Stochastic SIS Model with Dynamic Node Activity: Epidemic Threshold and Stationary States

Dans le monde numérique, les réseaux sont l'échafaudage invisible qui soutient notre vie moderne. Des ordinateurs d'un immeuble de bureaux aux appareils d'une maison intelligente, ces systèmes reposent sur des connexions constantes pour partager l'information. Cependant, tout comme un virus peut se propager à travers une foule de personnes, un logiciel malveillant peut voyager à travers ces connexions numériques, sautant d'un appareil à l'autre. Les scientifiques utilisent depuis longtemps des modèles mathématiques pour prédire comment de telles infections se comportent, traitant les ordinateurs comme des personnes qui peuvent être soit en bonne santé, soit malades. Un modèle classique, connu sous le nom de SIS, suppose qu'une fois qu'un ordinateur est infecté, il peut guérir et redevenir sain, pour potentiellement attraper le virus plus tard. Ce cadre aide les chercheurs à comprendre quand une infection va s'éteindre d'elle-même et quand elle deviendra un problème permanent et persistant. Mais ces modèles traditionnels supposent souvent que chaque ordinateur est toujours en ligne et prêt à interagir, une condition qui correspond rarement à la réalité. Dans le monde réel, les appareils se déconnectent pour des mises à jour, passent en mode veille ou sont simplement éteints, créant une dynamique où la capacité du réseau à diffuser l'information change constamment.

Une équipe de chercheurs russes s'est donné pour mission d'explorer ce qui se passe lorsque cette connectivité constante est rompue. Ils ont développé une nouvelle façon de simuler la propagation d'un virus informatique lorsque les appareils eux-mêmes ne sont pas toujours disponibles pour participer. Dans leur modèle, chaque ordinateur possède deux états distincts : il est soit « activé », ce qui signifie qu'il est en ligne et prêt à communiquer, soit « désactivé », ce qui signifie qu'il est hors ligne et silencieux. Crucialement, un ordinateur désactivé ne peut ni attraper un virus, ni en transmettre un, mais il ne peut pas non plus guérir s'il est déjà infecté. Il attend simplement dans un état d'animation suspendue jusqu'à son retour en ligne. Les chercheurs voulaient savoir si ce basculement constant entre l'état en ligne et l'état hors ligne changerait les règles fondamentales de la propagation d'une épidémie, plus précisément s'il augmenterait ou diminuerait le seuil nécessaire pour qu'une infection s'installe et devienne permanente.

Pour mener cette enquête, l'équipe a construit une simulation informatique impliquant un réseau de mille nœuds, représentant des appareils individuels. Ils ont créé un environnement virtuel où ces appareils étaient connectés selon un schéma aléatoire, similaire à la manière dont les ordinateurs pourraient être liés dans un réseau de bureau typique. Ils ont ensuite introduit un virus et observé comment il se déplaçait à travers le système au fil du temps. La simulation leur a permis d'ajuster le « taux d'activité », qui déterminait la fréquence à laquelle les appareils basculaient entre l'état en ligne et l'état hors ligne. Ils ont testé des scénarios où le virus était faible et susceptible de disparaître, ainsi que des scénarios où le virus était fort et susceptible de devenir une présence permanente dans le réseau. En exécutant des milliers de ces simulations, ils ont pu observer le comportement moyen de l'infection et comparer leurs résultats avec leurs prédictions mathématiques.

Les résultats ont révélé une stabilité surprenante des règles de base de l'épidémie. Les chercheurs ont découvert que le seuil critique pour qu'une infection devienne un problème permanent ne changeait pas, quel que soit le rythme auquel les appareils se déconnectaient. Que les ordinateurs basculent constamment d'un état à l'autre ou qu'ils restent immobiles, le point auquel le virus devenait incontrôlable restait exactement le même que dans les modèles classiques. Si le virus était assez fort pour se propager dans un réseau statique, il se propagerait également dans ce réseau dynamique. L'activité des nœuds n'a pas rendu le réseau plus ou moins vulnérable à la prise de contrôle initiale ; la mathématique fondamentale de l'épidémie est restée inchangée.

Cependant, bien que le résultat final soit le même, le chemin pour y parvenir était radicalement différent. Les chercheurs ont découvert que la vitesse à laquelle l'infection se propageait ou disparaissait était fortement influencée par la fréquence à laquelle les appareils se déconnectaient. Dans une situation où le virus était faible et destiné à disparaître, l'infection disparaissait beaucoup plus lentement lorsque les appareils basculaient fréquemment entre les états en ligne et hors ligne. Ce résultat contre-intuitif se produit parce qu'un ordinateur infecté désactivé agit comme un réservoir caché. Lorsqu'un appareil infecté se déconnecte, il ne peut pas guérir, il conserve donc le virus en attendant de revenir en ligne. Cela retarde le processus de guérison, permettant au virus de persister plus longtemps qu'il ne le ferait si chaque appareil était toujours actif et capable de se soigner.

Le même effet de ralentissement a été observé lorsque le virus était fort et destiné à devenir permanent. Dans ces cas, l'infection mettait beaucoup plus de temps à atteindre son niveau final et stable lorsque le taux d'activité était élevé. Le basculement constant créait un goulot d'étranglement ; les appareils infectés passaient tellement de temps hors ligne qu'ils ne pouvaient pas transmettre le virus à leurs voisins aussi rapidement que dans un réseau statique. C'était comme si l'infection essayait de courir une course, mais que les coureurs étaient fréquemment forcés de s'arrêter et d'attendre, ralentissant la progression de l'ensemble du groupe. Malgré ce retard, l'infection atteignait finalement le même niveau de prévalence que dans un réseau où tout le monde était toujours en ligne. Le nombre final d'appareils infectés dépendait uniquement de la force du virus et de la structure du réseau, et non de la fréquence à laquelle les appareils se mettaient en veille.

Ces conclusions suggèrent que si la nature dynamique des réseaux modernes ne les rend pas fondamentalement plus ou moins sensibles à une épidémie, elle en modifie considérablement la chronologie. Pour ceux qui tentent de gérer ou de contenir une infection numérique, l'activité des appareils est un facteur crucial. Un réseau où les appareils se déconnectent fréquemment peut donner l'impression de ralentir une épidémie, mais il ne fait en réalité que retarder l'inévitable, maintenant le virus en vie dans un état de dormance pendant des périodes plus longues. L'étude offre une image plus claire de la manière dont les contraintes du monde réel, comme l'extinction des appareils, interagissent avec la propagation des menaces numériques, montrant que les règles du jeu restent les mêmes, même si le rythme de jeu change.