一、研究背景
【注意时序网络需要结合最大连通分量、时间可达性、时序巨分量等来反应网络】
总结：
时序网络的定义：节点与连边会随时间变化而变化
时序网络注意事项：需要考虑什么时间与什么节点连接，连接多久。
时许网络瓦解注意事项：需要考虑在什么时间与什么节点断开可以让网络的最大联通分量在该时刻符合瓦解要求。
二、相关研究
一、研究动机
- 静态网络模型的局限性现实世界网络（社交网络、交通网络、传播网络）的连接不是固定不变的，连边会随时间动态产生、消失，属于时序 / 时变网络。传统静态网络只看某一瞬间的拓扑，会丢失时间维度信息，无法准确描述信息、疫情在网络上的真实传播过程。 当网络遭受节点攻击（移除节点）时，我们不能只用静态连通性判断网络是否失效；必须站在时序视角，看一段时间内节点间能否形成时序连通，判断网络还能不能维持基础功能。
- 工程现实需求：资源有限、信息不完全在疫情防控、谣言管控等场景里，可投入的干预资源有限，很难获取全部节点完整信息。 这就带来一个核心问题：只依靠节点活跃度这一类简易线索，优先攻击 / 抑制高活跃节点，能不能用最小代价最大化阻断传播？这就是本文要解决的现实问题。
注意：这里考虑 只依靠节点活跃度为线索 用最小代价最大化阻断时序角度的网络瓦解。
但是存在一些问题：为什么要用节点活跃度为线索；用什么指标来评判 节点度活跃度 （度等）
二、创新点
创新点 1：基于活动度的时序网络靶向攻击框架，参数![]()
- 活动驱动网络（activity-driven network，ADN）：是一类经典时序网络模型。每个节点自带活跃度a，每个时间步，节点以自身活跃度概率被激活，激活后随机和其他节点建立瞬时连边，时间结束连边立刻消失。
- 参数
：用来连续调节攻击策略
=0：随机攻击；
>0：偏向攻击高活跃度节点（本文主要研究的靶向攻击）；
<0：偏向攻击低活跃度节点。
- 这个参数的好处：不再单独分开几组孤立策略对比，而是可以连续平滑遍历从随机到强靶向的全部攻击方案，并且能解析算出攻击之后剩余节点的活跃度分布。
“解析算出攻击之后剩余节点的活跃度分布”的拆解开讲清楚
1. 先明确两个前提
- 前提 1：
- 每个节点的活跃度a是节点的固有属性，不随时间变化；
- 整个网络所有节点的活跃度服从一个已知的概率分布\(F(a)\)（论文里用的是幂律分布），相当于我们提前知道了全体节点的活跃度 “成绩单”。
- 前提 2：攻击规则是纯活跃度加权：
- 选中一个节点删除的权重正比于
。也就是说，一个节点活不活得下来，只和它自己的活跃度、攻击偏好
有关，规则完全明确。
2. 攻击的本质：带权重的 “筛选抽样”
攻击过程本质就是：从全体节点里，按权重
删掉一部分，最终保留比例为p的节点。 这在统计学里叫偏倚抽样 / 加权抽样，是有标准解析解法的：
- 对任意一个活跃度为a的节点，它被保留下来的概率和
有明确的对应关系；
- 结合总保留比例p做归一化，就能直接算出：剩余的节点里，不同活跃度的节点各占多少比例，也就是剩余活跃度分布
。
举个通俗的例子： 一个班学生成绩服从正态分布，现在按 “分数越高越容易被选走” 的规则抽走一批人，剩下人的成绩分布不用一个个点名统计，用概率公式直接就能算出来，和这里的道理完全一样。
3. 为什么这一步至关重要？—— 整个理论的基石
这步推导是整篇论文理论框架的第一环，是连接「攻击策略」和「网络渗流性质」的桥梁：
- 输入：攻击偏好
、保留比例p、原始分布
- 第一步：解析算出攻击后剩余活跃度分布
- 第二步：用
推导时序渗流临界时间
