본 논문은 연합 시계열 지수 랜덤 그래프 모델(Temporal Exponential Random Graph Model)과 개선된 Motter-Lai 알고리즘을 결합한 물리적 계산 프레임워크를 제안하여, 연쇄 고장 상황에서 디지털 경제 생태계의 구조적 진화를 평가하고 회복탄력성 임계값을 정량화합니다.
연구 논문
디지털 경제 생태계의 구조적 진화와 회복탄력성: 시간적 지수 무작위 그래프 모델과 Motter-Lai 프레임워크의 통합적 접근 방식
이 논문에서
요약
초록
기존의 정적 분석 방법들은 복잡한 네트워크 토폴로지의 구조적 진화와 국소적인 부하 재분배로 인해 유도되는 연쇄적 고장을 간과하며, 이는 디지털 경제 생태계의 회복탄력성 분석에서 평가 편향을 초래합니다. 시스템의 회복탄력성 임계값을 정확하게 정량화하기 위해, 본 논문에서는 결합 시간 지수 랜덤 그래프 모델(Temporal Exponential Random Graph Model, TERGM)과 개선된 Motter-Lai 알고리즘(TERGM-ML)을 결합한 물리적 계산 프레임워크를 제안합니다. 이 프레임워크는 마르코프 연쇄 몬테카를로 최대 우도 추정법(Markov Chain Monte Carlo Maximum Likelihood Estimation, MCMC-MLE)을 활용하여 내생적 구조 효과를 모델링하고 실제 네트워크 토폴로지의 시간적 진화 궤적을 재구성함으로써 정적 기준선의 한계를 극복합니다. 이어서, 노드의 중심성과 비선형 물리적 용량을 기반으로, 의도적인 공격이 발생했을 때 인접 노드의 잔여 용량에 의존하는 트래픽 재분배 규칙이 트리거되어 국소적 과부하 전파로 인한 시스템 붕괴의 전체 과정을 추적합니다. 다중 모델 비교 시뮬레이션 결과, 시간적 진화와 동적 재할당의 이중 메커니즘을 도입한 후, 매개 중심성 기반의 의도적 공격 시나리오에서 전역 전송 효율의 붕괴를 유발하는 임계 노드 제거 임계값은 12.41% ± 0.63%로 나타났으며, 이는 정적 척도 없는(scale-free) 기준선(7.85% ± 0.42%, p < 0.001)보다 유의미하게 높습니다.
서론
글로벌 정보 기술의 심층적인 통합과 함께, 디지털 경제 생태계는 국경을 초월하여 서로 얽혀 있고 높은 상호 의존성을 가진 복잡한 네트워크 시스템으로 점차 진화해 왔습니다1,2. 이 시스템의 구조적 진화와 회복탄력성 경계에 관한 연구는 거시 경제의 안정적인 운영과 디지털 산업의 보안을 보장하는 데 있어 매우 큰 전략적 중요성을 가집니다. 그러나 글로벌 경제 지형의 재편과 빈번한 비대칭적 외부 충격이라는 배경 속에서, 디지털 경제 생태계가 나타내는 네트워크 위상 취약성이 두드러지게 되었습니다3,4. 기존의 거시 경제 계량 경제학 및 정적 통계 분석 방법들은 대개 시스템의 내부 관계를 변수들의 선형 결합으로 처리하며, 미시 위상적 연쇄 반응의 관점에서 극단적 리스크에 대응하는 동적 상전이 법칙을 밝혀내지 못하고 있습니다5,6,7.
이러한 한계점을 해결하기 위해, 결합된 Temporal Exponential Random Graph Model (TERGM)8,9 및 개선된 Motter-Lai 알고리즘을 포함하는 피지컬 컴퓨팅 프레임워크를 개발하여, 기존 연구10에서 나타난 시간적 불연속성, 부하 분산에 관한 가설, 그리고 구조적 디커플링과 관련된 기술적 문제들을 해결하였습니다. 이 프레임워크는 계획된 비대칭 공격을 받았을 때 디지털 경제 생태계의 회복력 한계를 측정함으로써, 마이크로 수준의 상호작용과 매크로 수준의 전체 시스템 붕괴 사이의 수학적 간극을 메웁니다. 본 연구에서 구축된 통합 컴퓨팅 프레임워크는 복잡한 네트워크 진화의 회복력에 대한 수학적 추론 메커니즘을 개선할 뿐만 아니라, 디지털 시대의 글로벌 네트워크 중단 위기를 방지하기 위한 재현성 높은 수학적 기초를 제공합니다.
프로토콜
본 프로토콜은 실증적 패널 데이터를 디지털 경제 생태계의 정량화된 회복력 임계치로 전환하는 네 단계의 순차적 계산 과정으로 구성된다.
시간적 위상 구조 진화: TERGM을 통한 분석
첫 번째 단계에서는 마르코프 체인 몬테카를로 최대우도 추정법을 사용하는 시간적 지수확률그래프모형(Temporal Exponential Random Graph Model)을 통해 위상 구조의 진화를 수행한다. 디지털 경제 개체를 2018년부터 표현하는 실증적 종단적 패널 데이터셋 ICT-DE500을 사용한다.–2023년 관측 기간의 데이터가 시스템 환경으로 가져와지며, 서로 다른 시간 단계 간 엔티티 인덱스 번호가 정렬되어 수직 방향 그래프 시퀀스가 구성된다. 매개변수 갱신 스텝 크기는 0.01로 고정되며, 정상 분포에 도달하기 위해 초기 10,000회의 MCMC 반복을 번인 기간으로 제거한다. ICT-DE500 데이터셋은 2018년부터 2023년까지의 Crunchbase 글로벌 기업 투자 및 인수합병 기록을 기반으로 구성되며, 정보통신기술 및 디지털 경제 분야에서 운영되는 엔티티만을 필터링하여 포함시킨다. 이와 같이 구성된 네트워크에서 노드는 개별 디지털 경제 엔티티(즉, 기업 및 투자 기관)를 나타내며, 방향성 있는 엣지는 투자 또는 인수합병(M&A)을 통한 무가중 이진 자본 흐름을 나타낸다.&A) 사건들. 이러한 금융 상호작용은 주식 의존성과 자본 흐름이 직접적인 위험 전이 채널을 형성함에 따라 모델링된 부하 전파를 위한 논리적 경로로 작용한다. 한 노드에서 발생하는 금융 위기는 유동성 재분배와 자산 가치 하락을 초래하며, 이는 위상적으로 연결된 파트너에게 직접 전파된다. 중심 500개 엔티티는 관찰 기간 동안 가장 높은 네트워크 중심성 순위와 가장 활발한 상호작용 기록을 기준으로 선정되었다. 각각의 6년에 대해 연간 엣지 슬라이스를 추출하였다. 엔티티 인덱스 번호의 엄격한 시간적 정렬을 보장하고 행렬 차원을 통일하기 위해 (N = 500)인 TERGM 추정에서, 특정 연도에 차수가 0인 고립 노드's 슬라이스는 구조적으로 제거되는 대신 일시적으로 비활성 상태의 개체로 유지되었다. TERGM 수렴은 엣지 밀도, 상호성, 기하급수적으로 가중된 엣지별 공유 파트너십을 포함한 모든 내생적 구조 계수의 MCMC-MLE 매개변수 궤적을 모니터링하여 평가한다. 체인은 10,000단계의 버닝인 기준을 지난 후 모든 매개변수 궤적이 방향성 드리프트 없이 각각의 평균값 주위에서 안정적으로 진동할 때 수렴된 것으로 간주된다. 매개변수 수렴 후, 시스템은 별모양 허브 경향성과 같은 내생적 효과를 모델링하기 위해 10,000회의 순차적 깁스 샘플링 반복을 수행하여 네트워크를 나타내는 연속적이고 시간 정렬된 위상 구조를 생성한다.'거시적 구조 진화
목표 네트워크 구조를 관찰할 조건부 확률을 수학적으로 명세함으로써, TERGM 모델은 생성 과정을 공식적으로 정의한다. Gt 매크로 시간 단계에서 t, 앞서 언급한 네트워크를 고려할 때 Gt-1,로서
여기에서, θ 구조적 진화를 제어하는 핵심 매개변수 벡터이다, h(Gt, Gt-1)은 네트워크이다'내생적 구조적 항목(즉, 엣지 밀도, 상호성, 기하급수적으로 가중된 엣지별 공유 파트너십)을 정량화하는 충분 통계량 벡터이며, c(θ, Gt-1)은 확률 정규화를 보장하는 분배 함수이다. 후속 비선형 연쇄적 고장 시뮬레이션을 위해 생성된 사전 시퀀스에서 최종 안정 상태 네트워크 실현 형태 G1:T 초기 위상 구조 기판으로 추출된다. 결정적으로, 거시경제 구조의 진화는 훨씬 더 긴 시간 척도(거시적 시간 단계, t)보다는 순간적인 지역 캐스케이드 실패가 발생하므로, 캐스케이드 시뮬레이션 동안 네트워크 토폴로지는 TERGM 메커니즘을 통해 계속 진화하지 않는다. 대신, 빠른 마이크로 캐스케이드 시간 단계 동안의 토폴로지 변화는 (τ)은 의도적인 노드 제거와 그에 따른 과부하로 인한 2차 고장에 의해 전적으로 유도된다.
신체 능력 측정 및 부하 초기화
두 번째 단계에서는 출력된 네트워크 토폴로지 행렬 시퀀스에 포함된 모든 노드에 대해 물리적 용량 보정을 수행한다. 모든 노드의 총 연결 차수(total degree)와 방향성 매개 중심성(directed betweenness centrality)을 추출하며, 작은 상수 값 10을 더한다.-8 근접 중심성 계산 시 국소 네트워크의 불연속성으로 인한 0으로 나누기 오류를 방지하기 위해 도입됨. 초기 서비스 부하 Li(0)은 비선형 거듭제곱 법칙 방정식을 사용하여 모든 네트워크 노드에 매핑된다.
어디에서 ki 정규화된 총 차수이며, Bi 정규화된 방향성 근접 중심성, λ 는 평형 상태의 가중치 요소이며(동일한 가중을 보장하기 위해 0.5로 고정됨), β 1.0에서 1.5 사이의 범위로 제한된 부하 배분 지수 물리적 수용 한계 Ci 각 노드에 대한 값은 시스템 수준의 용량 허용 한도 하이퍼파라미터를 적용하여 설정된다. α (0.1에서 0.5 범위) 충격에 대한 물리적 중복 경계를 구축하기 위해
하한 α = 0.1은 노드가 기준 부하보다 10%만 여유 용량을 가지는 최소 중복 시나리오를 나타내며, 상한은 α = 0.5는 50%의 여유 용량을 가진 고중복 구성에 해당한다. 중간 값 α = 0.2, 0.3 및 0.4도 하중 이질성 지수와 함께 직교 매개변수 공간을 완전히 구성하기 위해 이변량 감도 분석에서 사용된다. β. 하중 분배 지수 β 1.0에서 1.5 사이의 범위로 제한된다. β = 1.0은 선형 하중 분포를 생성하며 β = 1.5는 중심성이 높은 노드 방향으로 매우 강하게 편향된 하중 집중을 생성한다. 평형 무게 계수 λ 초기 부하 계산 시 차수 중심성과 매개 중심성의 기여도가 동일하도록 α 값은 0.5로 고정한다. 시계열 변화 및 연쇄적 고장 시뮬레이션을 위한 핵심 파라미터 설정은 다음에 요약되어 있다. 표 1.
의도적인 공격 하에서의 비선형 연쇄 역학
세 번째 단계에서는 고의적인 공격 조건 하에서 비선형 캐스케이드 역학을 구현한다. 시뮬레이션은 매개 중심성(betweenness centrality)의 내림차순에 따라 핵심 노드 집합을 잠그고 강제로 제거함으로써 고의적인 공격을 시작하며, 이로 인해 디지털 생태계의 초기 위상 보호 구조가 파괴되어 미세 캐스케이드 시간 단계에서 동적 스트레스를 시험한다. 부하 재분배 엔진이 작동하여 인접 노드의 실시간 잔여 물리적 용량에 제한된 오버플로 흐름을 재라우팅하며, 이때 싱크(sink) 항은 10이다.-8 상업적 경로가 완전히 차단되었을 때 디지털 자산의 오버플로우를 시뮬레이션하기 위해 도입됨. 노드의 일시적 부하가 물리적 용량을 초과하면 해당 노드는 실패한 것으로 선언되며, 이 과부하 검증은 모든 활성 노드에서 병렬로 수행되어 이진 생존 상태 함수를 갱신한다. 의도적인 공격은 매개 중심성(betweenness centrality)의 엄격한 내림차순에 따라 노드를 표적으로 하며, 각 공격 단계에서 생존한 활성 집합에서 정확히 하나의 노드를 제거한다. 부하 재분배 가중치 
실패한 노드에서 할당됨 i ∈ Fτ 생존한 이웃에게 j ∈ Aτ 마이크로 시간 단계에서 τ 계산되는 것으로,
여기서 
이웃의 남은 물리적 용량을 나타낸다 j, Gij 위상적 인접 지표이다, Aτ 활성 생존 노드 집합이며, 
= 10-8 0으로 나누는 것을 방지한다. 이러한 가중치를 기반으로 순간 부하 스케일 
생존 노드의 수가 동기적으로 전이된다
그 후, 이차적 고장 상태 업데이트는 이진 생존 함수를 통해 검증된다. 
:
노드가 실패한 것으로 선언됨(
) 일시적인 부하가 용량을 초과할 때, 고장 집합을 갱신함 Fτ+1계단식 반응이 정상 상태에 도달할 때 Fτ+n = ∅, 이는 현재 마이크로 시간 단계에서 추가적인 노드 고장이 없으며, 생존한 모든 노드가 각자의 용량 한계 내에서 작동하고 있음을 나타낸다.
연쇄적 루프는 추가적인 노드 고장이 없어질 때까지 지속되며, 이때 캐스케이드 잠재력이 완전히 소산된 2차 정상 상태에 도달하게 된다.
시스템 회복력 평가 및 임계점 식별
네 번째 단계에서는 디지털 생태계 그래프의 거시적 붕괴율을 모니터링함으로써 시스템의 회복력을 평가한다. 생존한 노드에서 유도된 가장 큰 연결 성분의 상대적 크기를 제거된 노드의 비율에 따라 지속적으로 추출하여 위상 전이 붕괴 곡선을 도시한다. 전역 전달 효율성 E(τ)은 생존한 토폴로지의 연결성을 정량화하기 위해 계산된다
여기서 N 초기 총 노드 수(상수)이며, Aτ 생존하는 활성 노드들의 집합이며, 
노드로부터의 방향성 최단 측지 거리 i ~하기 위해 j 현재 단계에서, 효율 함수의 제거 비율에 대한 1차 도함수의 변화를 모니터링함으로써 중요한 전이 임계점을 식별한다. 이 임계점은 1차 도함수가 최소값을 나타내는 지점으로 결정되며, 이는 전파 효율의 가장 급격한 감소를 나타낸다. 전역 전파 효율을 수치적 미분하여 중요한 회복력 임계점을 계산한다. E(τ) 노드 제거 비율 f에 대해 2차 중심 차분 방식을 사용하여 계산한다. 1차 도함수 경로 dE/df는 다섯 개의 연속된 데이터 포인트로 구성된 이동 평균 창을 이용하여 스무딩하여 몬테카를로 샘플링 잡음을 줄이되, 최대 기울기 하강 지점의 위치는 보존한다. 임계 임계치 fc 제거 비율로서, 평활화된 1차 미분값이 전이 효율의 최대 감소율에 해당하는 전역 최소값을 나타내는 지점을 선택한다. 이 선택 기준은 모든 시뮬레이션 시나리오 및 기준 모델에 일관되게 적용된다. 보고된 임계값은 12.41%이다. ± 0.63%은 서로 다른 랜덤 시드를 사용한 100회의 독립 몬테카를로 시뮬레이션에서 계산된 평균과 표준편차를 나타내며, 위상 전이 위치 결정의 통계적 견고성을 보장한다.
시뮬레이션 설정 및 기준 구현
완전히 재현 가능한 시뮬레이션을 보장하기 위해 각 몬테카를로 반복 이전에 순차적으로 랜덤 시드(정수 1부터 100까지)를 할당하였다. 위상적 진화 및 통계적 모델링은 R의 tergm 패키지를 사용하여 수행되었으며, 비선형 캐스케이딩 시뮬레이션은 Python의 NetworkX 라이브러리를 사용하여 구현하였다. 또한 비교 기반 딥러닝 베이스라인을 위해 GCN-Attack 모델을 PyTorch Geometric을 사용하여 구현하였다. 이 모델은 은닉 차원 64의 표준 두 층 그래프 합성곱 네트워크 아키텍처로 구성하였으며, 베이스라인 평가 전반에 걸쳐 엄격하고 일관된 실험적 통제를 보장하기 위해 Adam 옵티마이저를 사용하여 학습률 0.01로 200에포크 동안 학습시켰다.
결과
제안된 물리적 계산 프레임워크의 전반적인 실행 로직과 데이터 흐름은 다음에 도시되어 있다. 그림 1. 프레임워크가 실행됨에 따라 국부적 오버플로드 재분배의 미세 열적 특성과 노드 차수 분포의 비선형적 진화 과정이 포착된다(개요는 다음에서 확인할 수 있음: 그림 2 그리고 그림 3, 아래에 동적 세부 사항을 설명한다. 이후 섹션에서는 시뮬레이션 결과를 프로토콜 단계에 직접 대응시킨다.
시간적 위상 구조 진화: TERGM을 통한 분석
그림 4 공격 시뮬레이션에서 표적으로 삼은 높은 베트니스 중심성을 가진 노드들의 분포를 강조하며, ICT-DE500 코어 네트워크의 공간적 위상 구조 및 커뮤니티 구조를 시각적으로 분해한다. 적합도 검정 결과, 생성된 네트워크 위상 구조는 실제 생태계의 시간적 진화를 효과적으로 모사하며, 10,000단계의 번인 기간 이후 기울기 폭발 또는 국소 최적해에 빠지는 문제를 성공적으로 회피함을 확인하였다. 그림 5 MCMC-MLE 매개변수 수렴 진단 궤적과 측지 거리 적합도를 제시한다. 그림 5A 에지 밀도를 나타내는 세 가지 핵심 매개변수를 보여줌 θ₁, 상호성 θ₂, 그리고 기하학적으로 가중된 엣지 공유 파트너십 θ₃ 10,000 스텝의 번인(burn-in) 임계값을 지나면 모든 추출값이 큰 방향성 드리프트를 종료하며, 기대 평균이 수평 기준선 근처에서 수렴하고 안정화된다. 그림 5B 관측된 최단 측지 거리에 대한 경험적 결과가 1,000회의 독립적인 네트워크 실현 자료의 전체 분포 범위 내에 뚜렷하게 포함됨을 보여준다. 이러한 실현 자료는 자기상관을 최소화하기 위해 10,000회의 순차적 깁스 표집 반복 중에서 10의 얇은 간격(thinning interval)을 사용하여 추출하였으며, 이는 위상 구조 생성 기반의 신뢰성을 입증한다. 관측 연도별로 내생적 구조 효과에 대한 구체적인 MCMC-MLE 매개변수 추정치, 표준오차 및 통계적 유의성은 다음에 자세히 설명되어 있다. 표 2.
거시적 위상 구조의 시간적 진화는 다음에서 정량화된다. 그림 62018년부터 2023년까지 네트워크 밀도는 0.015에서 0.035로 꾸준히 증가하였으며, 평균 클러스터링 계수는 0.22에서 0.37로 상승하여 밀도와 클러스터링 간의 뚜렷한 분기 현상이 나타났다. 밀도는 2020년에서 2021년 사이에 0.021에서 0.029로 가장 급격히 증가하였으며, 클러스터링 계수는 2020년에 약 0.31의 국소적 정점을 기록한 후, 2021년의 급속한 밀도 증가에도 불구하고 약 0.29로 하락하였다. 이러한 분기는 거시경제 순환 변동 하에서의 적응적 진화 메커니즘을 드러내는데, 2020년의 리스크 회피적 그룹화가 지역적 클러스터링을 유도한 반면, 2021년의 대규모 새로운 국경 간 연결이 밀접한 공동체 구조를 일시적으로 희석시켰음을 보여준다.
신체 능력 보정 및 부하 초기화
이변량 감수성 분석에서 그림 7 물리적 용량 여유와 부하 극화의 공동 작용이 최대 연결 성분의 위상 전이 궤적에 미치는 영향을 분석한다. 용량 허용 한계의 9가지 직교 조합 전반에 걸쳐 α 및 불균일성 로딩 β, 패널 배열은 증가할수록 α 감소시키고 β 두 가지 모두 네트워크 붕괴를 지연시킨다. 극성화된 부하 조건에서 β = 1.5 및 최소 중복 α = 0.1 인치 그림 7A, 임계 붕괴 임계값은 약 fc = 0.08. 상승 α 0.5까지 그림 7C 비틀림 점을 f 방향으로 오른쪽으로 이동시킨다c ≈ 0.23. 균형 잡힌 부하 조건에서 β = 1.0 및 α = 0.1 인치 그림 7G, 임계값은 f에서 강건성을 유지한다c ≈ 0.18이며, 최적 조합에서 α = 0.5 및 β = 1.0 in 그림 7I, 임계값이 f까지 크게 확장된다c ≈ 0.38. 이러한 결과는 부하 분산이 단순한 용량 확장보다 회복력 측면에서 더 큰 한계 이득을 제공함을 보여준다.
의도적인 공격 하에서의 비선형 연쇄 역학
프레임워크 개요에서 소개된 바와 같이, 초기 캐스케이드 고장 이후 지역적 오버플로우 부하 재분배에 따른 미세 열적 특성이 아래에 나타나 있다. 그림 2, 그리고 세 가지 전형적인 미소 시간 단계에서 노드 차수 분포의 비선형적 진화가 제시되어 있다. 그림 3.
시스템 회복력 평가 및 임계점 식별
전 세계 전파 효율에 대한 중요한 전이 임계값은 12.41%에 위치한다. ± 표적 공격 시 0.63%의 노드 제거. 500노드 네트워크의 맥락에서 이 비율은 약 62개의 핵심 허브 노드를 표적으로 제거한 것에 해당한다. 이 임계점은 전달 효율의 가장 급격한 감소가 시작되는 효율 붕괴 지점을 의미하며, 완전한 위상적 분리 상태를 의미하지는 않는다. 그림 8 전역 효율성 E의 3차원 진화 표면을 제시한다τ제거율 및 최대 네트워크 부하 대비 그림 8A, 그리고 수치 미분을 이용한 2차원 단면 그림 8B. 제거율 f가 0.10 미만일 때, E(τ)이 0.8 이상을 유지하고 1차 미분값이 얕은 범위에서 진동한다. 1차 미분 궤적의 최소값이 임계 전이 임계점을 나타내며, 그림 8B f에서 단일 런의 단면을 표시함c = 12.0%로, 100회의 독립된 몬테카를로 시뮬레이션에서 얻은 통계적 평균과 매우 일치함.
시뮬레이션 설정 및 기준 구현
제안된 모델은 표적 공격 시나리오 하에서 정적 및 딥러닝 기반 베이스라인을 상당히 능가한다. 그러나 무작위 고장 조건 하에서는 Static BA-ML 베이스라인이 TERGM-ML 모델(46.28%)에 비해 더 높은 생존 임계값(49.12%)을 나타낸다. Barabási-Albert 생성 메커니즘은 ERGM 프레임워크와 근본적으로 다르다. 그림 9 네 가지 모델 아키텍처에서 캐스케이드 전파 피크 속도를 나타내는 레인클라우드 플롯. 정적 BA-ML 기준 모델은 단계당 약 49.7개 노드의 중앙값 피크 속도를 보이며, 극단적인 배치는 약 140에 근접한다. SNA-Cascading 및 GCN-Attack 모델은 각각 약 35.6 및 23.9의 중앙값을 가진다. TERGM-ML 모델은 단계당 13.2개 노드의 중앙값을 보이며 가장 강한 수렴을 나타내며, 40을 초과하는 극단적 붕괴를 거의 제거한다. 표 3 모든 모델에 대한 중요한 임계값과 통계적 유의성을 요약한다. 이러한 비교를 통해 TERGM-ML 프레임워크가 목표 지향적인 비대칭 충격에 대해 우수한 구조적 회복력을 보여준다는 점을 명확히 하며, 관찰된 성능 차이가 고립된 메커니즘 제거에만 기인하는 것이 아니라, 서로 다른 기반 토폴로지, 시간적 진화 및 용량 인식 재분배의 공동 영향을 반영하고 있음을 확인할 수 있다.
데이터 이용 가능성:
이 연구에서 사용된 원시 데이터는 Kaggle 플랫폼(https://www.kaggle.com/datasets/justinas/startup-investments)을 통해 공개적으로 이용 가능한 Crunchbase 글로벌 기업 투자 및 인수 데이터베이스에서 파생된 것이다. 처리된 ICT-DE500 하위집합은 2018년부터 2022년까지의 연간 엣지 행렬로 구성된 500개의 엔티티로 이루어져 있다.–2023년 및 차수와 매개 중심성 등 노드 속성 데이터, TERGM 추정 및 수렴 진단 스크립트, 개선된 모터-라이 알고리즘을 포함한 연쇄적 고장 시뮬레이션 코드, 그리고 완전한 종속성 명세는 공개적으로 접근 가능한 GitHub 저장소(https://github.com/moonmoon1189/digital-economy-resilience-complex-networks)에 보관되었다.
그림 1시간적 위상 구조의 진화 및 비선형 캐스케이드 물리적 계산 프레임워크 이 그림은 위상 구조의 진화, 물리적 용량 보정, 비선형 캐스케이딩 및 회복력 평가 단계를 포함하여 임계 전이 임계값을 식별하기 위한 전체 실행 로직과 데이터 흐름을 보여준다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 2비선형 하중 재분배 및 국부적 연쇄 과부하의 미세 구조적 진화에 대한 열 다이어그램. 도면은 마이크로 시간 단계 0에서 단계 5까지 초기 캐스케이드 고장 이후 오버플로우 부하의 지역적 재분배에 따른 동적 열적 특성을 보여준다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 3: 캐스케이딩 고장 동안 노드 차수 분포의 비선형 진화 산점도. 도는 시스템의 노드 차수 분포가 세 가지 전형적인 미소 시간 단계(0, 3, 6)에서 어떻게 변화하는지를 보여준다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 4: ICT-DE500 코어 네트워크의 공간적 위상 구조, 커뮤니티 구조 및 의도적 공격 대상 분포 이 그림은 핵심 네트워크의 고도로 비선형적인 거시적 위상 구조와 미시적 노드 속성을 시각적으로 분해하여 스타 허브와 취약한 원천을 강조한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 5마르코프 체인 몬테카를로 매개변수 진단 궤적 및 측지 거리의 적합도 검정 (A) 이 패널은 반복 횟수에 따른 MCMC-MLE 매개변수 추정의 진단 경로를 보여주며, 패널 (B)는 최단 지오데식 거리의 적합도 검정을 나타낸다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 6: 시계열 변화에서 거시적 위상 특징 매개변수의 결합 분포 도표는 2018년부터 2023년까지 디지털 경제 생태계의 거시적 위상적 파라미터, 특히 네트워크 밀도와 평균 클러스터링 계수의 변화 추세를 보여준다. 추세선 주위의 음영 영역은 100회의 독립적 몬테카를로 시뮬레이션에서 도출된 95% 신뢰구간을 나타낸다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 7용량 허용오차 및 부하 이질성에 대한 이변량 감수성을 나타내는 위상 전이 감쇠의 배열 플롯. (A–I이 패널들은 용량 허용오차와 부하 이질성의 다양한 직교 조합을 통한 상전이 궤적을 보여준다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 8: 전 세계 전파 효율의 3차원 공동 프로파일 및 단면별 임계 전이 임계값. 패널(A)은 전 세계 전송 효율의 3차원 공간적 진화를 구성하며, 패널 (B) 수치 미분을 사용하여 2차원 단면상의 임계 전이 임계값(즉, 효율성 붕괴 지점)의 위치를 추출한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
그림 9: 강우 구름 플롯에서 캐스케이드 전파 피크 진화 속도의 불균일한 분포. 이 그림은 4가지 모델의 연쇄 전파 피크 속도가 2차 재해 발생 중에 나타내는 이질적인 확률 밀도 분포를 종합적으로 보여준다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.
| 매개변수 | 가변 & 범위 | 제한 조건 & 근거 |
| 네트워크 규모 | N=500 | 추출된 ICT-DE500 실증 네트워크 부분집합의 고정된 크기. |
| 중심성 가중치 | λ=0.5 | 동일한 가중치를 위해 차수와 매개중심성에 앵커 기준선 적용 |
| 부하 분배 지수 | β∈[1.0,1.5] | 초기 비즈니스 부하 불균일성을 제어하는 비선형 지수 |
| 용량 허용오차 | α∈[1.0,1.5] | 물리적 용량의 상한을 정의하는 시스템 수준의 중복 비율 |
| MCMC 번인 기간 | >10,000보 | 정적 분포 달성을 위해 폐기된 필수 초기 반복 |
| 깁스 샘플링 반복 횟수 | >10,000보 | 시간 정렬된 네트워크 토폴로지를 생성하기 위한 순차적 샘플링 단계 |
표 1: 시계열 변화 및 연쇄적 고장 물리 시뮬레이션을 위한 핵심 파라미터 설정 표는 네트워크 규모, 중심성 가중치, 부하 할당 지수, 용량 허용 한계 및 마르코프 체인 몬테카를로(MCMC) 반복 횟수를 포함한 핵심 매개변수를 정의한다.
| 관찰 연도 | 에지 밀도(θ1) 추정 | 에지 밀도(θ1) 표준오차 | 상호성 (θ2) 추정 | 상호성 (θ2) 표준오차 | GWESP (θ3) 추정 | GWESP (θ3) 표준오차 | 의의 |
| 2018 | -6.35 | 0.12 | 1.95 | 0.08 | 1.25 | 0.05 | *** |
| 2019 | -6.15 | 0.11 | 1.98 | 0.09 | 1.35 | 0.06 | *** |
| 2020 | -6.05 | 0.14 | 2.15 | 0.1 | 1.55 | 0.07 | *** |
| 2021 | -5.85 | 0.13 | 1.9 | 0.09 | 1.3 | 0.06 | *** |
| 2022 | -5.75 | 0.12 | 2.05 | 0.08 | 1.42 | 0.05 | *** |
| 2023 | -5.65 | 0.11 | 2.1 | 0.07 | 1.48 | 0.05 | *** |
표 2: 관찰 연도(2018년)를 통해 본 내생적 구조 효과에 대한 TERGM 매개변수 추정치–2023). 표는 6개의 연간 관찰 기간 동안 엣지 밀도, 상호성, 기하급수적으로 가중된 엣지별 공유 파트너십에 대한 마르코프 체인 몬테카를로 최대우도추정(MCMC-MLE) 매개변수 추정치, 표준오차 및 통계적 유의성을 보고한다. ***p < 0.001. 매개변수 추정치 옆에는 표준오차가 함께 제시되어 있다.
| 모델 아키텍처 | 시간적 진화 메커니즘 | 동적 재할당 메커니즘 | 임계 임계값(표적 공격) | 임계 임계점(무작위 실패) | 통계적 유의성 (p-값) |
| TERGM-ML | 예 | 예 | 12.41% ± 0.63% | 46.28% ± 1.75% | 기준 기준선 |
| 정적 BA-ML | 아니요 | 예 | 7.85% ± 0.42% | 49.12% ± 1.88% | p < 0.001 *** |
| SNA-연쇄 반응 | 예 | 아니요 | 8.93% ± 0.55% | 37.54% ± 1.42% | p = 0.003 ** |
| GCN-Attack (SOTA 베이스라인) | 내재된 | 내재된 | 10.76% ± 0.81% | 43.15% ± 2.05% | p = 0.021 * |
표 3: 코어 메커니즘 제거와 다중모델 아키텍처의 회복력 경계 비교 표는 시간적 그래프와 개선된 모터-라이 모델(TERGM-ML) 및 세 가지 기준 모델의 시스템 회복력에 대한 중요 임계값과 통계적 검정 결과를 의도적 공격 및 임의적 고장 상황에서 각각 제시한다. 값은 평균으로 나타냄 ± 100회의 독립 몬테카를로 시뮬레이션을 기반으로 한 표준편차. 타깃 공격(targeted attack)은 매개 중심성(betweenness centrality)이 높은 순서대로 노드를 순차적으로 제거하는 것을 의미한다. 통계적 유의성은 독립 이표본 t-검정을 사용하여 각각의 기준 모델과 제안된 프레임워크 간 타깃 공격 임계값의 차이를 평가한다(*p < 0.05, **p < 0.01, ***p < 0.001).
토론
결합 시계열 그래프와 개선된 Motter-Lai(TERGM-ML)를 결합한 제안된 계단식 물리 계산 프레임워크는 회복력 예측에 있어 기존의 순수 데이터 기반 모델이 가진 블랙박스적 한계를 효과적으로 완화합니다. 이 프레임워크는 Wasserman과 Pattison이 도입한 기초적인 지수 무작위 그래프 모델11과 Motter와 Lai가 최초로 개발한 계단식 공격 프레임워크12를 기반으로 하며, 이를 확장하여 시간적 역학 및 국부 용량 제약 문제를 해결합니다. 이 패러다임은 국부 물리 용량 경계 제약에 기반한 선택적 흐름 로직을 도입함으로써, 실제 내생적 위상 진화와 미세 엔티티의 부하 지지 한계를 밀접하게 결합합니다. 시간적 진화 메커니즘은 동적 네트워크 모델링을 위한 TERGM 사양13,14을 따르며, 용량 할당 전략은 계단식 고장 완화를 위한 네트워크 중복 설계 원칙15,16과 일치합니다.
이 프로토콜의 핵심 단계는 가용한 인접 노드 용량을 기반으로 기본 비즈니스 흐름을 최적으로 재라우팅하는 메커니즘이며, 이는 기존 Motter-Lai 모델의 비현실적인 "평균 분배" 가정을 대체합니다. 표준 Motter-Lai 모델의 균등 재분배 가정은 이질적인 노드 용량 제약을 무시한다는 점에서 최근의 인프라 회복력 연구들에서 비판을 받아왔습니다6,10. 본 연구 결과는 기본 폐쇄 루프 커뮤니티 네트워크가 오버플로우 부하 피크에 대해 분명한 물리적 감쇠 효과를 가지며, 이를 통해 캐스케이드 전파를 효과적으로 억제하고 글로벌 전송 효율의 상전이 붕괴를 상당히 지연시킨다는 것을 나타냅니다. TERGM-ML 모델은 의도적 공격에 대해 12.41% ± 0.63%에 달하는 가장 높은 임계값을 보였으며, 이는 내생적 네트워크 구조의 감쇠 능력을 반영하고 단일 지점의 오버플로우로 인해 유발되는 글로벌 아발란체 위험을 완화합니다. 임계값이 7.85%에서 12.41%로 상승한 것은 두 가지 시너지 메커니즘에서 기인합니다. 시간적 진화 메커니즘은 정적 척도 없는 네트워크(scale-free networks)에는 없는 폐쇄 루프 커뮤니티 구조와 상호적 유대를 생성합니다. 이러한 커뮤니티는 오버플로우 부하가 먼 지역에 도달하기 전 여러 커뮤니티 내부 경로를 거치도록 강제함으로써 과부하 전파를 공간적으로 제한하며, 각 이동 단계에서 인접 노드에 의한 흡수를 통해 일시적 부하의 일부를 소산시킵니다. 동적 재분배 메커니즘은 오버플로우 부하를 양의 잔여 용량 ΔCj(τ) > 0을 가진 인접 노드로만 유도하여, 표준 Motter-Lai 모델에서 지역적 중복성을 빠르게 고갈시키는 균등 분배를 방지합니다. 폐쇄 루프 커뮤니티는 용량 인식 라우팅이 효과적으로 작동하게 하는 위상 구조를 제공하고, 용량 인식 라우팅은 커뮤니티 내부 링크의 조기 포화를 방지합니다. 이러한 결합은 통합 프레임워크가 정적 베이스라인보다 임계값에서 4%포인트 이상 우수한 성능을 보이는 이유를 설명합니다. 이 임계값은 표적 공격 하의 척도 없는 네트워크에 대한 이론적 예측17 및 복잡계에서 관찰되는 퍼콜레이션 상전이 거동18과 일치합니다.
이러한 발전에도 불구하고, 본 방법에는 몇 가지 한계가 있습니다. 기존의 관측 경계로 인해 현재의 외삽법은 전역 토폴로지의 중앙 집중식 완전 슬라이스에 크게 의존하며, 이산화된 샘플링 시간 창으로는 고주파의 갑작스러운 외부 환경 진동으로 인해 발생하는 미세 시간 가변 임피던스 교란을 정확하게 포착할 수 없습니다. 이러한 한계는 사이버 물리 시스템의 회복탄력성 지표 및 동적 조건에서의 연쇄 고장 모델링에 관한 최근 리뷰에서 확인된 과제들과 일맥상통합니다19,20. 향후 연구 및 응용은 분산형 아키텍처로 확장하여, 불완전 정보 게임 조건 하에서 다중 에이전트 분산 협업에 기반한 적응형 회복탄력성 동적 보상 메커니즘 탐구에 집중할 수 있습니다. 단층 그래프 추상화와 전역 파라미터 할당은 현재 프레임워크의 주요 한계점입니다. 다층 네트워크 연구에 따르면, 상호작용 층 간의 상호 의존성은 단층 모델이 포착할 수 없는 방식으로 연쇄 전파를 증폭시키거나 감쇄시킬 수 있음이 밝혀졌습니다. 용량 허용 오차 α 와 부하 할당 지수 β 를 전역적으로 할당하는 방식은 용량 마진과 부하 민감도에 있어서의 개체별 이질성을 추상화하여 배제합니다. 향후 연구를 위해 세 가지 확장 방향을 조사할 가치가 있습니다. 첫째, 단층 토폴로지를 자본 흐름, 기술 라이선스, 서비스 제공을 서로 다른 층으로 구분하고 층 간 의존성을 반영하는 다층 표현으로 대체하는 것입니다. 둘째, 기업 수준의 운영 데이터로부터 개체별 용량 및 부하 파라미터를 보정하는 것입니다. 셋째, 중앙 집중식 토폴로지 슬라이스에서 노드가 국소적으로 관찰 가능한 신호를 바탕으로 적응적 재분배 결정을 내리는 분산형 다중 에이전트 아키텍처로 전환하는 것입니다. 최근의 다층 네트워크 연구들은 서로 다른 상호작용 층 간의 상호 의존성이 단층 모델로는 포착할 수 없는 방식으로 연쇄 전파를 증폭시키거나 감쇄시킬 수 있음을 입증했습니다.
공개 사항
저자들은 상충하는 이해관계가 없음을 밝힙니다. 그래픽 요소의 생성, 제작 또는 수정 과정에서 생성형 인공지능(AI) 도구는 사용되지 않았습니다.
저자 기여:
F.Y.와 Y.Z.가 연구를 구상하고 설계하였습니다. F.Y.는 계산 시뮬레이션을 수행하고 데이터를 분석하며 초안 원고를 작성하였습니다. Y.Z.는 연구를 감독하고 이론적 지도를 제공하였으며, 중요한 학술적 내용에 대해 원고를 비판적으로 검토 및 수정하였습니다. 모든 저자는 최종 원고를 검토하고 승인하였습니다.
감사의 글
저자들은 제출된 연구물과 관련하여 어떠한 기관으로부터도 지원을 받지 않았습니다.
재료
| 이름 | 회사 | 카탈로그 번호 | 댓글 |
|---|---|---|---|
| AMD EPYC 7742 CPU | Advanced Micro Devices | 7742 | 그래프 구조 탐색 및 최단 경로 재계산을 위한 고성능 프로세서. |
| Crunchbase Database | Kaggle | startup-investments | 글로벌 네트워크 기반으로 사용된 전 세계 기업 투자 및 M&A 네트워크 기록. |
| CUDA 11.6 | NVIDIA | version 11.6 | GCN 베이스라인 모델의 텐서 연산에 활용된 하드웨어 가속 플랫폼. |
| NetworkX 2.8 | NetworkX Developers | version 2.8 | 그래프 파라미터 추출 및 경로 검색에 사용된 복잡 네트워크 분석 라이브러리. |
| NumPy | NumPy Developers | N/A | 결정론적 로직을 보장하고 수치적 드리프트를 제거하는 수학적 커널 프레임워크. |
| NVIDIA RTX 3090 GPU | NVIDIA | RTX 3090 | 딥러닝 베이스라인의 텐서 계산 가속화를 위해 배치된 그래픽 프로세서. |
| Python 3.9 | Python Software Foundation | version 3.9 | 컴파일 및 실행되는 핵심 프레임워크의 기본 실행 환경. |
| PyTorch 1.12 | Meta AI | version 1.12 | 베이스라인 모델의 그래프 계산 및 순전파에 사용된 딥러닝 라이브러리. |
| R | / | version 4.2.2 | / |
| statnet package | The statnet Project | N/A | 다단계 동적 네트워크 TERGM MCMC-MLE에 사용된 고급 통계 확장 패키지. |
| tergm package | / | version 4.2.0 | / |
| Ubuntu 22.04.1 LTS | Canonical | 22.04.1 LTS | 멀티스레드 계산 매트릭스를 호스팅하는 서버 운영 체제 구성. |
참고문헌
- Rong K. Research agenda for the digital economy. J Digit Econ. 2022;1(1):20–31.
- Fan R, et al. Network dynamics of inter-firm innovation in China’s digital economy: a two-layer network perspective. Technol Anal Strateg Manag. 2025:1–20.
- Feng Y, Huang M. The geographical analysis of global economic uncertainty: resource distribution, geopolitical risks, and systemic vulnerability. Geogr Res Bull. 2025;4:570–573.
- Zhang H, Liu H, Chen R. Multilayer innovation network resilience: a framework for digital economy vulnerability assessment. iScience. 2026;29(1):114295.
- Zang T, et al. Current status and perspective of vulnerability assessment of cyber-physical power systems based on complex network theory. Energies. 2023;16(18):6509.
- He S, et al. Cascading failure in cyber-physical systems: a review on failure modeling and vulnerability analysis. IEEE Trans Cybern. 2024;54(12):7936–7954.
- Dong G, Sun Z, Sun N, Wang F. Understanding percolation phase transition behaviors in complex networks from the macro and meso-micro perspectives. Europhys Lett. 2022;139(6):61001.
- Shi X, Huang X, Liu H. Research on the structural features and influence mechanism of the low-carbon technology cooperation network based on temporal exponential random graph model. Sustainability. 2022;14(19):12341.
- Yao X, Du Y, Pu Y, Wang B. Structural evolution and its determinants of domestic value-added network of digital service exports based on temporal exponential random graph model. Emerg Mark Finance Trade. 2024;60(14):3387–3401.
- Lu Z, Qiu W. Resilience analysis of seaport-dry-port network in container transport: multi-stage load redistribution dynamics following cascade failure. Systems. 2025;13(4):299.
- Wasserman S, Pattison P. Logit models and logistic regressions for social networks: I. An introduction to Markov graphs and p*. Psychometrika. 1996;61(3):401–425.
- Motter AE, Lai YC. Cascade-based attacks on complex networks. Phys Rev E. 2002;66(6):065102.
- Fritz C, Mehrl M, Thurner PW, Kauermann G. Exponential random graph models for dynamic signed networks: an application to international relations. Polit Anal. 2025;33(3):211–230.
- Li Y, Pu Y. Pattern evolution and dynamic formation mechanism of global scrap copper trade network: based on temporal exponential random graph model. Ecol Econ. 2025;236:108664.
- Liu J, Liu X, Liu P. Capacity allocation strategy against cascading failure of complex network. J Syst Eng Electron. 2024;35(6):1507–1515.
- Motter AE. Cascade control and defense in complex networks. Phys Rev Lett. 2004;93(9):098701.
- Albert R, Jeong H, Barabási AL. Error and attack tolerance of complex networks. Nature. 2000;406(6794):378–382.
- Artime O, et al. Robustness and resilience of complex networks. Nat Rev Phys. 2024;6(2):114–131.
- Li ZS, Wu G, Cassandro R, Wang H. A review of resilience metrics and modeling methods for cyber-physical power systems. IEEE Trans Reliab. 2024;73(1):59–66.
- Ma C, et al. A review of supply chain resilience: a network modeling perspective. Appl Sci. 2025;15(1):265.