Analyse et modélisation de réseaux complexes dirigés pour des écosystèmes numériques et économiques

Analysis and modeling of directed complex networks for digital and economic ecosystems

• Auteur / Autrice : Justin Loye
• Direction : Katia Jaffrès-Runser, Dima L. Shepelyansky
• Type : Thèse de doctorat
• Discipline(s) : Informatique et télécommunications
• Date : Soutenance le 02/12/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique de Toulouse (1995-....)
• Jury : Président / Présidente : Jean-Loup Guillaume
• Jury : Examinateurs / Examinatrices : Katia Jaffrès-Runser, Dima L. Shepelyansky, José Lages, Pascal Mérindol
• Jury : Rapporteur / Rapporteuse : Lionel Tabourier, Pierre Borgnat

Mots clés

Mots clés contrôlés

Internet -- Gestion

Markov, Processus de

Réseaux complexes (mathématiques)

Mots clés libres

Réseaux complexes

Matrice de Google

Chaîne de Markov

Topologie d'Internet

Commerce international

Complex networks

Google matrix

Markov chain

Internet topology

World trade networks

Résumé

Les réseaux complexes sont des données modélisées sous forme de graphes qui émergent de la Nature et des activités humaines. Ils peuvent atteindre de grandes tailles et présenter des structures particulières, seulement partiellement expliquées par des modèles et mesurables par des métriques. Dans cette thèse, nous nous sommes intéressés à la modélisation et à l'étude de réseaux complexes issus d'écosystèmes numériques et économiques. Nous montrons que la formulation sous forme de graphe permet de mettre à profit des méthodes puissantes pour extraire de l'information d'écosystèmes complexes. En première application, nous proposons de modéliser et d'analyser PeeringDB, une base de données où les AS reportent leur présence à des infrastructures publiques, les IXP, dans le but de faciliter leurs interconnections. Les AS sont la granularité la plus grosse pour étudier Internet à l'échelle mondiale : ce sont des organisations comme des fournisseurs d'accès Internet ou des géants du contenu tels que Facebook, Amazon et Netflix. Nous montrons que le réseau bipartite AS-IXP, pondéré et dirigé, est assez expressif pour pouvoir extraire les caractéristiques principales du peering public d'Internet. Ensuite, avec une méthode dérivée des chaînes de Markov connue sous le nom de complément stochastique, nous retrouvons des liens AS-AS qui sont d'intérêt car peu divulgués par les intéressés pour des raisons de compétition. Par analogie avec d'autres réseaux compétitifs présents en biologie comme les réseaux mutualistes-antagonistes, nous montrons que les AS s'organisent autour des IXP de manière régionale et imbriquée, ce qui a des implications concernant la robustesse du réseau. En seconde application, nous nous intéressons au réseau de commerce international d'échange de produit entre pays reporté dans la base de donnée COMTRADE des Nations Unis. Nous montrons la place dominante de l'Union Européenne des 27, et sa version restreinte à 9 membres du noyau dur, à savoir des pays d'Europe occidentale plus proches historiquement, politiquement et économiquement. Avec des outils dérivés de la matrice de Google, nous quantifions à quel point les économies des principaux acteurs internationaux sont dépendantes entre elles et vis-à-vis de secteurs stratégiques comme l'énergie. La comparaison est faite entre cette approche et la description habituelle Import-Export de ce réseau de commerce mondial. Nous montrons que l'analyse de la matrice Google prend en compte la multiplicité des transactions commerciales et met ainsi mieux en évidence l'influence mondiale de pays et de produits spécifiques.

Complex networks are data modeled as graphs that emerge from Nature and human activities. They can reach large sizes and present particular structures, only partially explained by models and measurable by metrics. In this thesis, we are interested in the modeling and study of complex networks from digital and economic ecosystems. We show that the graph formulation allows us to use powerful methods to extract information from complex ecosystems. As a first application, we propose to model and analyze PeeringDB, a database where Autonomous Systems (ASes) report their presence to public infrastructures, the Internet Exchange Points (IXPs), in order to facilitate their interconnections. ASes are the coarsest granularity for studying the Internet on a global scale: they are organizations such as Internet Service Providers or content giants such as Facebook, Amazon, and Netflix. We show that the weighted and directed bipartite AS-IXP network is expressive enough to be able to extract the main features of public Internet peering. Then, with a method derived from Markov chains known as stochastic complementation, we find AS-AS links that are of interest because they are poorly disclosed by stakeholders for competitive reasons. By analogy with other competitive networks present in biology such as mutualistic-antagonistic networks, we show that ASes organize themselves around IXPs in a regional and nested manner, which has implications for network robustness. In a second application, we focus on the international trade network of product exchange between countries reported in the United Nations COMTRADE database. We show the dominant place of the European Union of 27, and its restricted version with 9 core members, i.e. Western European countries closer historically, politically and economically. With tools derived from the Google matrix, we quantify the extent to which the economies of the main international players are dependent on each other and on strategic sectors such as energy. The comparison is made between this approach and the usual Import-Export description of this global trade network. We show that the Google matrix analysis takes into account the multiplicity of trade transactions and thus better highlights the global influence of specific countries and products.