Eïnes d’aprenentatge no supervisat per millorar la robustesa de xarxes

Abstract

La robustesa es defineix com la característica d’una xarxa que reflecteix la capacitat d’aquesta a l’hora de continuar funcionant correctament davant de fallades o atacs i és un aspecte fonamental que s’ha de considerar durant el disseny de qualsevol classe de xarxa: una fallada crítica pot deixar una part significativa de la xarxa sense servei. Tot i la seva importància, el càlcul de la robustesa d’una xarxa no és trivial perquè s’han de simular centenars de variacions de la xarxa original, a la que s’han eliminat un o més elements, i milers de mètriques complexes de teoria de grafs. La contribució de la tesi no és una nova forma de calcular la robustesa, sinó un estudi sobre la robustesa de les xarxes de telecomunicacions publicades al dataset Topology Zoo per descobrir quines són les mètriques de la xarxa original més rellevants a l’hora d’explicar la seva robustesa. El segon objectiu és classificar i clusteritzar aquestes xarxes per quin és l’atac més devastador, entre el Betweenness Centrality, el Closeness Centrality, l’Eigenvector Centrality i el Nodal Degree. Tanmateix, aquesta estratègia no ha estat viable perquè totes les xarxes han resultat vulnerables al mateix atac

Robustness is defined as the characteristic of a network that reflects capacity of this when continuing to function correctly in the face of failures or attacks and is one fundamental aspect that must be considered during the design of any type of network: a critical failure can leave a significant portion of the network out of service. Despite its importance, the calculation of the robustness of a network is not trivial because there are of simulating hundreds of variations of the original network, in which one or more have been removed elements, and thousands of complex graph theory metrics. The contribution of the thesis is not a new way of calculating robustness, but a study on the robustness of telecommunication networks published in the Topology Zoo dataset by discover which metrics of the original network are most relevant when explaining its robustness. The second objective is to classify and cluster these networks by which is the most devastating attack, between Betweenness Centrality, Closeness Centrality, Eigenvector Centrality and the Nodal Degree. However, this strategy has not been viable because all networks have been vulnerable to the same attack