大小由如下公式给出：是为了避免回溯信息，尽管考虑短程环路的其他选择也是可能的[102]。在接近瓦解算子G的最大特征值相关。对于常数占用概率φi=φ,可以得到Φc=1/λmax，其中λmax是G的最大消息传递方法也可以用于键渗流。如果随机选取的一部分1-φ的连边从网络中移除，则最大连通分量的大小由给SMP/φ出。因此，消息传递对于座渗流和键渗流预测了相同的渗流阈值，这与基于生成函数的预测一致[94]。基于连边攻击的网络瓦解可以在这个框架下轻松实现，因为每个独立连边的移除概率可以编码在一个新的占用概率向量φ'中，然后将其应用于键渗流的消息传递方渗流理论还有助于对呈现出拓扑关联的网络的鲁棒性进行预测，这是大多数实证互连系统的一个特征。其中一种关联被称为同配混合（assortativemixing）[103]，即节点倾向于与相似类型的节点相连。在度数上同配的网络比那些不同配模式的网络更为鲁棒，因为枢纽节点创建了一个在随机攻击或枢纽攻击面前能够维持网络连通性的冗余核心[104]。局部聚类的存在，即相对于随机网络而言封闭三角形的过量，也以不同方式被考虑。根据聚类的定义方式以及其值是高还是低，网络可能被认为比其未聚类的对应系统鲁棒或更不鲁棒[105-108]。超越局部拓扑关联，展示介观非中的节点引起，另一个由外围中的节点引起[110-112]。另一种结构是k-团，基于渗流的分析有助瓦解可能会以一种极难预测的突然方式发生，因为缺乏明显的预警信号。这类突变可能会对社会经济产生巨大影响。最近的例子包括2008年金融危机[114]带来的深远影响，以及COVID-19的传播[115]导致全球经济衰退和生活标准的根本性改变。因此，识别可能出现突然相变的情景具有重要价值。渗流理论提供了多种机制，可以引发这种剧烈的拓扑分裂。其中一种是所谓的k-核渗流，即迭代地移除所有度数小于k的节点[116]。对于k=2，相变是连续的，但对于k>2，它变为混合型。自举渗流(Bootstappercolation)也可能呈现不连续和混合型相变，它允许被移除的节点在其邻居数量超过一定阈值时恢复[117]。此外，还有一系列基于特定选择规则的模型，可能会显著加速或延迟达到临界点，尽管这需要依赖于介观层面的信息[118-121]。其中最著名的是导致爆炸渗流（explosivepercolation）的乘积规则[122]。乘积规则包括随机均匀选择两条连边，并移除连接的两个组分规模乘积最大的连边：这样，渗流的开始变得突然。此外，瓦解点发生在基于随机连边选择的渗流案例之前。尽管这种相变看起来突然，但已经证明，乘积规则的爆炸性转变实际上是连续的，但具有独特的临界行为[123-125]。关于爆炸渗流的更多信息可以在最近的一篇综述中找到[126]。最后，与不同网络耦合时的互依赖性相关的机制也可能导致突然的瓦解，互依赖性在研究级联失效中起着核心作用，将在下一节中讨论，但它们可以用静态渗流框架进行建模，并揭示出不连续相变出现的条件[127]。总体而言，由于其灵活性、低计算成本和强大的分析能力，渗流理论在网络鲁棒性研究中占据了核心地位。它提出了根据某些度量来瓦解互连系统的准则，从而揭示了这些精确指标对于系统脆弱性的重要性。然而，在其他情况下，干预准则不依赖于特定度量标准，而是以实现特定目标为导向。基于这一思路，我们在下一节将重点讨论旨在寻找尽可能高效地瓦解网络的策略的算法。四、最优渗流和网络瓦解寻找最优策略，即找出实现网络最快瓦解的最小节点集合，是最优渗流问题（Optimalpercolation）[128]，也被称为网络瓦解（networkdismantling）[69]。这是一个组合优化问题，），早期的工作致力于通过评估节点的一系列拓扑中心性来找到破坏网络的最小节点集。破坏网络的一个简单策略是按照中心性评分的顺序攻击节点。最基本的评分方法是节点的度值，这种方法基于“连接越多越好”的直觉偏好于枢纽节点[29,73]。这些策略也可以分为静态和动态两种，前者在然而，在某些情况下，关键节点并非连接最多的节点，而是那些连接较少但在网络核心占据战略位置的节点。这些拓扑桥梁体现了社会学中的一个基本概念，即“弱链接的力量”[129]。为了找到这些关键节点，已经提出了许多启发式的中心性度量标准。它们可以大致分为以下几类：基于度于机器学习的方法。更高层次的分类中，可以区分出真正基于拓扑描述符的结构性方法，和基于最优渗流将寻找最优节点攻击集的搜索过程系统化，试图找到一组节点配置n*，对应于最小的移除比例，使得网络G∞的最大连通分量被最优地瓦解[128]：最优渗流是一个NP-hard的组合优化问题[130]，由于无法实现G∞(n)的显式函数形式，使得这个问题难以直接解决。然而，对稀疏网络[128]，存在一个近似解方案，从而引出了集体影响力序列，这些攻击是对非回溯矩阵最大特征值最小化的连续逼近。这就产生了具有度值ki的节点i的提供了对最优渗流集的良好近似。后来，基于消息传递[132]和置信度传播（beliefpropagation）[133]的更好算法被提出，包括去环瓦解[69,134]以及爆炸渗流[64]。这些方法严谨地处理了最优渗流问题，增进了我们的理解，并进一步产生了一系列适用于大规模复杂系统复杂而高效的算片的最优瓦解。对于稀疏随机网络，小连通分量中很少存在短环。如果切断最大连通片中的长环，网络将分裂成小的树状片段。最优去环阈值对应最优渗流阈值的上限[69]。最优去环是一个NP-hard问题，可以通过置信度传播算法近似求解。已经开发了两种方法：置信度传播引导的化简算法（thebeliefpropagation-guideddecimationalgorithm）[134]和Min-Sum算法[69],尽管复杂度有所增加，它们找到的影响力节点集合比CI算法更小。特别是，这两种算法首先通过消息传递算法对网络进行去环处理，然后使用树破坏器算法（tree-breakeralgorithm）分解所考文献[69]中提出的贪婪树破坏器算法的复杂度O(N(log(N+T)))随T和N数量级缩放，其中T是森林贪婪过程，重新插入实际上不需要的节点以达到预期目标。这个重插入阶段旨在减少实际从网络中移除的节点数，从而降低攻击成本，适用于胖尾网络，在这些网络中，去环和瓦解问题并不等同。这一阶段报告为亚线性时间复杂度，但确切的复杂性尚未明确[135]。启发式算法，对于稀疏网络其复杂度为O(N)，其思想是通过迭代从2-核中移除度值最高的节点来实现去环，然后采用与Min-Sum算法相同的树破坏和重插入算法。爆炸性免疫算法[64]基于爆炸渗流相变。广义网络瓦解[66,136]旨在解决非单元的移除成本问题，并基于迭代移除那些能最大其他研究还提出了基于机器学习的攻击策略，如基于机器学习的图瓦解（graphdismantlingwithmachinelearning,GDM）[68]和FINDER[137]。这两种方法都利用几何深度学习，具体来说是图合数据上进行监督学习，而FINDER采用强化学习方法。另一个算法是CoreGDM[138]，它受到CoreHD的启发，使用GDM模型攻击网络的2-核。此外，还研究了欧几里得空间和双曲空间中网络嵌入的性能[139]。最优渗流还在多重网络[140]和博弈论[141]上在网络动力学信息流方面，最优渗流旨在寻找能阻止信息传播的“超级阻断者”的最小集合[142]。并不一定等价[143]。然而，在一种特定形式的线性阈值传播模型中，阈值由给出，在这种情况下，最优渗流与影响力最大化问题等价[128,130]。影响力最大化问题的目标是找到能在网络中引k，我们希望找到一个具有最大影响力σ(S*)的k节点集合S*：这种方法将最优渗流的应用扩展到了各种社会问题和更广泛的领域：影响者理论在多个应用中发挥作用，比如在社交媒体中识别有影响力的传播者、在大流行病中找出超级传播者、识别可能导致疾病的遗传网络中的关键基因突变、确定大脑中对整合至关重要的区域、识别其灭绝可能引发生态系统崩溃的关键物种，以及寻找“大到不能失败”（toobigtofail）的金融机构。为了实现这一目标，研究者提出了一种基于将网络状态编码到适当定义的密度矩阵中的方法[145]。在这种方法中，网络的鲁棒性在与信息通过网络传播所需时间尺度相对应的多个层面上进行分析[146]。对社会、生物和交通系统的实证应用表明，对信息动力学至关重要的节点也负责保持网络的结构完整性，但反之并非必然成立，并且功能性瓦解往往在完全结构性瓦解之前发生表1总结了上述算法及其主要特点。在进行鲁棒性评估时，需要针对每个待瓦解的特定网络评估2带有重新插入功能的GDM算法是最快瓦解它的，大约在309个节点中仅需移除20个。然发现最优算法在各领域内部和跨领域之间都存在差异。关于所选实证网络的更多详细信息，请参见附表1和2；对于合成网络以及Lancichinetti–Fortunato–Radicchi模型的比较，请参见附表4和法是否包含重插入节点的阶段；c报告针对稀疏网络图2最新网络瓦解方法的比较。a,算法在驱动系统——一个拥有309个节点的巴西腐败网络[65]——走向瓦解方面进行了比较，瓦解程度通过最大连通片的相对大小来衡量。b-g,展示了部分a中不同曲线的瓦解路径。节点的颜色（从深红到白色）代表攻击顺序（灰色节点未被移除），节点的大小代表它们的介数值。攻击后剩余节点的轮廓颜色代表它们所属的簇。部分a改编自参考文献[68]，MS+R，即Min-Sum算法加上重插入阶段。表2真实世界网络瓦解的平均方法下曲线面积（AUC），按类别分组注：每种方法的瓦解目标是网络大小的10%。通过使用辛普森规则对∣LCC(x)∣/∣V∣（最大连通片（LCC）大小作为移除节点的函数）值进行积分计算AUC。为了便于阅读，每个网络的AUC值表示为在该网络上表现最优的方法所得值的百分比，即AUC越低越好。完整结果可在补充表3中查看。ADPageRank；+R,执行了重插入阶段。aCI和CoreHD与其他+R算法进行了比较，因为它们包含了重插入阶段。法）来寻找最优的瓦解集合qc。然而，由于搜索空间维度大，这些算至此，我们已经从渗流模型的静态视角出发探讨了鲁棒性和韧性。然而，我们期望能够处理这样一种场景：网络中小规模的故障以随机或有针对性的方式发生，并可能引发全局范围内的效应，五、级联失效网络中可能发生的最具破坏力的过程是级联失效。实际系统所遭受的错误和攻击通常具有动力学特性，哪怕它们源自系统的某个小的、局部的区域，也可能进一步扩散，直至整个系统灾难性地态渗流框架存在差异，但我们仍借用了一些来自渗流理论的指标来衡量级联失效的鲁棒性和韧性，比如在级联停止后未出故障网络中最大联通片的大小，或者存活下来的最大联通片瓦解时所图3网络失效的演化。a,在美国-加拿大南部电网的级联传播模拟后的电力线路状态图：未经历停电的线路（绿色）和受影响的电力线路（灰色）。下排：级联由三个故障触发后，受损线路（黄色）演化快照，重缩放时间为t=0。b,推特上的信息级联。在诺贝尔奖公告前、期间和之后，有关希格斯玻色子发现的推文密度（上排），以及相应的信息重分享网络（下排）。c,由相互依赖关系支撑的模型系统中两层耦合网络的故障演变。垂直箭头代表依赖关系。节点颜色表示功能节点（黑色）、最初故障的节点（黄色），以及因不属于最大簇（红色）或依赖于另一个网络中故障节点的单元（蓝色）而被移除。d,最大连通片的大小(Φt）作为级联步骤（t）的函数。浅蓝线对应于动力学的个体实现，标记表示它们的平均值。深蓝线为理论预测。e,f,最大连通片的静止大小（P∞)作为最初移除节点比例（p）的函数。实线显示理论预测。n是耦合层的数量；q是双层网络中相互依赖节点的比例。g,阈值模型中级联停止时的最大连通片，作为阈值R和底层Erdős–Rényi网络的平均度〈k〉的函数。虚线指出级联出现的分析预测。h,对于固定R=0.18，级联停止时的最大连通片(ρ)随平均度〈k〉的函数。i,在两个网络之间的非平凡中间互联水平p（金色曲线，菱形符号）可以缓解大规模负荷削减级联。然而，过多或过少的互连会引发更大的级联，并对鲁棒性产生不利影响。Taa(Tba)表示在网络a中展开的级联大小，用于在网络a（b）开始的级联。Ta是不区分级联开始位置的网络a中的级联大小。网络a和b各有2,000个节点。部分a经授权转载自参考文献58。部分b改编自参考文献226,。部分c改编自参考文献19。部分d-f转载自参考文献19。部分g,h经授权改编自参考文献171。部分i经授权改编自参考文献190。围的特定系统的微观、领域导向的特性。相反，我们主张应将注意力集中在大尺度模式和众多看其中一模型大类是那些通过相互依赖关系传播故障的模型。这是系统理论中的一个核心概念，指的是宏观系统的不同微观和介观部分之间存在的依赖关系，这些关系支持整个系统的正常功能。从生物化学到人造行星工程系统，这些例子遍布许多科学分支[149]。两个等效的理论框架，即多层网络[21,22,150-152]和网络的网络[153,154]，已成功用于构建这类级联的模型。在这些模型静态渗流不同的是，这种情况涉及到一个逐步退化的网络的快照，其瓦解由依赖相关规则指导2003年，意大利电网因一座电站损坏而发生大停电，导致一些互联网通信网络故障，进而在两个系统间形成了故障的正向反馈循环。这一事件启发了一个理论模型，用于研究双层网络中由相互依赖性引发的级联失效[17]。渗流量，如最大联通片的大小，可以在根据该模型演变的系统的每合子系统[19,155]、部分和非对称的相互依赖关系[156,157]等。例如，如果层i=1,…,n遭受失效或攻击，导致Φi的功能节点比例下降，而qji表示层i中直接依赖于层j节点的节点比例，那么层中最大连通片的稳态值，可以通过求解以下方程组得到系连接到i的层的数量[158]。也可以对由连边故障驱动的级联进行分析处理，但与节点故障传播机公式（9）至（11）预测了一系列丰富多彩的现象，然而这些现象对相互依赖系统的鲁棒性产生了显著影响。最显著的现象是，随着网络拓扑参数的变化，级联过程结束时最大联通片经历了一个不连续的相变。这种突变导致系统的突然崩溃，而随着完全耦合子系统的数量增加，这种崩溃提高相互依赖耦合系统鲁棒性的见解。目前已识别出三种主要方法：增加自主节点的比例，特别是那些高度数的节点；在相同度数的节点之间设计依赖关系；以及特别注重保护高度值节点不受故障和攻击的影响。在大脑网络的背景下，如果考虑到拓扑相关性，可以提高网络对相互依存引发的级联效应的鲁棒性。我们建议读者参考最近的综述文献[162,163]及其引用文献，以更深入地另一类模型起源于集体行为理论，即所谓的阈值模型（thresholdmodel）。在这些模型中，我们假定一个节点的邻居对其状态改变的影响——也就是从正常运作转变为失效——并非随失效邻居数量n线性变化，而是只在超过某个阈值后才会起作用。这类模型通常应用于社会心理学领域，以便理解在什么样的情境下，社会行动者会决定传播谣言、潮流和假新闻，或采取特定行为。这个问题当然与社会层面的网络鲁棒性和韧性密切相关：众所周知，信息的传播可能对公共卫生系统构成严重威胁，极化辩论，甚至破坏公众对民主制度的信任[167,168]。但另一方面，信息传播也可能带来积极影响，例如促进创新等[166,169]。无论如何，这些模型都可以轻松地应用于其他方法是假设，如果一个节点出现故障邻居比例超过某个特定阈值，那么该节点将会出现故障。这[170]那么当阈值较大时，全局级联非常罕见。如果平均度值太小，几乎没有节点能够传播故障，且这些节点彼此孤立；因此，全局级联无法形成。然而，如果平均度值太大，因为大量正常运作的邻居会稳定节点使其始终低于阈值，级联无法发展。下限临界平均度几乎不依赖于阈值，而上限临界平均度则强烈依赖于它。在这两个点之间，容易触发全局级联。全局级联的出现条件及其规模估计已成功推广到具有拓扑关联性的网络、时间和多层网络[173-180]。类似地，人们也采用了更复杂的故障条件，如结合相对和绝对阈值[181]，仅设定绝对阈值[182]，或包括过去故障暴露的记忆[183]。我们在这部分讨论的最后一组模型是过载模型（overloadmodel）。在这些模型中，节点（或连——也就是所谓的容量限制——就能正常运作，而这个容量限制理论上可以通过人为干预进行调整。在发生故障或攻击之后，负荷会根据某些规则重新分配，这些规则取决于所要模拟的系统类型，可能导致一系列过载和新的网络内分配事件的链式反应。级联将在所有节点的负荷恢复至其沙堆模型的自组织临界性是最具代表性的负荷重新分配机制之一[184,185]。这些模型的特点是缓加任何负荷，这通常很好地近似于实证过程，因为级联的展开通常是最快的时间尺度。由于网络中的节点具有不同数量的邻居，将节点容量设置等于其度值成为一种自然选择[186]，尽管还有其他选择可能[187-189]。此外，为了避免网络因负荷过载而饱和，需要在转移负荷时以一定的概率移除部分负荷。在相互依赖的电网背景下已经分析过减负级联模型，在其中发现了一种优化网络界性规则与Kuramoto模型相结合时，会出现龙王事件（Dragonkingevents）（即更大级联中的中心性（betweenness）关联起来，因为最短路径与交通或路线分配之间存在正相关性[30]。在该模型中，每个节点的容量与其初始介数中心性成正比，当一个节点出现故障时，会发生全局负荷重新分配，可能导致新的节点过载，这些节点并不一定位于先前故障的附近。这种非局域性在空间嵌入网络中容易被直观观察到[35]。对非局域性进行完整、明确的表征仍是一项分析挑战，但已经有不同视角的努力旨在更好地理解其复杂性[192-195]。具有异构的度分布或者介数中心性分布的网络，如果节点容量不足够大，被发现在面对针对性攻击时极其脆弱[196]。事实上，即使只有一个节点（选择那些介数中心性或度数最大的节点之一）作为初始压力源被破坏，网络也可能崩溃[30]。相反，即使节点的容量很低，无论网络是同质还是异质连接，随机选择一个节点作为初始干扰并不是一种有效的策略来破坏网络。然而，已经在分析上证明，对于足够大的随机选择的节点集合，网络可能遭受一个不连续的瓦解相变[197]。在单层和多层网络中都有报道不连续转变的数值证据[198]。过载模型还在链接故障和干预的背景下进行了研究[199-203]。到目前为止，我们讨论了静态干预的拓扑影响和有效性，以及局部故障如何在宏观网络部分传播的不同机制。在下一节中，我们将介绍互补视角，即如何以主动和预设的方式防止和应对这些现六、防止和应对网络崩溃网络崩溃可以通过在其形成阶段应用某些设计原则来预防，这些原则旨在提升网络对随机故障和针对性攻击的韧性[204-208]。然而，这些设计原则并非总是得到应用，或者更糟糕的是，可能被在网络构建时无法预见的高级攻击策略所规避。在这种情况下，即将发生的网络崩溃的早期预警指标[68,209-214]以及对正在发展的崩溃进行的修复和自适应响应[215-217]成为最佳防线。通过促进自发恢复[218,219]或通过微观干预来引发崩溃[215-217,220]，可能可以预防系统性崩溃。这些干预应当采取成本效益高的基于网络的程序[221,222]。网络设计的早期尝试可以追溯到1970年代研究的图增强问题。那时得出的一个成果是，使有向图期的网络设计策略则是在2010年代中期提出的[204,205]。特别是对于无标度网络和具有双峰度分布的网络，如果除了一个节点外，所有节点的度数相同，且接近每个节点的平均连接数，同时剩是一个映射，给出了损害d∈D之后的新网络，则损害d的重要性由性能的相对下降给出，其中te(s,d)]≥0。此外，定义临界损害d*∈D为最小化的损害。然后可以将G因D而产生的脆弱性V定义为[205]。其中，WG,D)=[(G,d是网络G在损害类别D下的最差性能。同样，我们可以通过映射N(G,)定义一组改进i∈I，对网络G进行改进，以此实现在临界改进i*条件下网络的最优可提升相对增加给出，其中[205]。然而，对于可优化的内容存在一个基本限制：实际上，网络的鲁棒性和其表现是难以同时最大化的竞争特征[223]。网络设计的概念已进一步扩展至相互依赖的网络体系中[206,162,224]。一个网络系统的稳定性依赖于其内部结构与与其他网络连接模式之间的关系。更具体地说，为了使一个互依赖网络在设计上被认为是鲁棒的，其相互连接应由网络枢纽节点提供，同时网络间的连接应适度集中。如果这两个条件得到满足，那么网络系统可以被认为是稳定的，并且对故障具有鲁棒性。这一结果也已在任务和休息状态下的功能性大脑网络实验中得到证实[206]。但即使采用了最佳设计实践，网络崩溃有时仍然难以避免。在这种情况下，早期检测至关重要。早期的研究表明，荷兰银行间网络在2008年全球金融危机前夕的许多拓扑属性显示出突然的变化[210]。对于社会生态网络而言，网络协方差矩阵的最大元素被用作预警指标的基础，有效地标示了网络不稳定性[211]。在耦合的人类-环境系统中也有类似的概念被提出，尽管它不是基于网络的范式（formalism而是基于临界点理论[214]，将临界点理论与以发展出作为早期预警信号的临界减速指标，用于检测结构复杂的生态群落接近潜在临界点的情况[212]。此方法在79个实证互惠网络中成功应用，有效识别出监测社区临近崩溃的关键物种。基础设施和技术网络[68]，其效率甚至超过了人类的启发式策略。值得注意的是，这个底层程序还可以进行反向工程——机器可以评估未来攻击带来系统解体的概率——从而开发出网络崩溃的预警信号。更具体地说，如果S0是导致网络渗流的虚拟移除节点集，且符合以下约束那么，在移除一组通用节点集S后，网络的预警值Ω可以