🧬 생물학

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

이 논문은 고전적인 확률적 SIS 모델을 동적인 노드 활성도를 가진 네트워크로 확장하여, 활동률이 유행병 임계값이나 정상 상태의 감염 수준을 변화시키지는 않지만, 일시적으로 비활성화된 감염 노드가 감염을 지속시키는 저장소 역할을 하게 함으로써 과도기적 역학을 현저히 늦춘다는 것을 입증한다.

원저자: Alexey V. Nikiforov, Alexey A. Magazev

게시일 2026-10-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Alexey V. Nikiforov, Alexey A. Magazev

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

디지털 세상에서 네트워크는 현대 생활을 지탱하는 보이지 않는 비계(scaffolding)와 같습니다. 사무실 건물의 컴퓨터부터 스마트 홈의 기기들에 이르기까지, 이 시스템들은 정보를 공유하기 위해 끊임없는 연결에 의존합니다. 그러나 사람이 군중 속에서 바이러스에 감염될 수 있는 것처럼, 악성 소프트웨어는 이러한 디지털 연결을 통해 한 장치에서 다른 장치로 옮겨 다니며 퍼질 수 있습니다. 과학자들은 오랫동안 수학적 모델을 사용하여 이러한 감염이 어떻게 행동하는지 예측해 왔으며, 컴퓨터를 건강하거나 병든 상태가 될 수 있는 사람처럼 취급했습니다. SIS라고 알려진 고전적인 모델은 일단 컴퓨터가 감염되면 회복하여 다시 건강해질 수 있지만, 나중에 다시 바이러스에 걸릴 수도 있다고 가정합니다. 이 프레임워크는 연구자들이 감염이 스스로 사멸할 것인지, 아니면 영구적이고 지속적인 문제가 될 것인지를 이해하는 데 도움을 줍니다. 하지만 이러한 전통적인 모델들은 종종 모든 컴퓨터가 항상 온라인 상태이며 상호작용할 준비가 되어 있다고 가정하는데, 이는 현실과는 거리가 먼 조건입니다. 현실 세계에서 기기들은 업데이트, 절전 모드, 또는 단순히 전원이 꺼지는 등의 이유로 오프라인 상태가 되며, 이는 네트워크의 정보 전파 능력이 끊임없이 변하는 역동적인 상황을 만들어냅니다.

러시아의 한 연구팀은 이러한 지속적인 연결성이 깨질 때 어떤 일이 발생하는지 탐구하기 위해 나섰습니다. 그들은 기기들이 항상 참여할 수 있는 상태는 아닌 상황에서 컴퓨터 바이러스가 어떻게 확산되는지를 시뮬레이션하는 새로운 방법을 개발했습니다. 그들의 모델에서 모든 컴퓨터는 두 가지 뚜렷한 상태를 가집니다. 즉, "활성화(enabled)" 상태, 즉 온라인 상태로서 통신할 준비가 된 상태이거나, "비활성화(disabled)" 상태, 즉 오프라인 상태로서 침묵하는 상태입니다. 결정적으로, 비활성화된 컴퓨터는 바이러스에 걸릴 수도 없고 바이러스를 전달할 수도 없지만, 이미 감염된 상태라면 회복할 수도 없습니다. 그것은 단지 다시 온라인 상태가 될 때까지 정지된 애니메이션 상태로 기다릴 뿐입니다. 연구진은 이러한 온라인과 오프라인 사이의 끊임없는 전환이 전염병이 퍼지는 근본적인 규칙, 특히 감염이 자리를 잡고 영구적으로 자리 잡는 데 필요한 임계치를 높이는지 혹은 낮추는지에 변화를 줄 것인지를 알고 싶었습니다.

이를 조사하기 위해 연구팀은 개별 기기를 나타내는 1,000개의 노드로 구성된 컴퓨터 시뮬레이션을 구축했습니다. 그들은 일반적인 사무실 네트워크처럼 컴퓨터들이 연결될 수 있는 무작위 패턴으로 연결된 가상 환경을 만들었습니다. 그런 다음 바이러스를 도입하고 시간이 흐름에 따라 이것이 시스템을 통해 어떻게 이동하는지 관찰했습니다. 이 시뮬레이션을 통해 그들은 기기들이 온라인과 오프라인 사이를 얼마나 자주 전환하는지를 결정하는 "활동률(activity rate)"을 조정할 수 있었습니다. 그들은 바이러스가 약해서 사멸할 가능성이 높은 시나리오와, 바이러스가 강해서 네트워크의 영구적인 요소가 될 가능성이 높은 시나리오를 모두 테스트했습니다. 수천 번의 시뮬레이션을 실행함으로써, 그들은 감염의 평균적인 행동을 관찰하고 자신들의 발견을 수학적 예측과 비교할 수 있었습니다.

결과는 전염병의 핵심 규칙에서 놀라운 안정성을 보여주었습니다. 연구진은 기기들이 얼마나 자주 오프라인 상태가 되는지와 관계없이, 감염이 영구적인 문제가 되기 위한 결정적인 임계치가 변하지 않는다는 것을 발견했습니다. 컴퓨터가 끊임없이 상태를 전환하든 혹은 그대로 머물러 있든, 바이러스가 걷잡을 수 없게 되는 지점은 고전적인 모델과 정확히 일치했습니다. 만약 바이러스가 정적인 네트워크에서 퍼질 만큼 강력하다면, 이 역동적인 네트워크에서도 퍼질 것입니다. 노드의 활동은 네트워크를 초기 점령에 더 취약하게 만들거나 덜 취약하게 만들지 않았으며, 발병의 근본적인 수학적 원리는 변하지 않았습니다.

그러나 최종 결과는 같았지만, 그 과정에 이르는 여정은 극적으로 달랐습니다. 연구진은 기기들이 얼마나 자주 오프라인 상태가 되는지가 감염의 확산 또는 사멸 속도에 큰 영향을 미친다는 것을 발견했습니다. 바이러스가 약해서 결국 사멸할 운명인 상황에서, 기기들이 온라인과 오프라인 사이를 빈번하게 전환할 때 감염은 훨씬 더 느리게 사라졌습니다. 이 직관에 반하는 결과는 비활성화된 감염된 기기가 '숨겨진 저장소' 역할을 하기 때문에 발생합니다. 감염된 기기가 오프라인 상태가 되면 회복할 수 없으므로, 다시 온라인 상태가 될 때까지 바이러스를 보유한 채 기다리게 됩니다. 이는 회복 과정을 지연시켜, 모든 기기가 항상 활성화되어 스스로 치유될 수 있을 때보다 바이러스가 더 오래 지속되도록 만듭니다.

바이러스가 강해서 영구적으로 남을 운명인 경우에도 동일한 지연 효과가 관찰되었습니다. 활동률이 높을 때, 감염이 최종적인 안정 수준에 도달하는 데 훨씬 더 오랜 시간이 걸렸습니다. 끊임적인 전환은 병목 현상을 만들어냈습니다. 감염된 기기들이 오프라인 상태로 보내는 시간이 너무 많아져서, 정적인 네트워크에서처럼 이웃에게 바이러스를 전달하는 속도가 느려졌습니다. 마치 감염이 경주를 하고 있는데, 주자들이 빈번하게 멈춰 서서 기다려야 하는 상황과 같았습니다. 이러한 지연에도 불구하고, 감염은 모든 이가 항상 온라인 상태인 네트워크에서와 마찬가지로 결국 동일한 높은 유병률에 도달했습니다. 감염된 기기의 최종 숫자는 바이러스의 강도와 네트워크의 구조에 달려 있을 뿐, 기기들이 얼마나 자주 잠드는가에는 달려 있지 않았습니다.

이러한 발견은 현대 네트워크의 역동적인 특성이 전염병에 대한 근본적인 취약성을 높이거나 낮추지는 않지만, 사건의 타임라인을 상당히 변화시킨다는 점을 시사합니다. 디지털 감염을 관리하거나 억제하려는 사람들에게 기기의 활동성은 매우 중요한 요소입니다. 기기들이 빈번하게 오프라인 상태가 되는 네트워크는 마치 발병을 늦추고 있는 것처럼 보일 수 있지만, 실제로는 피할 수 없는 결과를 단지 지연시키며 바이러스를 더 오랫동안 휴면 상태로 유지하고 있는 것입니다. 이 연구는 기기가 꺼지는 것과 같은 현실 세계의 제약이 디지털 위협의 확산과 어떻게 상호작용하는지에 대한 더 명확한 그림을 제공하며, 게임의 속도가 변하더라도 게임의 규칙은 그대로 유지된다는 것을 보여줍니다.

기술 요약: 동적 노드 활성도를 가진 확률적 SIS 모델

문제 제기
컴퓨터 바이러스 전파와 같은 확산 프로세스의 수학적 모델링은 일반적으로 구획 모델인 감염 가능-감염-감염 가능(SIS) 프레임워크에 의존한다. 고전적인 모델은 정적인 네트워크 토폴로지나 연속적인 노드 가용성을 가정하지만, 실제 시스템에서는 노드(예: 워크스테이션 또는 모바일 기기)가 주기적으로 활성(사용 가능) 상태와 비활성(사용 불가능) 상태 사이를 전환하는 동적 노드 활성도를 나타내는 경우가 많다. 이러한 시나리오에서 기저의 네트워크 토폴로지는 고정되어 있지만, 활성화된 노드만이 전파에 참여한다. 본 논문이 다루는 핵심 문제는 이러한 동적 노드 가용성이 역병 임계값(epidemic threshold)과 감염 확산의 정상 상태(stationary states)에 어떻게 영향을 미치는지, 특히 고전적인 SIS 임계값이 유지되는지 여부와 활성도가 과도 동역학(transient dynamics)에 어떻게 영향을 미치는지 규명하는 것이다.

방법론
저자들은 $N$ 개의 노드를 가진 연결된 무방향 그래프 $G = (V, L)$ 상에 정의된 확률적 SIS 모델을 제안한다. 각 노드는 두 가지 독립적인 이진 속성을 갖는다:

활성 상태: 활성(Enabled, $E$ ) 또는 비활성(Disabled, $D$ ).
역학적 상태: 감염 가능(Susceptible, $S$ ) 또는 감염(Infected, $I$ ).

이는 네 가지 가능한 노드 상태 $(D,S), (D,I), (E,S), (E,I)$ 를 생성한다. 역학은 다음과 같은 이산 시간 확률적 전이에 의해 지배된다:

활성 전이: 노드는 감염 상태와 관계없이 확률 $\lambda_+$ 와 $\lambda_-$ 에 따라 $D$ 와 $E$ 사이를 전환한다.
역학적 전이:
- 활성화된 감염 가능 노드는 확률 $\mu_a \approx \beta k_a i(t)$ 로 감염된다. 여기서 $k_a$ 는 노드의 차수(degree)이고, $\beta$ 는 전파 확률이며, $i(t)$ 는 활성화된 인구 중 감염된 노드의 비율이다.
- 활성화된 감염 노드는 확률 $\delta$ 로 회복된다.
- 비활성 노드는 역학적 상태를 유지한다. 이들은 비활성 상태 동안 타인에게 감염을 일으킬 수 없으며 회복할 수도 없다.

본 연구는 두 가지 상호 보완적인 접근 방식을 사용한다:

평균장 근사(Mean-Field Approximation): 노드 간의 통계적 동등성을 가정하고 각 상태의 노드 비율( $s_D, i_D, s_E, i_E$ )을 통해 시스템을 기술하는 연속체 유사 모델을 도출한다. 이는 정상 상태와 안정성을 분석하기 위한 상미분 방정식계를 생성한다.
확률적 시뮬레이션: 분석적 예측을 검증하고 유한 크기 효과(finite-size effects)를 정량화하기 위해 에르되시-레니(Erdős–Rényi) 무작위 그래프( $N=1000$ )에서 직접 시뮬레이션을 수행한다. 시뮬레이션은 동기식 업데이트와 여러 그래프 실현 및 역병 실행에 대한 앙상블 평균을 사용한다.

주요 기여

모델 공식화: 본 논문은 노드 활성도를 역학적 상태로부터 명시적으로 분리하여, 전파가 노드의 가용성에 종속되는 시스템에 대한 엄밀한 분석을 가능하게 하는 확률적 SIS 모델을 도입한다.
분석적 도출: 저자들은 평균장 방정식을 도출하고 정상 상태를 식별하며, 역병 임계값에서 초월 분기(transcritical bifurcation)의 존재를 증명한다.
임계값 보존: 주요 이론적 발견은 기본 재생산수 $R_0 = \beta \langle k \rangle / \delta$ 로 정의되는 역병 임계값이 고전적인 SIS 결과와 동일하며, 활성 파라미터( $\lambda_+, \lambda_-$ $)와 무관하다는 것이다.
과도 동역학 분석: 활성율이 수렴 속도에 미치는 역설적인 효과를 정량화한다. 활성 전환율( $\lambda$ )이 증가하면 아임계 영역( $R_0 < 1$ )에서의 감염 감소와 초임계 영역( $R_0 > 1$ )에서의 풍토병 상태로의 수렴 속도가 모두 느려짐을 입증한다.

결과

정상 상태:
- 감염 없는 상태: $R_0 < 1$ 일 때 존재하며 안정적이다.
- 풍토병 상태: $R_0 > 1$ 일 때 존재하며 안정적이다. 활성화된 노드 중 감염된 노드의 정상 비율은 $1 - 1/R_0$ 이다.
- 독립성: 감염의 정상 수준은 오로치 $R_0$ 에만 의존하며, 대칭적인 경우( $\lambda_+ = \lambda_- = \lambda$ ) 활성율 $\lambda$ 와는 무관하다.
과도 동역학 ("저장소" 효과):
- 아임계 영역 ( $R_0 < 1$ ): $\lambda$ 가 증가하면 감염의 지수적 감소가 느려진다. 이는 비활성 상태의 감염 노드가 회복될 수 없기 때문에, 정적 네트워크보다 감염을 더 오래 지속시키는 "저장소(reservoir)" 역할을 한다는 점으로 설명된다.
- 초임계 영역 ( $R_0 > 1$ ): $\lambda$ 가 증가하면 정상 상태 평탄부(plateau)로의 수렴이 느려진다. 높은 활성율은 감염된 노드가 바이러스를 전파할 수 없는 비활성 상태에서 상당한 시간을 보내게 하여, 시스템이 안정화되기 전 감염 수준이 일시적으로 하락하는 현상을 초래한다.
시뮬레이션 vs. 이론: 에르되시-레니 그래프를 이용한 확률적 시뮬레이션은 임계값과 정상 상태가 $\lambda$ 로부터 독립적이라는 분석적 예측을 확인한다. 그러나 시뮬레이션은 초임계 영역에서 평균장 예측보다 약 2~4% 낮은 감염 수준을 보이는 체계적인 편차를 나타내는데, 이는 차수 분포에 대한 감염 확률의 평균장 평균화 및 유한 크기 효과에 기인한다.

의의
본 논문의 주요 의의는 고전적인 평균장 SIS 모델을 동적 노드 가용성의 경우로 확장했다는 데 있다. 본 연구는 역병 임계값은 동적 노드 활성에 의해 영향을 받지 않고 견고하게 유지되는 반면, 시간적 동역학은 크게 변화한다는 것을 확립한다. 특히, 높은 활성율이 (비활성 상태에서의 회복을 방해함으로써) 역설적으로 감염의 지속을 연장할 수 있다는 발견은, 오프라인 상태로 주기적으로 전환되는 장치들의 네트워크와 같이 간헐적 연결성을 가진 시스템의 확산 프로세스에 대한 미묘한 이해를 제공한다. 이 연구는 "비활성 노드의 저장소 효과"가 역병 제어 및 수렴의 시간 척도에 어떻게 영향을 미치는지에 대한 이론적 기초를 제공한다.

유사한 논문