强者越强-效率与公平的幂律视角

一直以来，人们认为复杂网络的内在是泊松分布，但事实上却是幂律分布。是不是所有基于泊松分布的统计复用需要重新评估呢？比如分组交换网的拥塞控制？但这是后话，本文不谈，本文主要内容是效率和公平。

以无标度网络为例，在平滑连续的时间序列$t$中，每单位时间接入一个节点，它会与既有节点创建$m$个链接，在一个总节点数为$N$的网络中，对于已经接入的节点$i$，设它的度为$K_i$，其被链接的概率为：

$p(i)=m\frac{K_i}{{\Sigma }_{j=1}^N{K}_j}$

上式即为优先依附，其连续形式为：

$p(i)=m\frac{K_i(t)}{{\int }_1^{N}K(t)dt}=m\frac{K_i(t)}{2mt-m}=\frac{K_i(t)}{2t-1}\approx \frac{K_i(t)}{2t}$

另一方面，一个节点$i$的度$K(i)$的变化率即为被链接的概率：

$\frac{d{K}_i(t)}{dt}=\frac{K_i(t)}{2t}$

两边积分，解微分方程，可得：

$K_i(t)=(C\times t{)}^{\frac{1}{2}}$

根据初始条件，当节点$i$接入时，它共获得了$m$条连接，即$K_i(t_i)=m$，代入上式：

$C=\frac{m^2}{t_i}$

$K_i(t)=m(\frac{t}{t_i}{)}^{\frac{1}{2}}$

对其求导：

$K_i^{\prime }(t)=(\frac{m}{2}{t}_i^{-\frac{1}{2}})t^{-\frac{1}{2}}$

从$K_i(t)$及其导数可以看出：

• 看$K_i(t)$分母和分子，越先加入的节点获得的链接越多，此为先发优势。
• 看$K_i^{\prime }(t)$的负指数，同一个节点受链接的速率逐渐降低，竞争越发激烈。

这就是无标度网络动力学，越早加入的节点，最终获得越多的链接，那么到底是多少，需要求一下节点的度的概率密度。

概率密度是积累分布的导数，积累分布是一个等于1的积分，对于$F_X(x)={\int }^{x}f(x)dx$，求$f(x)$即可。

对于无标度网络，对于任意度$k$，求度大于$k$的节点比例，即为节点度为$k$的积累分布。

设 $K_i(t)=m(\frac{t}{t_i}{)}^{\frac{1}{2}}\ge k$ 可得：

$t_i\le m^2{k}^{-2}t$

在时间$t$，网络中节点总数为$t+m$，则$K_i\ge k$的比例为：

$P_{K_i\ge k}=\frac{m^2{k}^{-2}t}{t+m}$

在$t$很大时有：

$P_{K_i\ge k}=\frac{m^2{k}^{-2}t}{t+m}\approx m^2{k}^{-2}$

由于先发优势，对于从$i=1$开始的连续的$K_i$，根据积累分布的定义：

$P_{K_i<k}=1-P_{K_i\ge k}=1-m^2{k}^{-2}$

这就那个积累分布，对其求导：

$\frac{dP(k)}{dk}=(2m^2)k^{-3}=f_X(k)$

$f_X(k)$就是无标度网络的度分布，这是一个幂律分布。可以看出，前面先加入的节点占据着面积1的巨大的部分：

这便是马太效应，胜者通吃。

但这是为什么？

这是典型的非独立事件之间的正反馈效应，若没有考虑到这种正反馈效应，则很容易将网络视为随机网络，节点的接入被视为独立事件，但节点接入并非独立事件。

背后的根因是分形，现实中很多动力学并非在1个维度空间起作用，而是在$n>1$维空间起作用，典型地$2\le n\le 3$，只要$n\ne 1$，就必然会出现幂律。

非独立事件必然是关联的，最省力最安全的关联方案就是复制和吸附，背后的根本原因尚无定论，巴拉巴西的《网络科学》一书中也只是提纲挈领。但无论复制还是吸附，或者别的关联方案，都呈现出了某种偏好，即不公平趋势，这种不公平并不仅限于幂律分布的无标度网络，不公平是普遍的。

为解释不公平趋势，以生长为例开始。

设初始资源为1，分配给两个用户U1和U2，其中U1的分配额度为 $0.5+a$，U2的分配额度为 $0.5-a$，两个用户依赖这些初始资源开始成长。

如果成长仅局限在一维，那么二者在一条长度为1的线段上便是此消彼长的关系，U1获得的资源$a^{\prime }$与U2失去的资源是相等的：

$(0.5+a^{\prime })+(0.5-a^{\prime })=1$

当U1生长为$0.5+a^{\prime }$的时候，U2为$0.5-a^{\prime }$，U1的生长值比均分资源时大了$0.5+a^{\prime }-0.5$，U2的生长值比均分资源时小了$0.5-(0.5-a^{\prime })$，两者相差$0$。如果二者能力相当，那么这种拉锯战将会永远持续下去。

如果可以在二维空间成长，便无法得失相抵了，当U1生长为$(0.5+a^{\prime }{)}^2$的时候，U2为$(0.5-a^{\prime }{)}^2$，U1的生长值比均分资源时大了$(0.5+a^{\prime }{)}^2-0.5^2$，U2的生长值比均分资源时小了$0.5^2-(0.5-a^{\prime }{)}^2$，两者相差$2a^{\prime 2}$。

这将初现不均衡的成长趋势：

• 更多的资源将会带来差异更大的成长值。
• 二者的总生长值变大，这是伏笔，请注意。

所以说，当服务员说12寸披萨售罄，要用两个6寸披萨作为替换时，千万别信他的鬼话。

根据柯西不等式的可以证明，当资源分配最公平时，其总效应最小，反之当资源分配最不公平时，其总效应最大，详情可见：
https://blog.csdn.net/dog250/article/details/120889555

那么有意思了：

• 资源分配最公平时整体上最低效。
• 资源分配最不公平时整体上最高效。

公平和全局效率是矛盾的吗？如果是矛盾的，那么公平和效率，幂律选择哪个？

举一个例子来辅助思考，假设TCP执行AIMD拥塞控制，将带宽全部分配给一条流传输效率高呢，还是分配给两条流传输效率高呢？

假设链路无噪声丢包，丢包全部由buffer over引发，从cwnd-RTTs坐标图，可得丢包率为：

$p=\frac{1}{N_{aimd}}$

其中$N_{aimd}$为一个AIMD周期的总传输量。如果AIMD参数分别为$\alpha =1,\beta =0.5$：

求阴影部分面积，可得：

$N_{aimd}=0.375C^2$

AIMD周期内一个RTT的平均发送量为：

$N_{avg}=\frac{0.5C+C}{2}=0.75C$

可得吞吐与丢包率的关系为：

$T=\frac{N_{avg}}{RTT}=\frac{0.75}{RTT}\sqrt{\frac{1}{0.375p}}$

现在，将带宽资源分给2条流，那么对于每一条流而言，$C^{\prime }=0.5C$，带入$N_{avg}$和$N_{aimd}$：

$N_{avg}^{\prime }=\frac{0.25C+0.5C}{2}=0.375C$
$N_{aimd}^{\prime }=0.375(0.5C{)}^2$

计算出$p^{\prime }$：

$p^{\prime }=\frac{1}{0.375(0.5C{)}^2}=4p$

排队时延不变，RTT不变，上式带入$T$的公式：

$T^{\prime }=\frac{0.1875}{RTT}\sqrt{\frac{1}{0.375p}}=\frac{1}{4}T$

结论是，将带宽资源均分给2条流，每条流的有效带宽只获得了$\frac{1}{4}$，有一半带宽被浪费了。如果想获得全局的最佳性能，放弃公平显然更好。

下图可以直观看出上述结论：

从L1>L2可见，分量越多，每个分量获得的公平资源比例$R_{avg}=\frac{\sqrt{n}}{n^2}$就越缩水，离$R_{Bavg}=\frac{1}{n}$越远：

这同样也是柯西不等式揭示的。

但是损失的带宽去哪里了呢？

这提供了思考幂律分布的另一个视角，大自然在不借助外力时是收敛到公平呢，还是收敛到高效(幂律是高效的一种表现形式，我以为)呢？

自然事件发生的世界并非一维的，这些事件在多个维度相互作用，这些作用关系被物理定律主宰，而物理定律趋向于最小约束。

维护公平就是一种强约束，因为事件本身并非均匀发生的，它们的结果便不公平。先开始的事件在某维度的积累要比后发生的事件对应的积累要多，这种积累注定无法公平，除非注入额外的能量。

自然界在时间轴上形成了自相似的分形结构，描述这种结构的就是幂律，所以，幂律选择了效率，请接受幂律。

当需要抚慰公平的时候，换用大自然的方式思考，对幂律$y=\alpha x^{-\lambda }$两边取对数：

$\ln y=-\lambda \ln +\ln \alpha$

将它画在双对数坐标系，陡峭的幂律曲线就变成了直线。大自然依然是公平的，只是它有自己的公平逻辑，即：

• 维护尺度不变性，而不是维护量不变性。

大自然兼顾了效率与公平，而我们，要学会基于双对数坐标思考。

浙江温州皮鞋湿，下雨进水不会胖。