A Bayesian Approach for the Network Reconstruction of Interdependent Critical Infrastructure Systems from Cascading Failures

技術要約：相互依存型重要インフラストラクチャ・システムのネットワーク再構築のためのベイズ的アプローチ

問題提起
複雑な相互依存ネットワーク、特に相互依存型重要インフラストラクチャ（ICI）システム（例：水、電力、ガスネットワークの結合体）の挙動を分析するには、ネットワークのトポロジーと相互依存関係に関する完全な知識が必要である。しかし、セキュリティ上の懸念や分散型の運用により、そのようなデータは頻繁に入手不可能である。一部の相互依存関係は、混乱が発生した後に初めて明らかになることもあるが、既存の手法はモデル駆動型の仮定や合成データの生成に依存することが多い。本研究は、観測された連鎖故障データを用いて、未知のICIネットワークのトポロジーを再構築するという逆問題を扱う。課題は、データが部分的かつ不確実である場合において、インフラストラクチャ特有の物理的およびトポロジー的制約を考慮しながら、動的な故障シーケンスからネットワーク構造を推論することにある。

手法
著者らは、連鎖故障の観測集合（$C$）が与えられたときに、離散的なネットワーク・トポロジー（$A$）の事後分布を推定するための、スケーラブルで非パラメトリックなベイズ的アプローチを提案している。本手法の核心は以下の通りである：

1. ベイズ定式化: 問題を $P(A|C) \propto P(C|A)P(A)$ を推定することとして定式化する。

   • 尤度 ($P(C|A)$): インフラストラクチャ・セクター間の故障の伝播をシミュレートするために、Susceptible-Infected（SI）エピデミックモデルを用いてモデリングする。尤度は、候補となる隣接行列が与えられた場合に、特定の故障シーケンスが観測される確率を計算する。
   • 事前分布 ($P(A)$): 階層的ストカスティック・ブロックモデル（HSBM）を用いてモデリングする。一般的なランダムグラフやスケールフリーグラフとは異なり、HSBMは、ICIの特徴であるブロック構造（異なるインフラストラクチャ・セクター）と階層レベル（供給、送電、および需要施設）を捉えることができる。

2. メトロポリス・ヘイスティングス法（M-H）によるサンプリング: 事後分布は閉じた形式の解を持たないため、著者らは可能なネットワーク・トポロジーをサンプリングするためにメトロポリス・ヘイスティングス・アルゴリズムを採用している。

   • インフラ依存型プロポーザル (IP): ICIの物理的制約に適合するトポロジーのみが生成されるように、新しい提案分布を考案した。これには、供給から需要ノードへの接続性の確保、インフラネットワーク内でのサイクルの防止、および相互依存リンクにおける方向性フロー（例：需要から供給へのフロー）の強制を含む10個の具体的な制約が含まれる。これにより、ランダムウォーク型の提案と比較してサンプリング空間を大幅に縮小できる。
   • 収束: マルコフ連鎖の収束は理論的に証明され、数値的にも示されている。

3. 計算の最適化: 大規模ネットワークにおけるトポロジーの指数関数的な増加に対処するため、3つの最適化技術を導入している：

   • 尤度計算: すべてのノードペアを反復するのではなく、故障した近傍のエッジリストを走査することで、計算量を $O(|V|^2)$ から $O(|V| + |E|)$ に削減する。
   • グラフ検証: ICIネットワークの三部グラフ構造と定理1を活用し、全パス探索を行うのではなく、変更されたノードの入次数・出次数のみをチェックすることで、線形時間でトポロジー制約を検証する。
   • Tie-No-Tie (TNT) サンプラー: ランダムなノードペアの選択を、疎なグラフにおけるエッジの削除を優先するサンプラーに置き換えることで、提案の受理率を高める。

主な貢献
本論文は、主に2つの手法的な貢献を行っている：

1. インフラ依存型プロポーザル (IP): MCMCサンプリングプロセスにトポロジー的および物理的制約を統合したこと。このアプローチは、ICIネットワークのブロック構造を利用して事前確率を計算し、候補となるトポロジー空間を劇的に縮小することで、サンプリングの精度と混合時間を向上させる。
2. 計算の最適化: （エッジリストによる尤度計算、線形時間のグラフ検証、およびTNTサンプラーという）3つの具体的な技術を設計したことにより、標準的なMCMC法では計算量的に困難となる大規模ネットワークの再構築を可能にした。

結果
提案手法は、水、電力、ガスシステムを表す合成的相互依存型重要インフラネットワーク（SICIN）を用いて検証された。

• 精度: IPベースの手法は、既存のベースラインを大幅に上回る性能を示した。40個の連鎖故障シナリオを用いた実験において、IPベースの手法は最大 0.964 のF1スコアを達成した。これに対し、非IP型のベイズ的手法は 0.710、Variational Graph Auto-Encoder (VGAE) ベースラインは 0.712 であった。
• データ効率: ベイジアン・アプローチは、大量の情報を必要とするグラフ埋め込み手法と比較して、限られたデータにおいて優れた性能を示した。
• 堅牢性: 感度分析により、IPベースの手法は、非IP型の手法と比較して、初期故障ノードの比率やデータのノイズレベルの変化に対して感度が低いことが示された。中程度の初期故障比（0.2–0.4）において、最も高い再構築精度が得られた。
• スケーラビリティ: 本手法は、より大きな $120 \times 120$ のランダムなICIネットワークにも適用可能であり、0.664という中程度のF1スコアを達成し、より大規模なシステムへの転用可能性を示した。
• 最適化の影響: テストされた構成の中で、IP、エッジリスト最適化、およびTNTサンプリングを組み合わせたもの（手法 M-1）が、再構築の精度と計算時間の最適なトレードオフを提供した。

意義と主張
著者らは、複雑な相互依存型インフラストラクチャ・システムにおけるデータおよび不確実性の課題を解決するための、ネットワーク再構築手法の開発における初の試みであると主張している。本研究の意義は、完全なデータが入手できない混乱時において、不確実なネットワークの相互依存関係を明らかにできる能力にある。

本論文は、現実世界のICIネットワークのトポロジーを正確に再構築することで、政策立案者や実務者が、リスク軽減や経済的利益に関する情報に基づいた意思決定を行うための明確な根拠を得られると断言している。提案されたアプローチは、セキュリティや運用の分散化によってデータが制限されるシナリオにおける実用的なツールとして提示されており、純粋な仮定に基づくモデリングに代わるデータ駆動型の選択肢を提供する。著者らは将来の適用についても謙虚な姿勢を保っており、現在はSIモデルを使用しているが、将来的にはより高度な故障シミュレーションモデル（例：SIR）や、時変的なネットワーク構造を探索できる可能性があると述べている。