在网络理论中，无尺度网络（Scale-free network，或称无标度网络）是带有一类特性的复杂网络，其典型特征是在网络中的大部分节点只和很少节点连接，而有极少的节点与非常多的节点连接。这种关键的节点（称为“枢纽”或“集散节点”）的存在使得无尺度网络对意外故障有强大的承受能力，但面对协同性攻击时则显得脆弱。现实中的许多网络都带有无尺度的特性，例如因特网、金融系统网络、社会人际网络等等。

源起
无尺度网络的概念是随着对复杂网络的研究而出现的。“网络”其实就是数学中图论研究的图，由一群顶点以及它们之间所连的边构成。在网络理论中则换一套说法，用“节点”代替“顶点”，用“连结”代替“边”。复杂网络的概念，是用来描述由大量节点以及这些节点之间错综复杂的联系所构成的网络。这样的网络会出现简单网络中没有的特殊拓扑特性。

自二十世纪60年代开始，对复杂网络的研究主要集中在随机网络上。随机网络，又称随机图，是指通过随机过程制造出的复杂网络。最典型的随机网络是保罗·埃尔德什和阿尔弗雷德·雷尼提出的ER模型。ER模型是基于一种“自然”的构造方法：假设有n个节点，并假设每对节点之间相连的可能性都是常数0。这样构造出的网络就是ER模型网络。科学家们最初使用这种模型来解释现实生活中的网络。

ER模型随机网络有一个重要特性，就是虽然节点之间的连接是随机形成的，但最后产生的网络的度分布是高度平等的。度分布是指节点的度的分布情况。在网络中，每个节点都与另外某些节点相连，这种连接的数目叫做这个节点的度。在网络中随机抽取一个节点，它的度是多少呢？这个概率分布就称为节点的度分布。

在一般的随机网络（如ER模型）中，大部分的节点的度都集中在某个特殊值附近，成钟形的泊松分布规律（见图3）。偏离这个特定值的概率呈指数性下降，远大于或远小于这个值的可能都是微乎其微的，就如一座城市中成年居民的身高大致的分布一样。然而在1998年，Albert-László Barabási、Réka Albert等人合作进行一项描绘万维网的研究时，发现通过超链接与网页、文件所构成的万维网网络并不是如一般的随机网络一样，有着均匀的度分布。他们发现，万维网是由少数高连接性的页面串联起来的。绝大多数（超过80%）的网页只有不超过4个超链接，但极少数页面（不到总页面数的万分之一）却拥有极多的链接，超过1000个，有一份文件甚至与超过200万个其他页面相连。与居民身高的例子作类比的话，就是说大多数的节点都是“矮个子”，而却又有极少数的身高百丈的“巨人”。Barabási等人将其称为“无尺度”网络。设G(D)为所有具有（依照幂律分布的）度分布D=(d_1, d_2, \cdots)的网络g的集合，对于其中每一个网络g \in G(D)，定义度-度相关数：
s(g) = \sum_{(i,j) \in \epsilon (g)}d_i d_j.
其中\epsilon (g)表示g中所有连接的集合。根据排序原理，如果度数大的点之间相互连接的话，那么 s(g)会比较大。设s_{max}为最大的，那么定义度-度相关系数：
S(g) = \frac{s(g)}{s_{max}}
度-度相关系数 S(g)介于0与1之间。 S(g)越靠近1，则称此网络g“无尺度”的， S(g)靠近0，则称g是“富尺度”的。在此定义下，无尺度网络中的节点度数分布特征体现了自相似的性质，而凸显了“无尺度”的特征，与富尺度网络之间有相当的差异
| 路由器
| 物理连接
|-style="background:#F0F8FF" align=center
| 蛋白质相互作用网络
| 蛋白质
| 蛋白质之间的相互作用关系
|-style="background:#F0F8FF" align=center
| 金融网络
| 金融机构
| 借贷关系
|-style="background:#F0F8FF" align=center
| 美国飞机航班网络
| 机场
| 飞机航线
|}

BA模型
Albert-László Barabási与Réka Albert在1999年的论文中提出了一个模型来解释复杂网络的无尺度特性，称为BA模型。之后，其它的无尺度网络模型也开始被提出。

其它无尺度模型
BA模型成功的为无尺度网络找到了一个简单而合理的形成机制。然而，BA模型也有其自身的局限。例如，它只能描述\gamma = 3的无尺度网络，对于真实网络的一些非幂律特征如指数截断（exponential cutoff）、小变量饱和（saturation of small variables）等无法描述。因此，各种BA模型的推广、变化版本开始出现。Bollobás在2001年提出了线性弦图模型（LCD模型），允许节点自己与自己相连。而后又出现了只允许重复连线而不允许自连线的模型与不允许重复连线、自连线而是在选中的旧节点的邻域随机联线的模型。
适应度模型
在BA模型的制造过程中，人们发现，存在越久的节点具有越高的度数。然而，现实生活的网络中并非存在越久的元素就能有更多的联系。BA模型并没有包括“后起之秀”的现象。于是，出现了基于BA模型的适应度模型。适应度模型主要是修正了优先连接的机制，对每个节点加上一个吸引因子\mu_i ，这样新节点的相连概率改正为：
:\mathbb{P}_i = \frac{\mu_i d_i}{\sum_{j=1}^n \mu_j d_j}

局域世界演化模型
另一种基于BA模型的推广版本是局域世界演化模型。这个模型假设每个新节点在引入时并不能在全域进行优先连接。比如说一家新上市的公司可能只会与同地区或同国家的公司展开贸易联系，居民搬入新社区时只会与同一幢楼的人开始认识等等。局域世界演化模型将BA模型优先连接的机制改为：新加入的节点时，先选择全部节点的一部分（随机选取的M 个节点）作为局域世界，然后再在局域世界中进行优先连接。模拟结果指出，当M 从m变化到n_0 + t 时，产生的网络从服从指数分布逐渐过渡到服从幂律分布。

复制模型
在BA模型中，度分布实际上是和增长的时间t （或说增长次数）相关的，只是在t 十分大时近似于度分布。复制模型是一个与增长时间无关的模型。复制模型的做法是每次随机地“复制”一个原有的节点：即随机选定一个节点i ，再加入一个新节点，然后新节点按照i 与其它旧节点连接的方式与旧节点相连，最后与i 也相连。

分层模型
2001年，Barabási提出了第一个确定性的分层网络模型。这个模型是为了解释生物学中\gamma \approx 2.2的代谢网络。分层模型的想法是从模体（motif）出发，通过自相似的层次叠加而得到复杂网络。这种思想类似于分数维图形。Barabási的模型是：

建立一个根节点，以及两个一级节点，并分别于根节点相连，这形成一个一级模体（右图6中n=1的阶段）；

以一个一级模体作为根模体，再建立两个一级模体，将它们的一级节点（一共4个）与根模体的根节点相连，这样得到一个二级模体（右图6中n=2的阶段）；

对二级模体重复前一步的操作（见右图n=3的阶段）。

这样形成的网络是无尺度网络，Barabási算出它的\scriptstyle \gamma = \frac{\log{3}}{\log{2}}。后来有使用5节点4连结作为模体，得到 \gamma = 1，而4节点3连结作为模体得到\scriptstyle \gamma = 1+ \frac{\log{4}}{\log{3}} \approx 2.26，近似于代谢网络。需要注意的是此模型中不少度数是0概率的，所以需要使用补分布绕过。类似的确定性模型还有伪分形图（pseudofractal scale-free network）以及阿波罗模型（Apollonian network）。

无尺度网络的阿喀琉斯之踵
2000年7月27日，《自然》杂志的封面文章标题是《因特网的阿喀琉斯之踵》（Achilles' Heel of the Internet）。阿喀琉斯是古希腊神话中的英雄，他出生后，他的母亲捏着他的脚踝将他浸泡在冥河中，从此他的身体刀枪不入，只有踵部没被浸到，是为其致命弱点。因此如今“阿喀琉斯之踵”常被用来称呼一个系统的致命缺陷。这篇文章中从因特网的无尺度特性出发，探讨它对意外故障的承受能力。

假设在一个网络中移除一个节点，以及与其相关的连接，那么原网络中的其他点也可能受到影响：原本相连的两个节点可能不再相连；即使相连，从其中一处到另一处可能需要经过更多的路途。总的来说，网络的连通性降低了。文章比较了ER随机网络模型与BA模型在移除少量节点时对网络连通性的影响。这个影响主要使用最大连通子图的大小S与平均路径长度l来衡量。在执行“随机攻击策略”，也就是在网络中随机地去除一些节点时，无尺度网络的S比随机网络下降慢得多，l的增长也缓慢得多。但是在执行“蓄意攻击策略”，也就是选择移除连接度最高的节点时，则会得到相反的结果。而对于有限规模的无标度网络，临界值大于0，但会在均匀网络的十分之一左右。因此，无标度网络对于病毒传播的抵抗性较均匀网络脆弱得多。

由于无尺度网络应对流行病感染的脆弱性，人们提出不同的免疫策略来弥补。主要研究的免疫策略有三种：随机免疫、选择免疫与熟人免疫。

随机免疫
随机免疫是在网络中随机抽取一部分节点进行免疫。研究表明，采取这种策略的话，需要对网络中几乎所有的节点都进行免疫才能保证最终消灭传染病。

选择免疫
选择免疫是在网络中抽取度最大的节点进行免疫。就BA模型而言，采取这种策略的话，即使有效传播率变化，也可以只免疫很小一部分节点就保证消灭传染病。

熟人免疫
由于选择免疫需要知道全局节点的度数情况，才能找到度数最大节点进行免疫，这在面对互联网等庞大的复杂网络时会导致难以操作。熟人免疫采取的是随机抽取一部分节点，然后对每个节点随机选一个与之相连的“邻居”节点来进行免疫。由于在无尺度网络中，度大的节点可以与非常多的节点相连，因此选择“邻居”免疫的话，碰到度大节点的概率会比碰到度小节点的概率大得多。所以熟人免疫要比随机免疫有效得多，只略差于选择免疫。

同步性
音乐会或歌剧完场时，台下的观众不间断地鼓掌。在很短几次后，鼓掌的频率就会变得同步。这种现象显示出网络的同步性。研究表明，网络动力系统的同步性取决于节点动力系统的特性，节点的耦合方式与网络的结构。对于BA模型网络，节点数的增加不会降低网络同步的稳定性。而面对随机攻击和蓄意攻击，BA模型网络的同步性与连通性表现出相同的特征：对于随机攻击承受性强，而对蓄意攻击则显得脆弱。

参考来源
*
*

外部链接

• [http://digital.csic.es/handle/10261/27556 snGraph]
• [http://web-graph.org The Erdős Webgraph Server]

相关条目

• 小世界网络
• 系统风险