بخش 1.1
آسیب پذیری ناشی از ارتباط

در نگاه اول، تفاوت زیادی بین دو تصویر ماهواره¬ای نشان داده شده در شکل1.1 به چشم نمی آید. در این تصاویر مناطق پر جمعیت به صورت نقاط روشن و مناطق غیر مسکونی مانند جنگل ها و اقیانوس ها به صورت فضای تاریک دیده می شوند. اما با نگاهی دقیق¬تر متوجه می شویم که مناطق تورنتو، دیترویت، کلِوند، کلمبوس و لانگ¬آیلند در تصویر اول پرنور و درخشان هستند و در تصویر دوم تاریک شده¬اند. این تصاویر برگفته از فیلم های تخیلی مانند آرماگدون نیست، بلکه تصویری واقعی از شمال شرقی آمریکا قبل و بعد از قطع گسترده برق در روز 14 آگوست سال 2003 را نشان می دهد. در این رویداد، برق 45 میلیون نفر در هشت ایالت آمریکا و 10 میلیون نفر در انتاریو قطع شد.

قطعی برق 2003 مثال رایجی از نقص آبشاری است. وقتی از شبکه به عنوان سیستم انتقال استفاده می¬شود، نقص در یک منطقه باعث انتقال بار به بقیه مناطق می شود. اگر این بار اضافی ناچیز باشد، سیستم می تواند آن را به سادگی تحمل کند و مشکلی به چشم نمی آید. ولی اگر بار اضافی برای گره های همسایه زیاد باشد، آن ها هم ناگزیر بار اضافی را بین گره های همسایه خود پخش می کنند. بنابراین در زمانی کوتاه شاهد یک رویداد آبشاری خواهیم بود که وسعت آن به موقعیت و ظرفیت گره های اولیه که دچار نقص شده اند، بستگی خواهد داشت.

نقص آبشاری در سیستم های پیچیده زیادی مشاهده شده است. در اینترنت، در صورت خرابی یک یا چند مسیریاب، ترافیک شبکه به مسیرهای دیگر هدایت می شود و به همین سادگی می تواند باعث افزایش حجم بار و عدم دسترسی به سرویس¬ها شود و با انتقال ترافیک حجیم شبکه به مسیریاب¬های سالم آن¬ها را هم از دسترس خارج کند. در سیستم های مالی هم چنین رویداد هایی وجود دارد، برای مثال وقتی در سال 1997، صندوق بین المللی پول، به بانک های مرکزی کشور های حوزه اقیانوس آرام فشار آورد تا بدهی خود را محدود کنند، شرکت های متعددی را با مشکل روبه¬رو کرد و در نهایت باعث سقوط بازار بورس در سطح جهان شد. بحران اقتصادی سال 2009-2011 هم نمونه ای کلاسیک از نقص آبشاری است. این بحران در ایالات متحده موجب فلج شدن اقتصاد جهان و ورشکستگی تعداد زیادی از بانک ها و شرکت ها شد و حتی دولت را نیز به زحمت انداخت. نقص آبشاری حتی ممکن است به صورت ساختگی اتفاق بیفتد. تلاش بین المللی برای از بین بردن منابع تامین مالی تروریسم به منظور فلج کردن قدرت عملیاتی آنها نمونه ای از این مورد است که عمدا اتفاق می افتد. به طور مشابه، محققان سرطان با استفاده از مفهوم نقص آبشاری تلاش می کنند سلول های سرطانی را از بین ببرند.

برخی از مهمترین موضوعات این کتاب در مثال قطعی برق شمال شرقی آمریکا نهفته است: اول، برای جلوگیری از گسترش آبشاری مخرب و فلج کننده باید ساختار شبکه¬ مربوطه را شناخت. دوم: باید بتوانیم رفتار پویای شبکه (مانند جریان الکتریسیته) را مدل کنیم. در نهایت، باید بفهمیم که چطور تاثیر متقابل ساختار و رفتار شبکه (جنبه های ایستا و پویای شبکه) روی استحکام و پایداری کل سیستم اثر می¬گذارد. هرچند ممکن است نقص آبشاری بصورت تصادفی و غیر قابل پیش¬بینی اتفاق افتد، ولی از قوانین تکرار شونده¬ای پیروی می¬کند که به کمک علم شبکه می توان آنها را اندازه گیری و حتی پیش بینی کرد.

قطعی برق همچنین موضوع مهمتری را بیان می¬کند. ارتباط و اتصال در کنار همه مزایایی که دارد می تواند شانس آسیب پذیری شبکه را نیز افزایش دهد. در سال¬های ابتدایی اختراع انرژی الکتریکی، هر شهری مولد و شبکه برق خاص خود را داشت. الکتریسیته قابل ذخیره سازی نیست و به محض تولید باید به مصرف برسد، به همین دلیل به منظور صرفه اقتصادی، شهرهای همسایه به هم متصل شدند تا تولید مازاد خود را به اشتراک بگذارند یا کاستی برق مورد نیاز خود را از شهرهای مجاور دریافت کنند. این اتصال متقابل بین شهر ها و ارتباط مستقیم بین تولید کننده و مصرف کننده باعث شده است امروزه الکتریسیته با هزینه کمتر در شبکه برق در دسترس مردم قرار گیرد. می توان برق تولیدی را به سرعت به هر جایی منتقل کرد. الکتریسیته یکی از مثال های شگفت انگیز از تاثیرمثبت شبکه ها در زندگی روزمره ما است.

استفاده از مدل شبکه ای توزیع برق، مزایای بسیاری دارد، اما از طرفی، ممکن است آثار یک نقص محلی کوچک مثل پریدن فیوز در اُهایو تنها به همان نقطه محدود نباشد و تاثیر آن از طریق اتصالات شبکه به جاهای دیگر منتقل شود و روی گره های دیگر شبکه، مصرف کننده ها و حتی افرادی که به وضوح از مشکل اصلی دور هستند تاثیر بگذارد. به طور کلی، هر جایی ارتباط و پیوند زیادی بین اجزا وجود داشته باشد، نمی توان انتظار داشت تبعات ناشی از مشکلات، محدود باقی بماند. به عبارتی این پدیده باعث می شود اطلاعات، الگوهای رفتاری ، فعالیت های تجاری، نیرو، انرژی و ویروس ها در شبکه ها گسترش یابند و صرف نظر از اینکه چقدر با ما فاصله دارند به ما برسند. بنابراین شبکه هم فواید و هم آسیب پذیری هایی به همراه دارد. کشف مواردی که باعث بهبود و گسترش ویژگی های مثبت شبکه و محدود کردن نقاط ضعیف و آسیب پذیری آن می شود از اهداف این کتاب است.

بخش 2.1
شبکه، قلب سیستم های پیچیده

"فکر می کنم قرن بعدی، قرن پیچیدگی باشد"
استیون هاوکینگ

سیستم های پیچیده به طور کامل ما را احاطه کرده اند. تصور کنید میلیاردها نفر در جامعه با هم تعامل دارند، میلیاردها تلفن همراه، کامپیوتر و ماهواره از طریق زیر ساخت¬های ارتباطی با هم مرتبط هستند. توانایی تفکر و درک دنیای اطرافمان نیاز به فعالیت منسجم میلیاردها عصب در مغز ما دارد. وجود زیستی ما از تعامل یکپارچه بین هزاران ژن و متابولیت های درون سلول هایمان سرچشمه می گیرد. همه این موارد، نمونه هایی از سیستم های پیچیده به شمار می آیند. زیرا نمی توان از رفتار تک تک اجزای سیستم، همان نتیجه ای را به دست آورد که از کل سیستم حاصل می شود. با توجه به نقش مهمی که سیستم های پیچیده در زندگی روزمره ما و در علوم و اقتصاد، بازی می¬کنند، درک، توصیف ریاضی، پیش بینی و در نهایت کنترل آنها یکی از عمده¬ترین چالش¬های علمی و بین رشته ای در قرن 21 است.

شبکه ها همچنین قلب بسیاری از تکنولوژی های انقلابی قرن 21 مثل فیس بوک، گوگل، سیسکو ، و توییتر هستند. در نهایت، شبکه ها به رشد و توسعه علم، تکنولوژی، کسب و کار و طبیعت کمک می کنند. درک سیستم های پیچیده بدون درک عمیق شبکه های زیربنایی آنها امکان پذیر نیست.

اقبال گسترده از علم شبکه در دهه اول قرن 21 به کشف این نکته بر می گردد که برخلاف تنوع زیادی که در سیستم های پیچیده وجود دارد، مجموعه قوانین و اصول پایه مشترکی بر ساختار و تکامل شبکه زیربنایی آنها حاکم است. بنابراین جای تعجب نیست که علیرغم تفاوت زیاد در شکل، اندازه، طبیعت، قدمت و حوزه شبکه های واقعی، بیشتر آن¬ها براساس اصول یکسانی سازماندهی و هدایت می شوند. چنانچه ماهیت اجزای شبکه و تعامل بین آن¬ها را در نظر نگیریم، شباهت شبکه¬های حاصل بیش از تفاوت های آنها خواهد بود. در بخش های بعدی به ریشه هایی که منجر به ظهور این زمینه تحقیقاتی شد و آثار آن روی علوم، تکنولوژی و جامعه می پردازیم.

بخش 3.1
ریشه های علم شبکه

علم شبکه یک رشته جدید است. ممکن است درباره زمان دقیق پیدایش آن بحث و اختلاف نظر وجود داشته باشد اما با توجه به شواهد موجود، این رشته، تازه در قرن 21 به عنوان یک رشته مستقل شناخته شده است.

حال این سوال مطرح می شود که چرا علم شبکه 200 سال پیش وجود نداشت؟ بسیاری از شبکه هایی که موضوع علم شبکه هستند، جدید نیستند. برای مثال شبکه متابولیک قدمتی به اندازه زندگی بر روی زمین و تاریخچه ای چهار میلیارد ساله دارد و شبکه های اجتماعی هم قدمتی برابر با آغاز بشریت دارند. به علاوه بسیاری از رشته ها از بیوشیمی تا جامعه شناسی و مغزشناسی برای سال¬ها با شبکه های مربوط به حوزه خود سروکار داشته اند. از طرفی تئوری گراف نیز به عنوان یکی از کاربردی ترین زیررشته های ریاضیات از سال 1735 مطرح شده است. پس چرا علم شبکه تا قرن 21 شکل نگرفت و آن را علم قرن 21 می نامیم؟

در اوایل قرن 21، اتفاق خاصی رخ داد که زمینه پژوهش های جدی تر را فراهم آورد و منجر به معرفی یک رشته جدید به نام علم شبکه شد (شکل1.3). برای درک این موضوع که چرا این اتفاق تا قرن 21 به تعویق افتاد، لازم است به دو الزامی که در ایجاد این رشته نقش داشتند بپردازیم:

ظهور نقشه¬های شبکه

برای توضیح جزئیات رفتار سیستمی با صدها یا میلیاردها جزء که با هم در ارتباطند، باید نمودار اتصال آنها را رسم کنیم. برای این منظور در سیستم¬های اجتماعی لیست دقیقی از دوستان، دوستان دوستان و به همین ترتیب سطوح بعدی، مورد نیاز است. در شبکه وب، این نقشه نشان می دهد که کدام صفحات وب با هم در ارتباط هستند. درمورد سلول ها این نقشه شامل لیست کاملی از تعاملات و واکنش های شیمیایی بین ژن ها، پروتئین ها و متابولیت ها است.

در گذشته، ابزار¬های کافی برای ترسیم نقشه این شبکه¬ها در اختیار قرار نداشت. بنابراین مطالعه و ردیابی حجم داده زیادی که در پس این شبکه ها وجود داشت بسیار دشوار بود. با انقلاب فناوری اطلاعات و اینترنت، روش¬هایی برای اشتراک سریع و موثر داده¬ها به وجود آمد و همچنین فضای ذخیره¬سازی دیجیتالی ارزان ایجاد شد که امکان جمع آوری، سرهم کردن، به اشتراک¬گذاری و تحلیل داده های مربوط به شبکه های واقعی را تسهیل کرد.

با کمک پیشرفت تکنولوژی در آغاز این هزاره شاهد رشد سریع در تصویرسازی شبکه ها هستیم(باکس 1.2). پروژه های کایدا یا دیمس نمونه هایی از این پیشرفت¬ها به شمار می آیند که اولین نقشه از اینترنت را در مقیاس بزرگ ارائه دادند. علاوه بر این صدها میلیون دلار توسط زیست شناسان برای تهیه تصویر ارتباط بین پروتئین-پرئتئین در سلول های انسانی هزینه شد. شرکت های شبکه های اجتماعی مانند فیس بوک، توئیتر یا لینکداین تلاش کردند تا تصویری از روابط دوستی و حرفه ای در شبکه های اجتماعی ارائه دهند. پروژه کانکتوم موسسه ملی بهداشت ایالات متحده که هدف آن بررسی ارتباطات عصبی در مغز پستانداران است نمونه دیگری از تلاش های صورت گرفته برای تصویر سازی شبکه ها است. فراهم شدن امکان تصویر سازی از شبکه ها در اواخر قرن 20، به ظهور علم شبکه سرعت بخشید.

فراگیر بودن ویژگی های شبکه¬ها

برشمردن تفاوت های شبکه هایی که در طبیعت یا جامعه با آنها سروکار داریم کار ساده ای است. گره های شبکه های متابولیک، مولکول های کوچکی هستند و ارتباط بین آنها واکنش های شیمیایی است که براساس قوانین شیمی و سازوکارهای کوانتوم هدایت می¬شود. گره¬های شبکه وب، صفحات و مستندات اینترنتی و ارتباطات بین آنها پیوندهایی است که با استفاده از الگوریتم-های کامپیوتری ایجاد شده اند. در شبکه های اجتماعی گره ها همان افراد هستند و ارتباط بین آنها روابط خانوادگی، رسمی، دوستانه و خویشاوندی را نمایش می دهد.

نحوه شکل گیری این شبکه ها هم کاملا با هم متفاوت است. شبکه وب به وسیله فعالیت های جمعی میلیون ها فرد و سازمان در جهان ایجاد شده است. شبکه های اجتماعی (غیر مجازی) بر مبنای هنجارهای اجتماعی شکل گرفته اند و ریشه آن ها به هزاران سال قبل برمی¬گردد. با توجه به تنوع گسترده ای که در اندازه، ماهیت، حوزه، تاریخچه و سیرتکاملی این سیستم ها وجود دارد، مشاهده چنین تفاوت هایی در شبکه های زیربنایی آنها دور از انتظار نیست.

اصلی ترین کشف علم شبکه این است که معماری شبکه ها در شاخه های مختلف علوم، طبیعت یا تکنولوژی شبیه هم است، زیرا قوانین یکسانی برآنها حاکم است. بنابراین برای مطالعه این سیستم ها می توانیم از ابزار های ریاضی یکسانی استفاده کنیم.

فراگیر بودن یکی از مبانی پایه¬ای در این کتاب است: نه تنها قصد داریم بعضی از ویژگی¬های خاص شبکه ها را پیدا کنیم بلکه هر بار این سوال را مطرح می کنیم که این ویژگی ها در چه جاهای دیگری نیز وجود دارند. به علاوه در پی درک ریشه های این مشابهت ها هستیم تا بتوانیم قوانینی را که باعث تکامل شبکه ها می شوند را پیدا کنیم و تاثیر این قوانین را روی رفتار شبکه مطالعه کنیم.

به طور خلاصه ازآنجا که رشته های زیادی بر علم شبکه تاثیر گذار هستند، ایجاد یک رشته جدید منوط به وجود داده¬های کافی نظیر وجود نقشه های متعدد از شبکه هایی از رشته های مختلف خواهد بود. این نقشه های متنوع به دانشمندان حوزه شبکه امکان می دهد تا ویژگی های فراگیر شبکه های مختلف را پیدا کنند. فراگیر بودن پایه و اساس رشته جدیدی به نام علم شبکه را تشکیل می دهد.

بخش 4.1
ویژگی های علم شبکه

برای شناخت علم شبکه، باید هم به موضوع و هم متدولوژی آن پرداخت. در این بخش درباره ویژگی های کلیدی که علم شبکه برای درک سیستم های پیچیده از آنها استفاده می کند، بحث می کنیم.

ماهیت بین رشته ای

علم شبکه زبان مشترکی ارائه می دهد که با استفاده از آن رشته های مختلف می توانند به راحتی با هم تعامل داشته باشند. زیست شناسان سلولی، دانشمندان مغز(شکل 1.4) و دانشمندان کامپیوتر در تلاشند تا ویژگی های نمودار ارتباطی سیستم های خود را پیدا کنند، اطلاعات مفید را از داده های ناقص و دارای خطا استخراج کنند و استحکام سیستم هایشان را در برابر نقص یا حمله افزایش دهند.

هر یک از رشته ها، مجموعه متفاوتی از اهداف، چالش ها و جزئیات فنی مختص به خود را دارند. با این حال ماهیت بسیاری از مسائلی که رشته های مختلف با آنها سروکار دارند باعث ایجاد ابزارها و ایده های بین رشته ای بسیاری شده است. برای مثال مفهوم مرکزیت بینابینی که در سال 1970 در مقالات شبکه های اجتماعی مطرح شد، امروزه در تشخیص گره هایی که در شبکه اینترنت ترافیک بالایی دارند نقش مهمی بازی می کند. به طور مشابه، الگوریتم هایی که متخصصان کامپیوتر برای افراز گراف ها ارئه داده اند، کاربردهای تازه ای در تشخیص پیمانه های بیماری در پزشکی یا تشخیص انجمن¬ها در شبکه های اجتماعی با مقیاس بزرگ پیدا کرده اند.

ماهیت تجربی، و مبتنی بر داده

بسیاری از مفاهیم علم شبکه از تئوری گراف سرچشمه می گیرند که رشته مهمی در ریاضیات است. چیزی که باعث تمایز بین علم شبکه و تئوری گراف می شود، ماهیت تجربی آن است. علم شبکه روی داده¬ها، کارکردها و کاربردها تمرکز می¬کند. همان¬طور که در فصل های بعدی خواهیم دید، ابزارهای ریاضی محض برای توضیح ویژگی¬های شبکه کافی نیست. هر ابزاری را که در علم شبکه توسعه پیدا می کند، روی داده واقعی تست می شود و ارزش آن به اندازه دانشی است که از ویژگی ها و رفتار سیستم به ما می¬دهد.

ماهیت ریاضی و کمّی

برای توسعه علم شبکه و بهره¬برداری مناسب از ابزارهای آن باید به مبانی ریاضی آن احاطه پیدا کرد. علم شبکه از مبانی تئوری گراف و چارچوب های مفهومی تصادفی، و از اصول فیزیک آماری استفاده می¬کند. این رشته بعدها با استفاده از مفاهیم مهندسی مانند تئوری اطلاعات و کنترل ارتقا پیدا کرد تا امکان درک و کنترل اصول شبکه ها فراهم شود. علم آمار نیز برای فراهم آوردن امکان استخراج اطلاعات از مجموعه داده های ناقص و نویز دار به کار گرفته شد.

توسعه نرم افزار های تحلیل شبکه باعث شد که ابزارهای علم کامپیوتر در دسترس جامعه بزرگتری قرار گیرد. به این ترتیب حتی افرادی که با پایه های نظری و عمق کامل ریاضیات این رشته آشنا نیستند نیز می توانند از آن بهره ببرند. هرچند برای تعمق در این رشته و بهره برداری بهینه از ابزارهای آن باید بر مبانی تئوری آن مسلط بود.

ماهیت محاسباتی

با درنظر گرفتن اندازه بسیاری از شبکه های واقعی و حجم داده¬های مورد انتظار از آن¬ها، دانشمندان شبکه معمولا با چالش های محاسباتی فراوانی دست و پنجه نرم می¬کنند. بنابراین این رشته نیازمندی های محاسباتی زیادی دارد و به تکنیک های الگوریتم ها، مدیریت پایگاه داده و داده کاوی متکی است. مجموعه ای از ابزار های نرم افزاری برای حل این مشکلات محاسباتی وجود دارد و با قابلیت¬های محاسباتی گسترده ای که دارند امکان تحلیل شبکه ها را برای استفاده کنندگان فراهم می کنند.

به طور خلاصه، یک متخصص علم شبکه باید با تمام ابعاد این رشته آشنا باشد. ترکیب تمام این ابعاد، ابزار های چند وجهی و شناخت لازم برای درک ویژگی های شبکه های واقعی را فراهم می¬آورد.

بخش 5.1
تاثیرات اجتماعی

هر رشته تحقیقاتی جدید براساس دستاوردهای نظری و تاثیرات اجتماعی اش ارزیابی می شود. به عبارتی هر قدر دامنه کاربرد یک رشته جدید وسیع تر باشد و کاربردهای بیشتری برای آن متصور باشد، ارزش بیشتری پیدا خواهد کرد. از آنجایی که علم شبکه، رشته ای جوان است، تاثیر و کاربرد آن در همه جا قابل تصور است.

تاثیرات اقتصادی: از جستجوی وب تا شبکه های اجتماعی

بیشتر شرکت های موفق قرن 21 مانند گوگل، فیس¬بوک، توئیتر، لینکداین، سیسکو، اپل و آکامای تکنولوژی و مدل های کسب و کار خود را براساس شبکه بنا کرده اند. گوگل نه تنها بزرگترین عملیات نگاشت شبکه را که تا کنون بشر ساخته است اجرا می کند، بلکه نقشه جامعی از وب ایجاد کرده و دائما آن را به روز رسانی می¬کند. همچنین تکنولوژی جستجوی گوگل عمیقا به ویژگی های شبکه ای وب پیوند خورده است.

فیس¬بوک سهم بزرگی در معرفی مفهوم شبکه بین مردم داشته است. فیس¬بوک قصد داشت شبکه اجتماعی خود را در کل گیتی بگستراند. فیس¬بوک اولین سایت شبکه اجتماعی نیست همانطور که آخرین هم نخواهد بود. تعداد قابل توجهی از شبکه های اجتماعی، از توئیتر تا لینکداین برای جذب میلیون ها کاربر با هم رقابت می کنند. الگوریتم های ارائه شده توسط دانشمندان علم شبکه، این سایت ها را تغذیه می کنند و از این الگوریتم ها در کاربردهای متنوعی از توصیه دوستان گرفته تا تبلیغات استفاده می شود.

سلامت: از طراحی دارو تا مهندسی متابولیک

پروژه ژنوم انسان که در سال 2001 کامل شد اولین لیست جامع از ژن¬های انسانی را ارائه داد (5و6). اما برای درک عملکرد سلول-های بدن انسان و منشا بیماری ها، تنها لیست ژن ها کافی نیست، بلکه به نقشه دقیقی از تعامل بین ژن¬ها، پروتئین¬ها، متابولیت¬ها و بقیه اجزای سلولی نیاز داریم. در واقع بیشتر فرایندهای سلولی از فراوری مواد غذایی گرفته تا حس کردن تغییرات محیط پیرامون به شبکه های مولکولی وابسته هستند. نقص در این شبکه ها عامل بیماری های انسان است.

آگاهی روز افزون از اهمیت شبکه های سلولی باعث بوجود آمدن رشته ای جدید در زیست بنام زیست شناسی شبکه شده که هدف آن درک رفتارهای شبکه های سلولی است. به موازات آن حرکتی در پزشکی به نام پزشکی شبکه به¬وجود آمد که هدف آن پیدا کردن نقش شبکه ها در بیماری های انسان است (شکل 1.5). اهمیت این پیشرفت ها وقتی مشخص می شود که بدانیم دانشگاه هاروارد در سال 2012 شاخه جدیدی به نام پزشکی شبکه ای تاسیس کرد. محققان و پزشکانی که ایده های مبتنی بر شبکه را برای مطالعه بیماری های انسان دنبال می کنند، در این رشته فعالیت می کنند.

شبکه ها نقش مهمی در توسعه داروها بازی می کنند. هدف اصلی داروشناسی شبکه (7) کشف داروهایی برای درمان بیماری ها با کمترین اثرات جانبی است. این هدف در چندین سطح دنبال می شود. میلیون ها دلار برای پیداکردن نقشه شبکه¬های سلولی سرمایه¬گذاری شده است. در سطوح دیگر توسعه ابزارها و پایگاه¬داده¬ها برای ذخیره¬سازی، نگهداری و تحلیل اطلاعات بیماران و داده¬های ژنتیکی در دستور کار قرار دارد.

شرکت های بسیاری از مزایای استفاده از شبکه در حوزه دارو و درمان بهره برده اند. برای مثال جینگو نقشه تعاملات سلولی را از مطالب علمی گردآوری کرده است. ژنوماتیک از قدرت پیش بینی شبکه های متابولیکی برای شناسایی اهداف داروها در باکتری ها و انسان استفاده کرده است. اخیرا بیشتر شرکت های داروسازی مثل جانسون اند جانسون به منظور یافتن راهی به سوی نسل جدید داروها، روی شبکه های پزشکی سرمایه گذاری قابل توجهی انجام داده اند.

امنیت: مبارزه با تروریسم

تروریسم از پدیده های ناخوشایند قرن 21 است و برای مقابله با آن منابع زیادی در سراسر جهان صرف می شود. تفکر شبکه ای به طور فزاینده ای مورد استفاده سازمان های مختلف قانونگذار قرار گرفته تا با فعالیت های تروریستی مقابله کنند. از این مفهوم برای مختل کردن شبکه های مالی تروریسم و تهیه نقشه شبکه های بدخواهانه استفاده می شود. این نقشه ها در شناسایی اعضای باندهای تروریستی و شناسایی نقش و توانمندی های آنها کاربرد دارد. با اینکه بیشتر کارهای انجام شده در این حوزه جزء اسناد طبقه بندی شده محسوب می شود و اطلاعات آن در دسترس عموم قرار نمی گیرد، مواردی با جزئیات مستند شده و به صورت عمومی منتشر شده اند. به عنوان مثال می توان به استفاده از شبکه های اجتماعی برای پیدا کردن صدام حسین ]10[ یا پیدا کردن عاملان بمب گذاری قطار مادرید در 11 مارس 2004 از طریق بررسی شبکه تلفن همراه اشاره کرد. مفهوم شبکه روی آموزش های نظامی هم تاثیر گذار است که منجربه مفهوم جنگ های متمرکز بر شبکه می شود که هدف آن مبارزه با شبکه های تروریستی و جنایتکارانه که از سازمان های منعطف شبکه ای توزیع شده استفاده می کنند.[11](شکل 1.6)

از آنجایی که کاربردهای نظامی زیادی وجود دارد تعجب آور نیست اگر بدانیم که یکی از اولین برنامه های آکادمیک علم شبکه در وست¬پوینت که آکادمی نظامی ارتش ایالات متحده است شروع شده است. به علاوه آزمایشگاه تحقیقاتی ارتش که در سال 2009 تاسیس شد بیش از 300 میلیون دلار برای پشتیبانی از مراکز علم شبکه در سراسر ایالات متحده تخصیص داده است.

دانش و توانایی هایی که از علم شبکه بدست می آیند می توانند مورد سو استفاده قرارگیرند. آژانس امنیت ملی آمریکا یکی از این نمونه های است که نسبت به ایجاد نقشه ارتباطی جامعی از افراد اقدام کرده است[12]. این سازمان با بهانه متوقف کردن حملات تروریستی در آینده، ارتباطات صدها میلیون نفر در ایالات متحده یا خارج از مرزها را کنترل کرد و بوسیله آن شبکه اجتماعی خود را بازسازی کرد. از آن به بعد دانشمندان شبکه با مسئولیت اجتماعی جدیدی با عنوان تضمین استفاده اخلاقی از ابزارها و دانش حاصل از علم شبکه آگاه شدند.

همه گیری: از پیش بینی تا متوقف کردن ویروس های مرگ¬بار

اگرچه ویروس H1N1 به آن میزان که در آغاز شیوع آن در سال 2009 تصور می شد، مهلک نبود ولی نقش مهمی در تاریخ بیماری های واگیردار داشت. این ویروس اولین بیماری فراگیری بود که زمان و دوره آن ماه¬ها قبل از آنکه به اوج خود برسد پیش بینی شده بود. (منبع آنلاین 1.1) [13]. پیش بینی نحوه شیوع این ویروس به سبب پیشرفت های اساسی در فهم نقش شبکه های حمل و نقل در شیوع ویروس ها بود.

تا قبل از سال 2000 مدل سازی شیوع بر اساس مدل مبتنی بر شیوع محلی استوار بود. در این مدل فرض بر این است که هر فرد می تواند افراد دیگر را در نزدیکی فیزیکی و اجتماعی خود آلوده کند. ظهور چارچوب های مبتنی بر شبکه باعث تغییرات ساختاری شد و سطح جدیدی از قابلیت پیش بینی را ارائه کرد. امروزه پیش بینی شیوع یکی از پراستفاده ترین کاربرد های علم شبکه است[13, 14],، که از آن برای پیش بینی گسترش آنفولانزا یا ابولا استفاده می شود. مدل شیوع، پایه بسیاری از نتایج مهمی است که در این کتاب پوشش داده شده اند و به ما امکان پیش بینی شیوع ویروس های زیستی، دیجیتالی و اجتماعی را می دهد(الگو های رفتاری).

تاثیر این پیشرفت ها به مطالعه اپیدمی بیماری ها محدود نمی شود. در سال 2010 ابزارهای علم شبکه شرایط لازم برای گسترش ویروس از طریق تلفن های همراه را پیش بینی کردند[15]. اولین شیوع از طریق تلفن همراه در پاییز سال 2010 در چین اتفاق افتاد که روزانه 300.000 تلفن همراه را آلوده کرد و تقریبا مطابق الگوی پیش بینی شده پیش رفت.

علم عصب شناسی : نقشه مغز

مغز انسان شامل صدها میلیون نورون است که به یکدیگر متصل هستند و یکی از شبکه هایی است که از منظر علم شبکه کمتر درک شده است. علت آن هم ساده است، نقشه ای وجود ندارد که به ما بگوید کدام نرون ها به هم متصل هستند. تنها نقشه مغزی موجود برای تحقیقات، نقشه مغز کرم الگانس است که تنها از 302 نرون تشکیل می شود. تهیه نقشه دقیق از مغز پستانداران می تواند انقلابی در علم مغز ایجاد کند که به ما امکان شناخت و درمان بیماری های مغزی و عصبی را می دهد. با توجه به این موضوع تحقیقات مربوط به مغز یکی از موثرترین کاربردهای علم شبکه خواهد بود[16]. موسسه ملی سلامت ایالات متحده با در نظر داشتن آثار شگرف چنین نقشه¬هایی، پروژه ای به نام کانکتوم را در سال 2010 آغاز کرد که هدف آن دست یافتن به تکنولوژی هایی است که بتوانند نقشه مغز پستانداران را در سطح نرون تهیه کنند(شکل 1.4).

مدیریت: تشخیص ساختار درونی یک سازمان

علیرغم اینکه مدیریت در سازمان ها سعی می کند روی سلسله مراتب رسمی تاکید داشته باشد اما معمولا شبکه غیر رسمی نقش مهمتری در موفقیت یک سازمان بازی می کند. شبکه غیررسمی است که ارتباطات واقعی بین افراد را مشخص می کند. مطالعه دقیق نقشه شبکه ارتباطات سازمانی می تواند ضعف ارتباطی بین بخش های کلیدی سازمان را پیدا کند، افرادی که نقش مهمی در هماهنگ کردن بخش ها و محصولات مختلف دارند را شناسایی کند و به مدیران ارشد در تشخیص مسائل و مشکلات سازمانی کمک کند. به علاوه در علم مدیریت شواهد زیادی ارائه شده است که نشان می دهد میزان بهره¬وری کارکنان براساس موقعیت آنها در شبکه غیر رسمی سازمان تعیین می شود[17].

چندین شرکت مثل مِیوِن 7، اکتیو نتوورکس یا ارگنت ابزارها و متدولوژی¬هایی را برای تهیه نقشه واقعی از ارتباطات در سازمانها ارائه می دهند. این شرکت ها خدمات متنوعی مانند تشخیص افراد تاثیرگذار به منظور کاهش استعفا و جابجایی کارکنان، بهینه سازی انتشار دانش و محصولات در سازمان، طراحی بهینه تیم ها در اندازه ها و مهارت ها و تخصص های مختلف برای یک وظیفه مشخص، را ارائه می دهند(شکل 1.8). شرکت هایی مثل آی بی ام و اس ای پی امکانات شبکه های اجتماعی را به کسب و کار خود اضافه کرده اند. به طور کلی ابزار های علم شبکه برای مدیریت و کسب و کار به منظور افزایش بهره وری و ارتقاء نوآوری، ضروری هستند.

بخش 6.1
تاثیرات علمی

در این بخش به بررسی علم شبکه در جامعه علمی می پردازیم. معتبرترین ژورنال های علمی از نیچر تا ساینس ، سل و PNAS گزارش ها و سرمقاله هایی را به این موضوع اختصاص داده اند که بیانگر تاثیر شبکه ها بر موضوعات مختلف از زیست شناسی تا علوم اجتماعی می باشد. برای مثال ساینس در دهمین سالگرد سالگرد کشف شبکه های بدون مقیاس شماره ای را به موضوع علم شبکه اختصاص داد[18](شکل 1.8).

در دهه گذشته هر ساله هزاران کنفرانس بین المللی، کارگاه آمورشی، دوره های تابستانه و پاییزه با موضوع علم شبکه برگزار شده است. یکی از موفق ترین سری کنفرانس های بین المللی در زمینه علم شبکه NetSci نامیده می شود که توجه فعالان این حوزه را از سال 2005 به خودجذب کرده است. چندین کتاب عمومی با موضوع علم شبکه در چند کشور در لیست پرفروش ها قرار گرفتند و باعث آشنایی عموم با علم شبکه شدند. بیشتر دانشگاه های بزرگ دوره های علم شبکه دارند و دانشجویانی را از گرایش های متنوع را جذب می کنند. در سال 2014 دانشگاه نورت ایسترن در بستون و دانشگاه اروپای مرکزی در بوداپست دوره دکتری در زمینه علم شبکه را در برنامه خود گنجاندند.

برای مطالعه اثر علم شبکه ها در فضای علمی می توان الگوی ارجاعات مقاله¬های معروف را در حوزه سیستم های پیچیده را بررسی کرد. مقالاتی که بیشترین ارجاع را در زمینه سیستم های پیجیده به خود اختصاص داده اند، مهمترین کشف های سیستم های کلاسیک پیچیده را نشان می دهند. این مقالات به اکتشافاتی مانند اثر پروانه ای، گروه بازبهنجارش ، شیشه های اسپینی ، شبکه های عصبی و بَرخال ها (فراکتال ها) که جمعا بین2000 تا 5000 بار به آنها ارجاع شده است. برای مقایسه جایگاه علم شبکه تاثیر دو مقاله پایه علم شبکه را با مقالات مذکور مقایسه کرده ایم(شکل 1.9). یکی از دو مقاله انتخابی، مقاله سال 1998 درباره پدیده دنیای کوچک [19] و دیگری مقاله ساینس در سال 1999 با موضوع کشف شبکه های بدون مقیاس است[18]. تفاوت بین میزان افزایش ارجاعات در زمینه علم شبکه نسبت به سایر موضوعات سیستم های پیچیده به وضوح در شکل مذکور دیده می شود.

شاخص های مختلف نشان می دهند که علم شبکه به شیوه موثری روی رشته های دیگر تاثیر می گذارد. به عنوان مثال مقالات علم شبکه در حوزه های تحقیقاتی زیر جزء پر ارجاعترین مقالات در ژورنال های مربوطه هستند:

• طبق بررسی تامسون-ریوترز مشخص شد دو مقاله مهم علم شبکه یکی پدیده دنیای کوچک از واتز و استروگاتز که در سال 1998 چاپ شده[19] و دیگری مقاله ای از باراباشی و آلبرت با موضوع شبکه های بدون مقیاس که در مجله ساینس چاپ شده [18] در یک دهه پس از انتشارشان در لیست 10 مقاله پر ارجاع علم فیزیک قرار گرفتند. در حال حاضر(2011) مقاله واتز و استروگاتز دومین مقاله پرارجاع از بین تمام مقالات چاپ شده در سال 1998 در مجله نیچر است و مقاله باراباشی هم پر ارجاع ترین مقاله در بین تمام مقالات چاپ شده در سال 1999 در مجله ساینس است.
• مقاله مارک نیومن در حوزه علم شبکه در اس آی ای ام ریویو چهار سال بعد از چاپ به رتبه پر ارجاع ترین مقاله در بین تمام مجلات صنایع و ریاضیات کاربردی دست یافت [27].
• نشریه فیزیک مدرن که از سال 1929 منتشر می شود بالاترین ضریب تاثیر را در بین مجلات فیزیک دارد. تا سال 2012 مقاله ای از سوبراحمانیان چاندرسخار برنده جایزه نوبل با عنوان مسائل تصادفی در فیزیک و نجوم پر ارجاع ترین مقاله این مجله بود که در سال 1944 نوشته شده بود[28]. در طول 70 سال از زمان چاپ آن بیش از 5000 ارجاع به این مقاله داده شده است. در سال 2012 مقاله ای در حوزه علم شبکه با عنوان مکانیک آماری شبکه های پیچیده، از آن پیشی گرفت[29].
• پاستور-ساتوراس و وسپیگنانی در مقاله ای کشف خود را مبنی بر از بین رفتن آستانه اپیدمی در شبکه های بدون مقیاس ارائه داده اند[30]. این مقاله به همراه مقاله دیگری در محاسبات کوانتوم، در بین مقالات چاپ شده توسط فیزیکال ریویوو لترز در سال 2001، پر ارجاع ترین است.
• مقاله مایکل گیروان و مارک نیومن که درباره کشف انجمن ها در شبکه ها می باشد[31]، پر ارجاعترین مقاله چاپ شده توسط بنیاد ملی علوم در سال 2002 است.
• مقاله ای با عنوان زیست شناسی شبکه¬ای که در سال 2004 چاپ شده است]8[، دومین پر ارجاع ترین مقاله در تاریخ مجله نیچر ریویو ژنتیک است که پر ارجاع ترین مجله در علم ژنتیک به شمار می آید.

استقبال گسترده جامعه علمی از علم شبکه، شورای ملی پژوهش آمریکا(NRC ) که بازوی آکادمی ملی ایالات متحده در ارائه راهکارهایی به دولت آمریکاست را بر آن داشت تا در این حوزه به بررسی بپردازد. حاصل این اقدامات برگزاری دو نشست تحصصی بود که در نتیجه آن رشته علم شبکه رسما در گزارش این شورا [32, 33] رسمیت پیدا کرد(شکل 1.10) و بر نقش کلیدی آن در توسعه علوم دیگر و نیز افزایش امکان رقابت ملی و ارتقای امنیت ملی صحه گذاشته شد. بنیاد ملی علوم ایالات متحده بر مبنای این گزارش ها رسما مدیریت علم شبکه را تاسیس کرد و چندین مرکز علم شبکه در دانشگاههای ایالات متحده توسط آزمایشگاه تحقیقاتی ارتش بنیانگذاری شد.

علم شبکه برای مردم عادی هم هیجان انگیز بود و گواه این موضوع موفقیت کتاب های عمومی مثل لینکد، نکسوز ، شش درجه و متصل می باشد(شکل 1.11). "متصل" فیلم مستندی است که توسط آناماریا تالاس فیلم ساز استرالیایی ساخته شده است.این فیلم، رشته علم شبکه را به تلویزیون ها آورد و مردم عادی با آن آشنا شدند. این فیلم در سراسر دنیا منتشر شد و چندین جایزه را از آن خود کرد(منبع آنلاین 1.2).

شبکه ها الهام بخش هنرمندان هم بوده اند و باعث ایجاد دامنه وسیعی از پروژه های هنری مرتبط با شبکه و یک سری سمپوزیوم سالانه شده اند که هنرمندان و دانشمندان حوزه شبکه را گرد هم می آورد [38]. به لطف ساخت فیلم های موفقی مانند شبکه اجتماعی و شش درجه جدایی و برخی رمان های علمی تخیلی و داستان های کوتاه که از پارادایم شبکه استفاده می کنند، امروزه شبکه ها در فرهنگ عمومی جا افتاده اند.

بخش 7.1
جمع بندی

اگرچه معرفی علم شبکه با سرعت شتاب زیادی صورت گرفت(شکل 1.3 و 1.9) اما در همین مدت کوتاه باعث افزایش آگاهی عمومی از نقش و اهمیت شبکه ها شد. شکل 1-12 تواتر استفاده از واژه شبکه را در کنار واژگان کوانتوم و تکامل نشان می دهد. این دو واژه به دو جهش علمی بزرگ در دو قرن گذشته مربوط هستند. تکامل برگرفته از نظریه تکامل داروین است که از اهمیت بسیار بالایی برخوردار است و کوانتوم نیز پرکاربردترین اصطلاخ در مکانیک کوانتوم است. همانطور که انتظار می رود استفاده از واژه تکامل بعد از چاپ کتاب داروین به نام منشا گونه ها در سال 1859افزایش یافت. واژه کوانتوم نیز اولین بار در سال 1902 استفاده شد و عملا تا سال 1920 که فیزیکدانان مکانیک کوانتوم را پذیرفتند و عموم مردم با این مفهوم آشنا شدند بی استفاده باقی ماند.

شکل 1-12 استفاده از این واژه ها را در مقایسه با واژه شبکه نشان می دهد. واژه شبکه از سال 1980 رشد چشمگیری داشته و هر دو واژه کوانتوم و انقلاب را پشت سر گذاشت. از آنجایی که واژه شبکه مثل کوانتوم و تکامل کاربردهای زیادی دارد رشد سریع در استفاده از این واژه بیانگر آگاهی عمومی درباره شبکه ها است.

پیشرفت هایی که به در پی نظریه تکامل، مکانیک کوانتوم و علم شبکه حاصل شده اند ویژگی مشترک آنها را نشان می دهند: هر سه نه تنها رشته های مهم علمی با مبانی نظری و پشتوانه قوی هستند بلکه نقش زیر ساخت توانمند ساز را هم بازی می کنند. انقلاب ژنتیکی بر مبنای نظریه تکامل و مکانیک کوانتوم بنا شده است و زیرساختی برای پیشرفت گسترده در علوم معاصر از شیمی تا الکترونیک، به شکار می آید. علم شبکه یک زیرساخت توانمند ساز است که ابزار ها و دید جدیدی را نسبت به گستره وسیعی از مسائل علمی از شبکه های اجتماعی تا طراحی دارو ارائه می دهد.

با توجه به تاثیر منحصر به فردی که شبکه ها در علم و جامعه دارند، نیاز به ابزارهایی برای مطالعه و توصیف کمّی آنها وجود دارد که موضوع مباحث بعدی این کتاب است.

بخش 8.1
تمرین

1. شبکه ها در همه جا
   سه شبکه مختلف را نام ببرید و گره ها و ارتباطات بین آنها را توضیح دهید.
2. علاقه شما
   شبکه مورد علاقه خود را نام ببرید و درباره آن به پرسش های زیر پاسخ دهید:
   1. گره ها و ارتباطاتش را مشخص کنید.
   2. اندازه آن را مشخص کنید.
   3. آیا می توان آن را به تصویر بکشید.
   4. چرا به آن علاقه دارید.
3. اثر
   از نظر شما در دهه آینده بیشترین تاثیر علم شبکه در چه حوزه ای خواهد بود؟ پاسخ خود را شرح دهید.

[1] J. Richards, R. Hobbs. Mark Lombardi: Global Networks. Independent Curators International, New York, 2003.

[2] P. Erdős and A. Rényi. On random graphs. Publicationes Mathematicae, 6: 290, 1959.

[3] M. S. Granovetter. The strength of weak ties. American Journal of Sociology, 78: 1360, 1973.

[4] S.W. Oh et.al. A mesoscale connectome of the mouse brain. Nature, 508: 207-214, 2014.

[5] International Human Genome Sequencing Consortium. Initial sequencing and analysis of the human genome. Nature, 409: 6822, 2001.

[6] J. C. Venter et al. The Sequence of the Human Genome. Science, 291: 1304, 2001.

[7] A. L. Hopkins, Network Pharmacology. Nature Biotechnology, 25: 1110-1111, 2007.

[8] Z. N. Oltvai and A.-L. Barabási. Network Biology: Understanding the cell’s functional organization. Nature Reviews Genetics, 5: 101, 2004.

[9] N. Gulbahce, A.-L. Barabási, and J. Loscalzo. Network medicine: A network-based approach to human disease. Nature Reviews Genetics, 12: 56, 2011.

[10] C. Wilson. Searching for Saddam: A five-part series on how the US military used social networking to capture the Iraqi dictator. 2010. www. slate.com/id/2245228/.

[11] J. Arquilla and D. Ronfeldt. Networks and Netwars: The Future of Terror, Crime, and Militancy. RAND: Santa Monica, CA, 2001.

[12] A.L. Barabási, Scientists must spearhead ethical use of big data. Politico. com, September 30, 2013.

[13] D. Balcan, H. Hu, B. Goncalves, P. Bajardi, C. Poletto, J. J. Ramasco, D. Paolotti, N. Perra, M. Tizzoni, W. Van den Broeck, V. Colizza, and A. Vespignani. Seasonal transmission potential and activity peaks of the new influenza A(H1N1): a Monte Carlo likelihood analysis based on human mobility. BMC Medicine, 7: 45, 2009.

[14] L. Hufnagel, D. Brockmann, and T. Geisel. Forecast and control of epidemics in a globalized world. PNAS, 101: 15124, 2004.

[15] P. Wang, M. Gonzalez, C. A. Hidalgo, and A.-L. Barabási. Understanding the spreading patterns of mobile phone viruses. Science, 324: 1071, 2009.

[16] O. Sporns, G. Tononi, and R. Kötter. The Human Connectome: A Structural Description of the Human Brain. PLoS Computional Biology, 1: 4, 2005.

[17] L. Wu , B. N. Waber, S. Aral, E. Brynjolfsson, and A. Pentland. Mining Face-to-Face Interaction Networks using Sociometric Badges: Predicting Productivity in an IT Configuration Task. Proceedings of the International Conference on Information Systems, Paris, France, December 14-17, 2008.

[18] A.-L. Barabási and R. Albert. Emergence of scaling in random networks. Science, 286: 509, 1999.

[19] D. J. Watts and S .H. Strogatz. Collective dynamics of ‘small-world’ networks. Nature, 393: 440, 1998.

[20] E. N. Lorenz. Deterministic Nonperiodic Flow. Journal of the Atmospheric Sciences, 20: 130, 1963.

[21] K. G. Wilson. The renormalization group: Critical phenomena and the Kondo problem. Reviews of Modern Physics, 47: 773, 1975.

[22] S. F. Edwards and P. W. Anderson. Theory of Spin Glasses. Journal of Physics, F 5: 965, 1975.

[23] B. B. Mandelbrot. The Fractal Geometry of Nature. W.H. Freeman and Company. 1982.

[24] T. Witten, Jr. and L. M. Sander. Diffusion-Limited Aggregation, a Kinetic Critical Phenomenon. Physical Review Letters, 47: 1400, 1981.

[25] J. J. Hopfield. Neural networks and physical systems with emergent collective computational abilities. PNAS, 79: 2554, 1982.

[26] P. Bak, C. Tang, and K. Wiesenfeld. Self-organized criticality: an explanation of 1/Æ’ noise. Physical Review Letters, 59: 4, 1987.

[27] M. E. J. Newman. The structure and function of complex networks. SIAM Review. 45: 167, 2003.

[28] S. Chandrasekhar. Stochastic Problems in Physics and Astronomy. Reviews Modern Physics, 15: 1, 1943.

[29] R. Albert and A.-L. Barabási, Statistical mechanics of complex networks. Reviews Modern Physics, 74: 47, 2002.

[30] R. Pastor-Satorras and A. Vespignani. Epidemic spreading in scalefree networks. Physical Review Letters, 86: 3200, 2001.

[31] M. Girvan and M. E. J. Newman. Community structure in social and biological networks. PNAS, 99: 7821, 2002.

[32] National Research Council. Network Science. Washington, DC: The National Academies Press, 2005.

[33] National Research Council. Strategy for an Army Center for Network Science, Technology, and Experimentation. Washington, DC: The National Academies Press, 2007.

[34] A.-L. Barabási. Linked: The New Science of Networks. Perseus Books Group, 2002.

[35] M. Buchanan. Nexus: Small Worlds and the Groundbreaking Science of Networks. Norton, 2003.

[36] D. Watts. Six Degrees: The Science of a Connected Age. Norton, 2004.

[37] N. Christakis and J. Fowler. Connected: The Surprising Power of Our Social Networks and How They Shape Our Lives. Back Bay Books, 2011.

[38] M. Schich, R. Malina, and I. Meirelles (Editors). Arts, Humanities, and Complex Networks [Kindle Edition], 2012.