社交网络中的信息对抗过程仿真

王晓煜，牟向伟，蒋晶晶

（1.大连东软信息学院信息技术与商务管理系，辽宁大连 116033；2.大连海事大学交通运输管理学院，辽宁大连 116026）

社交网络中的信息对抗过程仿真

王晓煜1，牟向伟2，蒋晶晶1

（1.大连东软信息学院信息技术与商务管理系，辽宁大连 116033；2.大连海事大学交通运输管理学院，辽宁大连 116026）

社交网络已经成为目前最快、最有效的信息传播媒介，为了分析社交网络中对立信息在传播时互相竞争对抗的演化过程，本文首先利用小世界网络模型来模拟社交网络中人际关系与信息传播环境，并基于一定假设条件提出一种信息对抗演化过程模型，通过对该模型进行分析，揭示了两种对立态度的信息在社交网络传播时互相影响与互相竞争的演化过程.在实验中，对不同初始状态的信息对抗过程进行了仿真模拟，并使用信息对抗演化过程模型对整个过程进行预测，实验结果表明，总体演化趋势与预测结果相符.对实验结果的分析还表明该模型可以从理论角度解释某些网络推广手段的可行性.

信息对抗；社交网络；信息传播；模拟仿真

近年来，社交网络作为信息传播最有效的媒介已成为人们获得信息和传播信息的重要方式．社交网络媒介通过人与人之间的关系来传播信息，与传统传播媒介相比，最显著的特点就是“去中心化”，在社交网络媒介中每一个人都是“自媒体”，“去中心化”的特征为消息高速传播创造了有利条件．目前对社交网络的研究，大多集中在对社交网络结构[1-5]和信息传播机理的研究[6-10]．对社交网络中人们的态度或观点的扩散与演化涉及不多，尤其当有两种对立的态度同时传播的时候，其演化过程是如何互相竞争并互相影响，是基于社交网络的舆论传播研究工作面临的重大学术和技术问题，对研究社交网络中的信息传播规律和舆论观点的形成具有重要的理论意义．针对该问题，本文的研究是把对立态度在传播中争取更多个体认同的动态过程进行理论建模和数值仿真研究，具体步骤是首先利用复杂网络理论并基于一定信息传播假设条件模拟社交网络信息传播环境，其次建立信息对抗演化模型并利用传播动力学相关理论对演化模型进行分析，最后利用该模型在数值仿真实验中预测信息对抗演化的状态和趋势．

1 社交网络信息传播模型

1.1 基于小世界网络的社交网络结构模型

复杂网络的研究成果表明，人际关系网络既不是完全规则的，也不是完全随机的，而是“小世界”网络．小世界网络是Watts和Strogatz于1998年提出的一个基于人类社会网络的模型，该网络既有与规则网络类似的较大的集聚系数，又具有与随机网络类似的较小的平均距离[11]，这两种特性综合在一起被称为“小世界效应”．小世界模型已经在许多领域得到应用．如互联网控制，计算机病毒传播，传染病的传播预测等等．小世界网络主要有两种生成演化算法;

1.1.1 Watts-Strogatz模型（WS模型）

1）初始为一个排成环形的包含N个节点的规则网络，每个节点的度为k，即每个顶点同它的k个邻居相连（每一侧有k/2个连接）；2）以某个很小的概率p断开规则网络中的边，并随机选择新的端点重新连接，排除自环和重连边；3）重复2），直到遍历所有的边．

1.1.2 Newman-Watts模型（NW模型）

1）初始为一个排成环形的包含N个节点的规则网络，每个节点的度为k，即每个顶点同它的k个邻居相连（每一侧有k/2个连接）；

2）对规则网络中的节点，以概率p随机选择新的节点重新连接，排除自环和重连边；

3）重复2），直到遍历所有节点．

小世界模型与现实生活中的人际关系网络很类似，一个人的朋友多是自己身边的人，主要集中在邻居，学校，工作单位等地点，但也会有少数好朋友在外地甚至是国外等，在社交网络中人际关系网是舆论人际传播的载体，许多相关研究针对不同类型的社交网络进行实证分析后发现多数社交网络具有小世界、层次性和社团结构等共性[12-16]．本文利用NW模型来构建具有小世界特性的人际关系网络，并对具有小世界特征的社交网络媒介中的信息对抗现象进行分析．

1.2 社交网络中的信息传播环境假设

在信息传播中，能够影响传播效果的因素很多．个体本身的意识形态、利益背景甚至心理因素，媒体与个体间的相互影响，个体间大量意见的交换与态度的改变等等，都体现了复杂性与不确定性特征[17]．本文通过建立以下传播假设条件并结合社交网络结构模型，来模拟社交网络中的信息传播环境．

1）态度假设：关于某个主题的信息开始传播的时候，个体会拥有不同的态度，包括支持，中立和反对3种态度；2）传播假设：个体通过社交网络除了传播信息，同时也将自己对信息的支持和反对态度传播给邻居，邻居有一定的概率接受该态度，并可进行再次传播，并且不同态度的信息传播概率不同；3）趋同性假设：在信息的传播过程中，持有某种态度个体对信息的态度会随着邻居的不同态度而发生改变，变化为某种态度概率与持该态度的邻居数量和该态度的传播概率成正比；4）态度转化假设;态度持有者的转化过程会经历”持有某种态度”到”怀疑持有态度”再到”转化为对立态度”的过程，用于模拟人们从相信到怀疑最后改变自己态度的心理过程．

本文提出的信息传播模型是由社交网络结构模型以及传播假设条件共同组成．基于社会影响理论，在舆论的演化与形成过程中，大多数人最终会形成的态度倾向往往更容易受周围人际关系的影响[18]．因此在在以上假设中，简化了信息传播中个体的意识形态、知识背景等因素对态度产生和传播的影响，强调的是人际交流对个体态度产生的影响．

2 信息对抗演化分析

根据态度假设，设某一时刻有支持态度I+、反对态度I和中立态度S在整个网络中的密度分别为和s，i+和i个体分别持有关于某个主题内容的两种对立态度，s代表不了解此主题内容有关信息或不确定应该接受某种态度的个体成员．

根据传播假设，关于信息的态度由I+态个体或I态个体开始向邻居传播，设I+的传播概率为，I传播概率为．过程如公式(1)所示

根据趋同性假设，在某一时刻，密度i+会随着I+态度在网络中的传播而增加，增加的数量与当前时刻密度i+以及与这些个体直接连接的S态邻居的数量以及i+的传播概率成正比．同时，密度i+也会随着I态度在网络中的传播而减少，减少的数量与当前时刻密度i以及与这些个体直接连接的I+态邻居的数量以及i的传播概率成正比，根据态度转化假设，被转化的I+态个体并没有直接转化为I态，而是先转化为S态个体．对密度i可得相似的分析结果．因此，i+，i和s随时间的演化模型方程，如式(2)所示．

其中：＜k＞为社交网络的平均度，本文以均匀网络模型小世界网络来建立社交网络结构模型，因此使用平均度可以用来代表个体的平均邻居数量，值得注意的是在非均匀网络中不能以平均度来刻画整个网络的度分布情况，需要将网络中的节点按度进行分组之后再进行演化分析，演化模型会有所不同．式(2)所描述的演化过程类似于不同态度信息利用社交网络中的人际关系进行传播以争取更多个体的过程，可以看做是一个动态的竞争或两种态度的对抗过程．

3 实验

首先在社交网络信息传播模型的基础上进行信息传播仿真实验，用于跟踪不同态度在社交网络中的传播效果，之后根据信息对抗演化模型及其趋势分析的结果对不同态度信息的传播效果进行预测，并与信息传播仿真实验中记录的结果进行比较，以验证模型的可行性．仿真所使用的社交网络数据是根据某个虚拟社区中的人际关系特点建立的仿真网络模型，把个体看成是网络中的节点，把个体之间的人际关系（关注，好友等）视为结点间的连接或者边，并定义该网络为有向网络，方向由被关注方指向关注方，节点数为2 000，该网络的度分布近似泊松分布，其平均度为4．该网络中的度分布如图1所示．

3.1 信息传播仿真实验

图1 仿真社交网络模型度分布示意图Fig.1 The degree distribution diagram of simulationmodels for socialnetworks

当信息开始传播的初期，可以通过跟踪传播的效果和范围来估计该主题传播时不同态度的传播概率，如定义

it+为t时刻，对主题信息持有正态度的人数，如对某个话题的评论和转发过程中表示支持的人，Nti+为接触过该主题正面信息的人数，这些个体接触过信息后但是没有做出任何反应．同样的，的获得是通过统计对该话题持负态度的人数以及接触过负态度的总人数之间的比值．仿真实验中，测定i+传播的概率为0.2，i的传播概率为0.26，即=0.2，=0.26．实验中以测定，的时刻t0为初始状态，i+和i都有非零初始值．

当信息开始传播时，持有i+或i的节点向自己的邻居传播自己的态度，之后根据邻居向它传播的态度信息来决定是否改变自己的态度，此态度改变的过程符合态度转变假设，如果网络中的所有节点都经历了以上过程后，则称该网络经历了一个传播步长t．

在不同初始状态下，持不同态度的节点密度影响了最后信息传播态度的最终效果，选取4个有代表性的初始状态，并跟踪记录它们经历了100个传播步长的演化过程，如图2所示．其中不同初始状态的数据值如表1所示．

3.2 实验结果分析

1）信息传播对抗演化的结果取决于两种对抗态度的传播概率和初始状态下持不同态度个体数量．

2）低传播效率的信息同样可以通过增加个体数量的方式，最终在信息的对抗过程中最终取得优势（如初始状态3），这也解释了某些网络推广手段的可行性，如通过在社交网络上建立大量的”僵尸用户”或通过”转发协议”的形式制造大量的对某种主题信息态度”认可”的群体，实际上这个群体未必真正认可对此信息的态度，但最终结果是使得传播效率较低或不容易被公众认可的信息反而在传播竞争中取得优势．

图2 不同初始状态信息对抗演化过程仿真示意图Fig.2 The diagram of information againstevolutionsimulation in different initialstate

表1 初始状态数据值Tab.1 Data values in the initial state

4 结论

本文对社交网络信息对抗演化过程进行建模与分析，仿真实验结果表明该模型能够描述信息对抗演化过程的总体趋势，该模型揭示了两种对立态度信息在传播对抗过程中互相影响的基本特征，有助于进一步理解信息在社交网络中的传播规律．

本文提出的信息对抗演化模型建立在一定的假设条件或演化规则之上，对于现实信息传播环境的某些特定问题无法给出确定性的回答，或者做出精确地预测．在以后的研究中这些假设和规则都需要深入细化研究，才能更好地解释和分析社交网络中信息的传播规律与特点．

[1]KumarR，Novak J．Tomkins A 2006 The12th ACM SIGKDD InternationalConferenceon Know ledge Discovery and DataM ining Philadelphia[C]．USA：2006．

[2]Ahn Y Y，Han S，Kwak H，etal．Jeong H 2007Proceedingsof the16th InternationalConferenceonWorldWideWeb Banff[C]．Canada：2007．

[3]M islove A，Marcon M，Gummadi K P，et al．Bhattacharjee B 2007 The 7th ACM SIGCOMM Conference on Internet Measurement[C]．San Diego，USA：2007．

[4]Fu F，Liu LH，Wang L．Empiricalanalysisofonlinesocialnetworksin theageofWeb 2.0[J]．PhysicaA：StatisticalMechanicsand itsApplications，2008，387（2-3）：675-684．

[5]Hu H B，Wang X F．Evolution ofa largeonline socialnetwork[J]．Physical Letters A，2009，373（12/13）：1105-1110．

[6]PASTOR-SATORRASR，VESPIGNANIA．Epidemic spreading in scale-free networks[J]．PhysRev Lett，2001，86：3200-3203．

[7]Kitsak M，Gallos L K，Havlin S，et，al．Identifying Influential Spreaders in Comp lex Network[J]．Nature Physics，2010，6：888．

[8]Borge-Holthoefer J，Moreno Y．Absenceof influentialspreaders in rumordynam ics[J]．PhysRev EStatNonlin SoftM atterPhys，2012，85（2）：26-116．

[9]张彦超，刘云，张海峰，等．基于在线社交网络的信息传播模型[J]．物理学报，2011，5，60-61．

[10]熊熙，胡勇．基于社交网络的观点传播动力学研究[J]．物理学报，2012，15，61-62．

[11]Watts D J，Strogatz SH．Collective dynamicsof'small-world'networks[J]．Nature，1998，393（6684）：440-442．

[12]Kumar R，Novak J，Tomkins A 2006 The 12th ACM SIGKDD International Conference on Know ledge Discovery and Data M ining Philadelphia [C]．USA：2006．

[13]Ahn Y Y，Han S，Kwak H，etal．JeongH 2007Proceedingsof the16th InternationalConferenceonWorldWideWeb Banff[C]．Canada：2007．

[14]Mislove A，Marcon M，GummadiK P，etal．Bhattacharjee B 2007The7th ACM SIGCOMM Conferenceon InternetMeasurement[C]．USA：San Diego，2007．

[15]Java A，Song X，Finin T．Tseng B 2007 Proceedingsof the9thWeb KDD and 1stSNA-KDD 2007Workshop onWebMining and SocialNetwork Analysis[C]．USA：San Jose，12，2007．

[16]Kwak H，Lee C，Park H．M oon S 2010 Proceedings of the 19th International Conference onWorldWideWeb[C]．Raleigh，Toronto，2010．

[17]刘常昱，胡晓峰，司光亚，等．基于小世界网络的舆论传播模型研究[J]．系统仿真学报，2006，18（12）：36．

[18]罗家德．社会网分析讲义（上卷）[M]．北京：社会科学文献出版社，2005．

[责任编辑 代俊秋]

The simulation study of information countermeasures in socialnetwork

WANG Xiao-yu1，MU Xiang-wei2，JIANG Jing-jing1

(1.Information technology and businessmanagement department,Dlian NeusoftUniversity of Information,Liaoning Dalian 116033, China;2.TransportationM anagement School,Dalian Maritime University,Liaoning Dalian 116026,China)

Social Network Servicehasbecome the fastestand themosteffectivemedia for information broadcasting,in order to analyze theevolution progresssofopposite informationw hen they are confrontedw itheach otherwhile broadcasting in thesocialnetwork service.Thepapersimulates the environmentof interpersonal relationshipand informationbroadcasting by using the"small-w orld networkmodel"and put forward an evolutionmodel for information countermeasures based on certain assum ptions.Then through the evolutionmodel,the paper reveals the evolution progresss of opposite information w hen they are confronted and influencing w ith each otherw hile broadcasting in the social netw ork service. During theexperiment,thesimulation studyof information countermeasuresw ith differentoriginalconditionsisconducted and thewhole progerss is forecastby using theevolutionmodel for information countermeasures.According to theexperiment,the overallevolution trend is consisitentw ith the prediction and the feasibility of certain network promotion meanscan beexplained theoretically by theevolutionmodel for information countermeasures the paper puts forward．

information countermeasure;socialnetwork service;information broadcasting;simulation study

TP391.9

A

1007-2373(2014)01-0024-04

2013-11-05

王晓煜（1969-），女（汉族），副教授．