经典论文难度：进阶

无标度网络上的流行病传播

Epidemic spreading in scale-free networks

Pastor-Satorras R, Vespignani A · Physical Review Letters 2001 · DOI: 10.1103/PhysRevLett.86.3200

SIS 模型流行病阈值无标度网络异质平均场计算机病毒

一句话

用异质平均场分析无标度网络上的 SIS 模型，发现流行病阈值消失，解释了计算机病毒长期低水平流行的现象。

相关专题：网络上的传播与免疫、小世界与无标度网络模型

VIDEO讲解视频

无标度网络上的流行病传播4 分 57 秒

文字稿

大家好，这一期我们精读 Pastor-Satorras 和 Vespignani 2001年的论文。它发现，在度分布足够异质的无标度网络上，流行病阈值会消失。

经典流行病学的核心结论是存在流行病阈值，高于阈值感染扩散，低于阈值感染消亡。这是疫苗接种策略的理论基础，把有效传染率压到阈值以下就行。但计算机病毒流行起来后，并不指数增长，而是长期维持在极低的流行水平。作者注意到病毒多通过电子邮件传播，接触结构应接近具有无标度度分布的互联网。于是问题变成，网络拓扑会怎样改变流行病阈值？

第一步分析病毒流行数据，引导区病毒和宏病毒的特征寿命约14个月，远长于杀毒软件发布所需时间。第二步在平均度为6的 BA 网络上模拟 SIS 模型，最大的网络有850万个节点。第三步是异质平均场解析，关键在于按度把节点分组。在 SIS 模型里，感染节点痊愈后可以再次被感染，有效传染率是传染速率与恢复速率之比。

把度相同的节点归为一组，每组的感染比例等于新感染减去恢复，新感染正比于度和传染率。新感染还取决于一条边指向感染节点的概率，沿边走到某个度的节点，概率正比于度乘以它的占比。令变化为零求稳态，再代回自洽方程，对 BA 网络得到流行率的最低阶近似。稳态时，度越大的节点越容易被感染。这个表达式对任何大于零的传染率都大于零，也就是说流行病阈值为零。

画面上是无标度网络中的一次传播过程，节点越大，度越大。红色是感染节点，绿色是恢复后不再感染的节点，这是更简单的 SIR 设定。而论文研究的 SIS 模型里，恢复的节点会重新变成易感，感染可以反复出现。在 SIS 过程中，枢纽几乎总能被感染，并不断把病原体传下去，替它续命。

模拟中，稳态流行率随传染率减小呈指数式衰减，却始终没有出现有限的阈值。流行率也没有表现出临界点附近应有的标度，作者据此排除了有限尺寸效应造成的假象。平均场的解析结果与模拟一致，各度组的感染比例随度的变化也和理论预测相符。模型中的存活概率同样呈指数尾，寿命随网络增大而变长，与病毒数据吻合。阈值为零与流行率极低同时成立，不需要假设传染率被精细调节。

异质平均场把同一度的节点视为统计等价，忽略了具体连边、度相关和动态相关。在固定网络上，淬火平均场给出的阈值约为邻接矩阵最大特征值的倒数。阈值为零是网络无限大时的结论，真实网络有限，阈值是小而非零。人类接触网络是否真正无标度存在争议，日常面对面接触网络的异质性要小得多。2010年的研究指出，即使指数大于3，SIS 阈值在大网络中也趋于零，SIR 则不同。

本文直接引出了免疫策略的研究，因为随机免疫无法恢复有限阈值。画面左边随机免疫百分之十的节点，右边免疫度最大的百分之十。被免疫的节点和它们的连边退出传播，大家可以比较两边累计感染的比例。优先接种枢纽的目标免疫，以及熟人免疫，都是在这一背景下发展起来的。

对公共卫生来说，阈值为零与流行规模大是两回事，流行率可以非常低。性接触网络常被引作重尾接触的例子，日常接触网络则未必如此。若要用人类传染病数据检验这一结论，就需要可靠的接触网络数据，并考虑可能的混杂因素。

总结一下，计算机病毒长期低水平流行，与经典阈值理论相矛盾。作者用按度分组的异质平均场，分析了无标度网络上的 SIS 模型。结果是流行病阈值消失，枢纽让感染在极低的流行率下持续存在。有限网络和淬火平均场则告诉我们，真实阈值是小而非零。建议自己把平均场里的那个求和算一遍，再看看一般度分布下的阈值公式。

一句话看懂

在度分布足够异质的无标度网络上，SIS 传染过程没有正的流行病阈值：传染率再低，感染也能在足够大的网络中持续存在，只不过流行率可以非常低。原因是枢纽节点几乎总能被感染并把病原体“续命”。

研究背景与问题

经典流行病学（均匀混合或规则格子上的模型）的核心结论是存在一个流行病阈值 $\lambda_c$ ：有效传染率高于阈值，感染会扩散并长期存在；低于阈值，感染指数式消亡。这是疫苗接种策略的理论基础——把有效传染率压到阈值以下即可。

但计算机病毒的统计数据与此矛盾：能流行起来的病毒并不指数增长，而是长期维持在极低的流行水平。若用经典理论解释，就必须假设所有病毒的传染率都恰好微微高于阈值，这几乎不可能。作者注意到病毒多通过电子邮件传播，接触结构应接近互联网，而互联网具有无标度的度分布。问题由此变成：网络拓扑如何改变阈值？

核心思想与方法

论文分三步。

第一步，数据分析。 作者分析了 Virus Bulletin 在 1996 年 2 月至 2000 年 3 月报告的病毒流行数据，计算各类病毒的存活概率 $P_s(t)$ 。在最初两个月急剧下降之后， $P_s(t)$ 呈指数尾 $e^{-t/\tau}$ ：引导区病毒和宏病毒的特征寿命约 14 个月，文件病毒约 6–9 个月，远长于杀毒软件发布所需的时间。

第二步，模拟。 在 BA 网络（ $m=3$ ， $\langle k\rangle=6$ ，节点数从 $10^3$ 到 $8.5\times10^6$ ）上模拟 SIS 模型：易感节点以速率 $\nu$ 被感染邻居传染，感染节点以速率 $\delta$ 恢复，有效传染率 $\lambda=\nu/\delta$ 。

第三步，异质平均场解析。 关键是按度分组：

异质平均场（heterogeneous mean-field）：令 $\rho_k(t)$ 为度为 $k$ 的节点中被感染的比例， $\partial_t\rho_k=-\rho_k+\lambda k\,(1-\rho_k)\,\Theta(\lambda),$ 其中 $\Theta$ 是任意一条边指向感染节点的概率。由于沿边走到度为 $k$ 节点的概率正比于 $kP(k)$ ， $\Theta=\frac{\sum_k kP(k)\rho_k}{\sum_s sP(s)}.$

令 $\partial_t\rho_k=0$ 得 $\rho_k=k\lambda\Theta/(1+k\lambda\Theta)$ ——度越大越容易被感染；再代回求 $\Theta$ 的自洽方程。对 BA 网络 $P(k)=2m^2/k^3$ ，作者得到最低阶近似 $\rho\approx 2\,e^{-1/(m\lambda)}.$ 这个表达式对任何 $\lambda>0$ 都大于零，即 $\lambda_c=0$ 。

主要发现

阈值消失：模拟中稳态流行率随 $\lambda$ 减小按 $\rho\sim e^{-C/\lambda}$ 衰减，没有出现有限阈值；而且 $\rho$ 不随网络规模表现出临界点附近应有的标度，作者据此排除了有限尺寸效应造成的假象。
解析结果与模拟一致：异质平均场给出 $\rho\approx2e^{-1/(m\lambda)}$ ；模拟得到的 $\rho_k$ 随 $k$ 的依赖关系也与理论预测相符。
直观解释：在规则格子上，度越大阈值越小；无标度网络中 $\langle k^2\rangle$ 发散，相当于“无穷大的连接度”，把阈值压到零。作者说明该框架可推广到 $2<\gamma\le3$ 的网络，定性结论相同。
与病毒数据吻合：从局部源出发的传播呈代数增长而非指数增长；模型中的存活概率也呈指数尾，寿命随网络增大而变长。“阈值为零”与“流行率极低”同时成立，解释了病毒长期低水平流行的现象，不需要假设传染率被精细调节。

怎样读这篇论文

先读引言中关于“经典阈值理论与病毒数据矛盾”的论证，这是问题的来源；图 1 的病毒存活曲线可以快速看过。重点放在模拟（图 2，稳态流行率随 $\lambda$ 的变化，想想为什么 $e^{-C/\lambda}$ 形式说明没有阈值）和式 (1)–(6) 的平均场推导，建议自己把 $\Theta$ 的积分算一遍。读时注意一个常见混淆：本文正文针对 BA 网络算出 $\rho$ 的表达式；一般度分布下的阈值公式 $\lambda_c=\langle k\rangle/\langle k^2\rangle$ 可由同一框架推出，度异质性与流行病阈值给出了这一推导。

局限与后续工作

退火近似：异质平均场把同一度的节点视为统计等价，忽略了具体的连边结构、度相关和动态相关。在固定（淬火）网络上，淬火平均场给出 $\lambda_c\approx1/\Lambda_{\max}$ （邻接矩阵最大特征值的倒数）。Castellano 与 Pastor-Satorras（2010）指出，即使 $\gamma>3$ ，孤立的枢纽及其邻居也能自我维持感染，SIS 的阈值在大网络中同样趋于零；SIR 模型的行为则不同。
有限网络：“阈值为零”是 $N\to\infty$ 的结论；真实网络有限， $\langle k^2\rangle$ 有限，阈值是小而非零。
免疫策略：本文直接引出了目标免疫（优先接种枢纽）和熟人免疫等策略的研究，因为随机免疫无法恢复有限阈值。
生物学适用性：人类接触网络的度分布是否真正无标度存在争议；性接触网络常被引作重尾的例子，但日常面对面接触网络的异质性要小得多。

关联知识

度异质性与流行病阈值和数学推导与算法中的异质平均场推导以本文为核心；免疫策略是本文的直接延伸，SIR 交互演示可以比较不同网络类型上的传播规模。
幂律度分布与无标度网络中的无标度网络与 $\langle k^2\rangle$ 发散，在本文中第一次显示出动力学后果。

延伸思考

“阈值为零”与“流行规模大”是两回事。请用 $\rho\approx2e^{-1/(m\lambda)}$ 估算 $m=3$ 、 $\lambda=0.1$ 时的稳态流行率，并讨论这一结果对公共卫生的含义。
如果网络存在强的度–度同配性（高度节点倾向于相互连接），你预计阈值会升高还是降低？为什么？
本文用计算机病毒数据支持模型。若要用人类传染病数据检验同一结论，你会需要什么样的接触网络数据？可能遇到哪些混杂因素？