SIR 网络传播仿真软件说明书

一、项目概述

1.1 软件名称

SIR 传染病模型参数化分析工具

1.2 软件定位

本软件是一套面向网络传播过程分析 的可视化仿真工具。它以经典的 SIR 传播模型 为基础，结合复杂网络分析方法、免疫策略设计方法、零模型对照分析方法和敏感性分析方法，为用户提供一套"从网络数据导入，到传播过程模拟，再到结果图表输出与科研报告支撑"的一体化分析平台。

它既适合科研教学场景，也适合行业应用场景，例如：

疾病传播路径分析
社交网络中的信息扩散研究
谣言传播与干预策略评估
网络安全中的病毒扩散模拟
关键节点识别与防控资源优化配置
科研项目申报、论文实验支撑、可视化成果展示

简单说，这个软件回答的是一个非常实际的问题：

如果一个"会传播的东西"进入一个网络，它会怎么扩散？我们又该优先保护哪些节点，才能把损失降到最低？

这里的"会传播的东西"，不一定只是病毒，也可以是谣言、舆情、计算机蠕虫、错误信息，甚至市场情绪。

二、理论背景

2.1 为什么要研究网络传播

现实世界中的很多传播现象，本质上都不是"均匀扩散"的，而是沿着人与人、设备与设备、机构与机构之间的连接关系传播的。

例如：

传染病通过接触网络传播
舆论通过社交关系传播
计算机病毒通过通信链路传播
金融风险通过关联网络传染
创新信息通过合作网络扩散

因此，只看传播者本身是不够的，还必须看传播所依赖的网络结构。

同样的传播率，在不同网络中，结果可能完全不一样：

在稀疏网络中，传播可能很快熄灭
在高度集中的网络中，传播可能迅速爆发
在存在桥梁节点的网络中，少数关键节点会左右整体传播范围

所以，研究传播问题时，必须把"传播机制"和"网络结构"结合起来。

2.2 SIR 模型的基本思想

SIR 模型是传播动力学中最经典的模型之一。它把网络中的每个节点分成三种状态：

S（Susceptible）易感者：还没有被感染，但可能被感染
I（Infected）感染者：已经被感染，并且可以继续传播
R（Recovered / Removed）恢复者或移除者：已经恢复或失去传播能力，不再参与传播

一个节点的状态变化过程通常是：

S → I → R S \rightarrow I \rightarrow R S→I→R

这表示：

节点一开始是健康的，但有可能被感染；
被感染后，它会在一段时间内继续传播；
最终它恢复或被移除，不再传播，也不会再次感染。

这是很多真实传播过程的一个合理近似。

2.3 本软件采用的传播机制

在本软件中，传播是在一个网络图上进行的。

设网络表示为：

G = ( V , E ) G = (V, E) G=(V,E)

其中：

V V V 表示节点集合
E E E 表示边集合

节点表示个体、设备或对象，边表示它们之间存在联系。

2.3.1 基本传播参数

软件中最核心的两个参数是：

（1）传播率 β \beta β

β ∈ ( 0 , 1 ) \beta \in (0,1) β∈(0,1)

表示感染者在一个时间步内，把感染传播给相邻易感节点的概率。

可以理解成：

β \beta β 越大，传播越快
β \beta β 越小，传播越慢

（2）恢复率 γ \gamma γ

γ ∈ ( 0 , 1 ) \gamma \in (0,1) γ∈(0,1)

表示感染者在一个时间步内恢复的概率。

可以理解成：

γ \gamma γ 越大，感染者越快失去传播能力
γ \gamma γ 越小，感染者持续传播时间越长

2.4 状态转移规则

对于任意一个感染节点 i i i，在每一个离散时间步 t t t 中，会发生两类事件：

2.4.1 感染传播

若节点 i i i 为感染状态，节点 j j j 是它的邻居，并且 j j j 当前是易感状态，则 j j j 在这一时间步中被感染的概率与 β \beta β 有关。

在简单无权情形下，可写为：

P ( j 被 i 感染 ) = β P(j \text{ 被 } i \text{ 感染}) = \beta P(j 被 i 感染)=β

若网络边带有权重 w i j w_{ij} wij，则软件采用如下传播概率近似：

P i j = 1 − ( 1 − β ) w i j P_{ij} = 1 - (1-\beta)^{w_{ij}} Pij=1−(1−β)wij

这表示边权越大，传播能力通常越强。

若某个易感节点同时接触多个感染邻居，则在向量化实现中，会考虑累积暴露效应。设该节点接触到的感染暴露强度为 m m m，则感染概率可以写为：

P = 1 − ( 1 − β ) m P = 1 - (1-\beta)^m P=1−(1−β)m

这比"只看一个感染邻居"更符合网络传播的叠加特征。

2.4.2 感染恢复

对任意感染节点 i i i，在每个时间步中，它以概率 γ \gamma γ 转变为恢复状态：

P ( i : I → R ) = γ P(i: I \rightarrow R) = \gamma P(i:I→R)=γ

因此，一个感染节点既可能继续传播，也可能在当前步结束时恢复。

2.5 理论传播能力指标 ( R 0 R_0 R0)

在传播动力学中，基本再生数 R 0 R_0 R0 是非常重要的指标。它表示平均一个感染者能引起多少个新的感染者。

本软件采用复杂网络中的一个常见近似公式来估计理论传播强度：

R 0 ≈ β γ ( ⟨ k 2 ⟩ ⟨ k ⟩ − 1 ) R_0 \approx \frac{\beta}{\gamma}\left(\frac{\langle k^2 \rangle}{\langle k \rangle} - 1\right) R0≈γβ(⟨k⟩⟨k2⟩−1)

其中：

⟨ k ⟩ \langle k \rangle ⟨k⟩ 是网络平均度
⟨ k 2 ⟩ \langle k^2 \rangle ⟨k2⟩ 是节点度平方的平均值

这个公式的意义很重要：

当 R 0 > 1 R_0 > 1 R0>1 时，传播更可能形成大规模扩散
当 R 0 < 1 R_0 < 1 R0<1 时，传播更可能逐渐消失

这说明传播是否爆发，不仅取决于 β \beta β 和 γ \gamma γ，还取决于网络结构是否容易形成连锁传播。

三、应用意义

3.1 科研意义

本软件可用于复杂网络传播机制研究，帮助研究人员回答以下问题：

网络结构如何影响传播规模？
哪种免疫策略最有效？
关键节点在传播中的作用有多大？
参数变化会不会导致传播结果突变？
原始网络是否具有小世界特性、无标度特性？
传播结果是网络结构造成的，还是只是随机现象？

因此，本软件可作为以下工作的支撑工具：

科研项目申报书中的实验平台说明
学位论文与期刊论文中的仿真实验部分
研究报告中的网络传播验证模块
教学课程中的复杂系统建模演示平台

3.2 工程与管理意义

从实际应用角度看，这个软件也有很强的决策支持价值。

例如：

在公共卫生中

可以用来分析：

某个接触网络上疾病会不会爆发
哪些人群或接触节点最值得优先干预
在资源有限情况下，优先给谁做免疫最有效

在社交平台治理中

可以用来分析：

谣言最可能从哪里扩散
哪类账号是关键扩散节点
封禁、限流、预警哪种方案更有效

在网络安全中

可以用来分析：

某类蠕虫病毒在主机网络中的传播路径
哪些主机需要优先加固
如何最小化系统整体感染范围

也就是说，这不仅是一个"画图的软件"，而是一个可以辅助判断、比较、解释和优化的分析工具。

四、软件总体设计思路

本软件遵循"数据导入---网络构建---传播模拟---策略比较---结果输出"的整体流程。

整体逻辑如下：

第一步：导入网络边表数据

用户提供 Excel 或 CSV 文件，文件中至少需要包含两列：

第一列：源节点
第二列：目标节点

可选第三列：

第三列：边权重

软件将其自动读取并构建无向图网络。

第二步：构建与预处理网络

软件会对原始网络进行处理，包括：

构建无向图
提取最大连通分量
权重归一化
计算节点度与中心性指标
为后续传播模拟准备节点集与邻接关系

这样做的原因很简单：

如果网络本身是不连通的，那么传播只能在连通部分内部发生。因此，为了保证分析更稳定、更清晰，软件默认重点分析最大连通分量。

第三步：设置传播参数与免疫策略

用户可以设置：

传播率 β \beta β
恢复率 γ \gamma γ
模拟步数
初始感染节点数
免疫比例
免疫策略
是否开展敏感性分析
是否输出图表、报告、Excel 文件等

第四步：运行传播仿真

软件按时间步推进 SIR 状态变化，记录每一步中：

易感节点数 S t S_t St
感染节点数 I t I_t It
恢复节点数 R t R_t Rt

由此形成完整传播轨迹。

第五步：输出分析结果

软件可输出：

SIR 曲线图
感染人数对比图
网络传播快照
文本报告
Excel 数据文件
敏感性分析图
二维热力图
零模型对照结构分析图
实验配置记录文件

五、软件功能体系

5.1 文件管理功能

软件支持以下输入输出设置：

输入文件

支持：

.xlsx
.xls
.csv

其中 Excel 文件默认优先读取名为 edges 的工作表；若不存在，则自动读取第一个工作表。

输出目录

用户可以自定义输出路径，软件会将所有图表、报告和结果文件统一保存到该目录中，便于归档和整理。

5.2 参数设置功能

软件界面提供参数滑块和数值输入框，便于不同层次用户操作。

主要参数如下。

5.2.1 传播率 β \beta β

表示感染传播速度。值越大，扩散越快。

5.2.2 恢复率 γ \gamma γ

表示感染者退出传播状态的速度。值越大，传播持续时间越短。

5.2.3 模拟步数

表示总共模拟多少个时间单位。步数越大，越能看到传播全过程。

5.2.4 免疫比例

表示仿真开始前，预先保护多少比例的节点。

若总节点数为 N N N，免疫比例为 f f f，则免疫节点数为：

N i m m u n e = ⌊ N × f ⌋ N_{immune} = \lfloor N \times f \rfloor Nimmune=⌊N×f⌋

5.2.5 初始感染数

表示初始时刻有多少个感染源。本软件默认从网络中选取度最高的前若干节点作为初始感染节点，这有利于模拟"高活跃源头"引发扩散的情况。

5.3 免疫策略功能

免疫策略是本软件的核心特色之一。所谓"免疫"，就是在仿真开始前，先把某些节点设为 R R R 状态，使其不会被感染、也不会再传播。

软件支持以下策略。

5.3.1 随机免疫

从网络中随机抽取一定比例节点进行保护。

特点：

简单
易实现
适合作为基准方案

适用场景：

无法提前识别关键节点时
作为对照组

5.3.2 度中心性免疫

优先保护连接数最多的节点。

设节点 i i i 的度为：

k i k_i ki

则选择度最高的前 N i m m u n e N_{immune} Nimmune 个节点进行免疫。

直观理解：

谁连接的人最多，谁就更可能成为"超级传播者"，所以优先保护它。

特点：

计算快
效果通常较明显
适合大规模网络

5.3.3 介数中心性免疫

优先保护网络中"桥梁作用"最强的节点。

节点 v v v 的介数中心性定义为：

B C ( v ) = ∑ s ≠ v ≠ t σ s t ( v ) σ s t BC(v) = \sum_{s \neq v \neq t}\frac{\sigma_{st}(v)}{\sigma_{st}} BC(v)=s=v=t∑σstσst(v)

其中：

σ s t \sigma_{st} σst 表示从节点 s s s 到 t t t 的最短路径数量
σ s t ( v ) \sigma_{st}(v) σst(v) 表示这些最短路径中经过 v v v 的数量

含义是：

如果很多传播路径都经过某个节点，那么它就是网络中的"交通枢纽"。

优先免疫这种节点，往往能显著切断传播链条。

特点：

理论价值高
对桥接型网络特别有效
计算量相对较大

5.3.4 K-Shell 核心免疫

基于网络的核心分解思想，优先保护处于"核心层"的节点。

如果某节点属于更高层的 k-core，则说明它位于网络核心区域，具有更强的结构影响力。

软件中会先计算节点的 core number，再按核心层级优先、度数次优的方式排序，选择前若干节点免疫。

直观理解：

不是连得多就一定最危险，真正处在网络"核心圈"的节点，往往更能维持持续传播。

特点：

能识别网络深层关键节点
对核心-边缘结构明显的网络效果好

5.3.5 手动免疫

用户可以直接指定节点进行免疫。支持：

手动输入节点编号
随机快速添加
按高连接节点快速添加
清空后重新选择

适用场景：

用户已知某些节点极其重要
需要做定制化方案演示
需要做具体节点的政策试验

5.4 零模型对照功能

为了判断某种结构特征是不是"真的重要"，软件引入了**零模型（Null Model）**思想。

什么是零模型

零模型是一种"保留某些基本特征，但打乱具体连接方式"的随机网络。

本软件生成的零模型主要尽量保持：

节点度分布基本一致

但打乱：

原始网络的具体连接结构

这样就可以比较：

原始网络传播结果
随机重连网络传播结果

如果两者差异很大，就说明原始网络的结构不是"偶然的"，而是确实对传播有实质影响。

5.5 网络结构分析功能

软件可对原始网络和零模型网络进行结构比较，用于验证：

是否具有小世界特性
是否具有无标度特性

5.5.1 小世界特性分析

小世界网络通常具有两个特点：

聚类系数高
平均最短路径长度较短

软件会分别计算原始网络与零模型网络的：

（1）平均聚类系数

C = 1 N ∑ i = 1 N C i C = \frac{1}{N}\sum_{i=1}^{N} C_i C=N1i=1∑NCi

其中 C i C_i Ci 表示节点 i i i 的局部聚类系数。

（2）平均最短路径长度

L = 1 N ( N − 1 ) ∑ i ≠ j d ( i , j ) L = \frac{1}{N(N-1)} \sum_{i \neq j} d(i,j) L=N(N−1)1i=j∑d(i,j)

其中 d ( i , j ) d(i,j) d(i,j) 表示节点 i i i 与节点 j j j 的最短路径距离。

然后构造：

Γ = C r e a l C n u l l \Gamma = \frac{C_{real}}{C_{null}} Γ=CnullCreal

Λ = L r e a l L n u l l \Lambda = \frac{L_{real}}{L_{null}} Λ=LnullLreal

Σ = Γ Λ \Sigma = \frac{\Gamma}{\Lambda} Σ=ΛΓ

一般认为：

若 Σ > 1 \Sigma > 1 Σ>1，则网络具有较明显的小世界特性

这个指标在项目材料和论文中非常常用，适合用来论证网络的结构性质。

5.5.2 无标度特性分析

很多真实网络都表现出"少数节点高度集中，多数节点连接较少"的特征，即幂律分布。

若节点度分布满足：

P ( k ) ∼ k − α P(k) \sim k^{-\alpha} P(k)∼k−α

则通常认为网络具有一定的无标度特性。

软件会绘制度分布的对数---对数图（Log-Log Plot），并尝试拟合幂律分布参数，用于支撑无标度分析。

这部分结果对于科研写作非常有帮助，因为它能够回答：

这个网络是不是"关键少数"特别重要的那一类网络？

如果答案是"是"，那说明免疫关键节点通常比随机免疫更有效。

5.6 敏感性分析功能

很多用户关心的不只是"某一组参数下结果是什么"，而是：

参数变一点，结果会不会变很多？
结论稳不稳？
哪个参数最关键？

这就需要做敏感性分析。

5.6.1 一维敏感性分析

软件支持对以下参数分别进行扫描：

β \beta β
γ \gamma γ
免疫比例

每个参数在一系列取值上重复运行若干次，计算均值和标准差，得到趋势图。

这样可以观察：

传播率提高后，感染峰值是否快速上升
恢复率增大后，传播规模是否明显下降
免疫比例提升后，传播是否被有效抑制

5.6.2 二维敏感性分析

软件支持二维参数联合扫描，例如：

β \beta β 与 γ \gamma γ
β \beta β 与免疫比例

并输出热力图。

这类图特别适合展示"临界区域"和"相变边界"。

例如：

在低 β \beta β、高 γ \gamma γ 区域，传播可能很快熄灭
在高 β \beta β、低 γ \gamma γ 区域，传播可能全面爆发

这种二维图在论文和项目答辩中非常有说服力，因为它能让人一眼看出参数空间中的安全区和危险区。

六、主要输出指标说明

软件在每次仿真中会输出一组关键指标，用于定量评价传播结果。

6.1 感染峰值 Peak Infected

P e a k I = max ⁡ t I t Peak_I = \max_t I_t PeakI=tmaxIt

表示传播过程中某一时刻的最大感染人数。

意义：

反映系统在最严重时的负载压力
对医院承载、平台治理、系统防御都很重要

6.2 最终恢复人数 Final Recovered

F i n a l R = R T Final_R = R_T FinalR=RT

表示仿真结束时总共有多少节点经历过感染。

意义：

近似代表总感染规模
是判断传播最终影响范围的重要指标

6.3 侵袭率 Attack Rate

A t t a c k R a t e = F i n a l R N Attack\ Rate = \frac{Final_R}{N} Attack Rate=NFinalR

表示最终感染比例。

意义：

越大说明传播越广
便于不同规模网络之间横向比较

6.4 感染曲线面积 AUC

A U C I = ∑ t = 0 T I t AUC_I = \sum_{t=0}^{T} I_t AUCI=t=0∑TIt

表示感染人数曲线下的总面积。

意义：

不只是看"高不高"，还看"持续多久"
适合衡量总体传播负担

6.5 达峰时间 Time to Peak

T i m e t o P e a k = arg ⁡ max ⁡ t I t Time\ to\ Peak = \arg\max_t I_t Time to Peak=argtmaxIt

表示传播到达最大感染峰值所需的时间。

意义：

反映爆发速度
越小说明传播越猛烈

6.6 疫情持续时间 Duration

软件提供两种近似理解：

方式一：有感染存在的持续区间

从首次出现感染，到最后一次感染消失的总时间长度。

方式二：活跃疫情持续时间

当感染人数高于总节点数 1% 时，记为"疫情活跃期"。

若阈值设为：

θ = 0.01 N \theta = 0.01N θ=0.01N

则活跃期满足：

I t > θ I_t > \theta It>θ

意义：

比单纯看最终感染数更能反映系统受影响时间

6.7 传播效率 Transmission Efficiency

软件中采用如下近似：

T r a n s m i s s i o n E f f i c i e n c y = F i n a l R − I 0 F i n a l R Transmission\ Efficiency = \frac{Final_R - I_0}{Final_R} Transmission Efficiency=FinalRFinalR−I0

其中 I 0 I_0 I0 是初始感染人数。

意义：

表示总感染中，有多少是由后续传播造成的，而不是初始输入造成的
数值越大，说明传播链条越强

6.8 理论 R 0 R_0 R0 估计值

如前所述：

R 0 ≈ β γ ( ⟨ k 2 ⟩ ⟨ k ⟩ − 1 ) R_0 \approx \frac{\beta}{\gamma}\left(\frac{\langle k^2 \rangle}{\langle k \rangle} - 1\right) R0≈γβ(⟨k⟩⟨k2⟩−1)

意义：

是传播爆发潜力的理论指标
有助于解释"为什么这个网络这么容易爆发"

七、软件操作说明

这一部分尽量用最通俗的方式说明。

7.1 使用前需要准备什么

你至少需要准备一份网络边表数据文件。

最简单的数据格式如下：

source	target	weight
A	B	1
A	C	0.8
B	D	1.2

说明：

source：起点节点
target：终点节点
weight：边权重，可选

如果没有权重，也可以只提供前两列。

例如：

source	target
A	B
A	C
B	D

软件也能读取。

7.2 软件基本操作流程

第一步：选择数据文件

点击"浏览"，选择你的 Excel 或 CSV 网络数据文件。

第二步：选择输出目录

点击"浏览"，设置结果输出文件夹。

后续生成的图片、报告、Excel 文件都会放在这里。

第三步：设置参数

建议新手先用以下思路：

传播率 β \beta β：先设 0.3～0.5
恢复率 γ \gamma γ：先设 0.1
模拟步数：先设 50
免疫比例：先设 0.02 或 0.05
初始感染数：先设 3～5

如果你不确定，直接用默认值也可以。

第四步：选择免疫策略

建议初次使用时，至少勾选：

随机免疫
度中心性免疫
介数中心性免疫

如果你想看更深入结果，可以再勾选：

K-Shell 核心免疫
手动免疫

第五步：选择输出内容

推荐至少勾选：

SIR 曲线图
感染对比图
模拟报告

如果做科研或汇报，建议再勾选：

Excel 导出
零模型对比
网络快照
敏感性分析

第六步：点击"开始模拟"

软件将自动完成：

网络读取
连通分量提取
权重归一化
初始感染设置
各策略仿真
图表与报告输出

你只需要等待进度条完成即可。

7.3 手动免疫怎么用

如果你想自己指定哪些节点免疫，可以这样做：

勾选"启用手动免疫"
在输入框中输入节点编号
多个节点之间用逗号、空格或分号分隔
点击"添加"

例如：

text 复制代码

12, 15, 18

或者：

text 复制代码

A B C

如果你懒得一个个找，也可以直接点：

随机10个
高度节点
清除

这样就很方便。

八、输出结果说明

软件运行后，会在输出目录中生成多类文件。

8.1 SIR 曲线图

通常包括三类曲线：

S S S 曲线：易感人数变化
I I I 曲线：感染人数变化
R R R 曲线：恢复人数变化

它们可以帮助用户理解：

传播是不是爆发了
峰值出现在什么时候
最终有多少人被感染

8.2 感染对比图

该图将不同免疫策略下的感染曲线放在一起比较。

这是最适合给非专业客户看的图之一，因为非常直观：

哪条线越低，说明策略越有效
哪条线峰值越晚，说明策略起到了延缓作用
哪条线整体面积越小，说明总传播负担越低

8.3 网络快照图

网络快照会在若干关键时间点保存网络状态图。

通常节点颜色代表：

蓝色：易感
红色：感染
绿色：恢复

这类图特别适合做演示，因为它能让传播过程"看得见"。

8.4 模拟报告

软件会生成文本报告，总结：

网络规模
参数设置
各策略关键指标
感染峰值
最终感染规模
攻击率等内容

适合直接作为实验记录保存。

8.5 Excel 导出

若启用 Excel 导出，软件会输出表格文件，便于后续：

二次画图
数据统计
论文制表
向客户提交结果附件

8.6 结构分析图

若启用零模型对比，软件还会生成：

小世界特性对比图
度分布 Log-Log 图
结构拟合结果文件

这部分特别适合科研材料、论文正文和项目支撑附件。

九、软件结果如何解读

这一部分是给非专业用户看的，尽量说得直接一些。

9.1 如果感染峰值很高，说明什么

说明传播在某一时刻会突然非常严重。现实中这往往意味着：

医疗资源承压
平台治理压力大
网络系统在短期内被大面积入侵

所以，降低感染峰值通常是非常重要的目标。

9.2 如果最终恢复人数很高，说明什么

说明虽然传播后来结束了，但已经有很多节点被感染过。这表示总体损失大。

也就是说：

峰值反映"最危险的一刻"
最终感染规模反映"总共损失了多少"

两者都要看。

9.3 如果某种免疫策略效果最好，说明什么

说明这类节点在网络传播中最关键。例如：

度中心性免疫最好：说明高连接节点是核心传播者
介数中心性免疫最好：说明桥梁节点最重要
K-Shell 最好：说明网络核心层节点最关键

这就能反过来指导现实决策。

9.4 如果零模型结果差很多，说明什么

说明原始网络的真实结构非常重要，不是随便乱连都能得到同样传播结果。

这对于科研论证尤其关键，因为它说明：

传播结果不是偶然的，而是由网络结构机制决定的。

十、适用对象

本软件适合以下用户：

10.1 科研人员

用于：

网络传播实验
免疫策略对比
参数敏感性分析
论文图表输出

10.2 教师与学生

用于：

SIR 模型教学
复杂网络课程实验
毕业设计与课程设计

10.3 企业或政府项目人员

用于：

风险传播评估
防控方案对比
可视化展示
项目申报材料支撑

10.4 非技术客户

即使没有编程基础，也可以通过图形界面完成数据导入和结果生成。

十一、软件特色总结

本软件的优势可以概括为以下几点。

11.1 理论与应用结合

它不是单纯画图，也不是单纯公式推导，而是把：

SIR 传播理论
复杂网络理论
节点免疫策略
敏感性分析
零模型对照

整合到一个软件系统中。

11.2 对科研写作友好

软件输出的不仅是图，还有：

理论指标
结构验证
参数扫描结果
报告文件
可复现实验配置

这意味着它不仅能"做实验"，还能"支撑写材料"。

11.3 对非专业用户友好

虽然底层是复杂网络与传播动力学模型，但界面操作尽量直观：

选文件
设参数
选策略
点开始
看结果

即使没有编程基础，也能快速上手。

11.4 支持策略比较与决策分析

用户可以很方便地比较不同免疫策略优劣，从而形成更有依据的干预建议，而不是凭经验拍脑袋。

十二、使用建议

为了得到更稳定、更有解释力的结果，建议注意以下几点。

12.1 数据质量要尽量可靠

如果原始网络数据本身错误很多，那么仿真结果再漂亮也没有意义。

建议尽量保证：

节点编号统一
边关系真实
权重含义明确

12.2 参数不要随意设得极端

例如：

β \beta β 特别大、 γ \gamma γ 特别小，几乎一定会全网爆发
β \beta β 特别小、 γ \gamma γ 特别大，传播几乎立刻停止

参数设置要结合现实背景。

12.3 结果解读不要只看一张图

建议至少结合以下几类信息一起看：

SIR 曲线
感染对比图
关键指标表
敏感性分析图
结构分析结果

这样结论更稳。

12.4 做正式报告时建议开启敏感性分析和零模型对照

因为这两部分能显著增强材料说服力：

敏感性分析说明结论稳不稳
零模型说明结构影响是不是真的存在

十三、结语

在复杂系统研究和现实治理问题中，"传播"从来都不是简单的个体行为，而是"机制 + 结构 + 干预"共同作用的结果。

本软件正是围绕这一核心思想设计的。它通过图形化方式，将复杂网络传播建模从"代码实验"转化为"可操作、可解释、可展示"的分析流程，使得科研人员、项目人员和非技术客户都能够更清楚地理解：

传播是如何发生的
风险为什么会扩大
哪些节点最关键
哪种干预最有效
结论是否稳定可靠

因此，本软件不仅是一套仿真工具，也是一套面向研究、决策与表达的传播分析平台。

附录A：软件中的主要符号说明

符号	含义
G = ( V , E ) G=(V,E) G=(V,E)	网络图
V V V	节点集合
E E E	边集合
N N N	节点总数
S S S	易感节点数
I I I	感染节点数
R R R	恢复节点数
β \beta β	传播率
γ \gamma γ	恢复率
k i k_i ki	节点 i i i 的度
⟨ k ⟩ \langle k \rangle ⟨k⟩	平均度
⟨ k 2 ⟩ \langle k^2 \rangle ⟨k2⟩	度平方平均值
R 0 R_0 R0	基本再生数
C C C	平均聚类系数
L L L	平均最短路径长度
Σ \Sigma Σ	小世界指数

附录B：典型使用场景示例

场景1：疾病防控

问题：在某接触网络中，哪种免疫策略最能减少疫情传播规模？

做法：

导入接触网络边表
设置 β \beta β、 γ \gamma γ、初始感染数
分别勾选随机、度中心性、介数中心性、K-Shell
运行仿真
对比感染峰值与攻击率

结论可用于防疫资源优先配置。

场景2：谣言治理

问题：社交网络中哪些账号最值得优先限制，以降低谣言扩散？

做法：

构建账号互动网络
设置信息传播参数
运行不同免疫策略
查看哪种策略最能压低感染曲线

结论可用于平台治理策略设计。

场景3：网络安全

问题：企业内部网络中，若病毒从若干核心主机爆发，如何进行最优防护？

做法：

导入主机连接关系
将关键服务器作为可能感染源
比较随机加固与关键节点加固效果
输出快照图与统计结果