8.1 多层网络与时序网络

8.1 多层网络与时序网络

摘要：多层网络为「同一批节点在多个关系层面上的叠加」建图，时序网络为「边的生灭与时间秩序」建图。两层新口径各带来一次结论翻转：层间依赖把渐进退化改写成突然崩塌（一阶灾变）；忽略时间秩序会让传播「提前发生」、可达性被高估。本节在体系中的位置：新翼第一件展品，把第 1 章的建图规程升级到多层与时间维。

主馆欠你的两笔账

离开主馆前清点一下隐含假设，你会发现前七章的口径欠了两笔账。第一笔：单层假设。社交平台的人既是好友图上的节点（关注层），又是通信图上的节点（消息层），还是资金图上的节点（转账层）——把三层压成一层，等于宣布「这三种关系可以互相顶替」。可它们分明不同：消息能到的地方好友未必到，资金能走的路径消息未必走。第二笔：静态假设。任何快照里的「不存在边」都只是「此刻不存在」——上周聊过天的两人这周没有边，但他们上周的信息交换已经发生了。把快照摞起来当永久结构，时间就欠账了。

新翼的第一件展品就是来还账的。多层网络给同一节点集配多个「层」：层内有各自的关系边，层间有依赖边（同一实体在不同层的身份连线，或跨层的功能依赖——电网层给通信层供电，通信层给电网层传调度指令）。时序网络把每条边打上时间戳，网络变成边的事件序列而非静态集合。两套口径解决「压层」与「压时间」各自的失真。

层间依赖：渐坏变猝死

多层口径带来的第一个大发现令人不安。单看一层网络，故障通常是「渐坏」：节点逐步失联，巨连通分量平滑萎缩（第 5 章渗流的二阶相变）。把两层网络用依赖边焊在一起，灾变性质突变：一层里的局部故障沿依赖边传到另一层，另一层的失效又反过来加剧第一层——往返放大的结果是一阶相变：系统在临界点前几乎完好，跨过临界点瞬间全面崩塌，没有任何渐进预警。相互依赖网络的经典模型给出两个刺眼的读数：临界占据率比单层大幅提前（更脆弱），崩塌形式是跳变而非滑坡（更突然）。

真实现场对号入座：区域大停电的经典剧本常是「电网—通信/调度网」的相互依赖雪崩——电网局部故障让通信基站失电，调度信息中断又让电网无法正确切除故障段，往返数轮后整个系统跳崖。第 6.2 节的级联是「层内转嫁」，相互依赖是「层间转嫁」——两台引擎可以叠加，脆弱性按乘法结算。

import networkx as nx
import random

def interdependent_cascade(A, B, keep, seed=0, dep_mode="random"):
    """两层各保留比例为keep的节点，依赖边失败连坐，返回两层巨分量占比"""
    rng = random.Random(seed)
    dep = {v: rng.choice(list(B)) for v in A}      # A层每个节点依赖B层一个节点
    aliveA = set(rng.sample(list(A), int(A.number_of_nodes() * keep)))
    aliveB = set(B) - {dep[v] for v in A if v not in aliveA}  # 依赖失效连坐
    while True:
        # 层内渗流：各自取最大连通分量
        mainA = aliveA and set(max(nx.connected_components(A.subgraph(aliveA)), key=len))
        mainB = aliveB and set(max(nx.connected_components(B.subgraph(aliveB)), key=len))
        if not mainA and not mainB:
            return 0.0, 0.0
        # 层间连坐：不在对侧主分量里的依赖者死亡
        newA = {v for v in mainA if dep[v] in (mainB or set())}
        newB = {dep[v] for v in newA}
        if newA == aliveA and newB == aliveB:
            break
        aliveA, aliveB = newA, newB
    nA, nB = A.number_of_nodes(), B.number_of_nodes()
    return len(aliveA) / nA, len(aliveB) / nB

A = nx.gnp_random_graph(300, 6 / 299, seed=1)
B = nx.gnp_random_graph(300, 6 / 299, seed=2)
print("占据率 | A层巨分量 | B层巨分量（相互依赖双网）")
for keep in [0.95, 0.9, 0.85, 0.8]:
    fa, fb = interdependent_cascade(A, B, keep, seed=3)
    print(f"{keep:6.2f} | {fa:9.2f} | {fb:9.2f}")
​

读数呈台阶状：占据率尚高时双层几乎完好，跌破某个水平直接跳崖归零——与单层渗流的光滑萎缩判然两途。层间依赖是系统性风险的放大器，监管语言里的「跨业态风险传染」说的就是它。

时序网络：时间不是背景板

时序口径的要点是：边是事件，不是状态。「A 与 B 在某时刻有边」只在那段时间里能传信息；跨越更长的窗口，需要「时间尊重路径」——一条依次发生、时间严格递增的边序列。这个约束直接改写动力学的起点时间。经典读数：静态聚合图上的「平均最短路径」系统性地过短——它默认任何边随时可用，等于让信息搭乘时间机器；按时间尊重路径重算，真实可达距离更长、可达集合更小。聚合三失真登记在案：其一，传播提前（不存在的边被提前启用）；其二，可达高估（时间上「回不去」的路被当作通路）；其三，突发性丢失——人际与通信事件的时间分布呈重尾（长静默夹短爆发），聚合后变成均匀背景，动力学的触发节奏整个变形。此外，交互与关系的二分也在此显形：认识十年（关系边）与上周聊了一次（交互事件）在静态图里是同一条边，时序口径把它们拆开——这正是第 1 章二分投影问题的时间维版本。

import networkx as nx
from collections import defaultdict

def temporal_vs_static(events, src, horizon):
    """事件表 [(t, u, v)]：静态可达 vs 时间尊重可达"""
    G = nx.Graph()
    G.add_nodes_from({u for _, u, _ in events} | {v for _, _, v in events})
    G.add_edges_from({(u, v) for _, u, v in events})
    static_reach = nx.descendants(G, src) if G.has_node(src) else set()

    adj = defaultdict(list)
    for t, u, v in events:
        adj[u].append((t, v))
        adj[v].append((t, u))
    seen, frontier = {src}, [(0, src)]
    temporal_reach = set()
    while frontier:
        t0, node = frontier.pop()
        for t, nxt in adj[node]:
            if t >= t0 and nxt not in seen:
                seen.add(nxt); temporal_reach.add(nxt)
                frontier.append((t, nxt))
    return len(static_reach), len(temporal_reach)

events = [(1, "A", "B"), (2, "B", "C"), (3, "C", "D"),   # 时序顺行链
          (9, "D", "A"),                                   # 时刻9才回连A
          (2, "C", "B"), (5, "A", "C")]
static_n, temporal_n = temporal_vs_static(events, "A", horizon=10)
print(f"静态聚合可达: {static_n} 个节点 | 时间尊重可达: {temporal_n} 个节点")
​

小例子里静态与时间尊重的可达集合已经分岔：聚合图声称 A 能立刻到的一切，时序上要等对应事件发生。规模上去后两类读数的差距会拉开数倍——「世界真小」的时间版本要重算。

图 多层与时序：两种新口径

方法落地与新读数

两套口径各带一族新仪表，登记两件最常用的。多层侧：层间耦合强度扫描（依赖边逐条打开，观察巨分量与灾变阶数的变化）、层的角色分析（哪层是「骨架层」哪层是「服务层」）。时序侧：突发性系数（事件间隔分布的前后矩之比，衡量「时间上的肥尾」）、时间尊重距离与快照序列的动力学重放（把第 6 章的传播引擎直接架在事件流上而非聚合图上）。建模框架侧，活动驱动模型（节点按活动率随机唤醒、临时建边）给了时序网络一个可解析的最小模型，地位相当于静态世界的随机图——又一个「先造对照」的老传统。

⚠️ 常见坑：把多层网络当成「几个网络的列表」并联分析。层间依赖才是多层理论的全部价值——只在层内各算各的，等于没还「压层」这笔账。同理，时序分析若只在快照上做静态指标再取平均，也还不了「时间秩序」的账。

本站收束

• 多层建图：同一节点集、多层关系、层间依赖边；压层等于宣布关系可互相顶替
• 层间依赖翻转灾变阶数：渐坏变猝死，临界提前、崩塌无预警；跨业态风险的数学户口
• 时序建图：边是带时间戳的事件；时间尊重路径是唯一合法通路
• 聚合三失真：传播提前、可达高估、突发性丢失；「世界真小」的时间版需重算
• 活动驱动模型是时序世界的随机图：先造对照的老传统在新口径下延续

下一件展品换一个问题：既然结构写剧本，那牵住哪些节点就能改剧本——网络控制。