1 D-NET Dynamic Networks Research Project Team Proposal V1.0 E. Fleury, ENS Lyon / INRIA February 2009

2 Challenges & Objectives

3 Réseaux complexes dynamiques Grands ensembles dentités en relation, en réseau, qui jouent un rôle clé Réseaux technologiques: informatiques / transport Réseaux de citation / sociologique Réseaux biologiques / épidémiologique Graphes étudiés issus de contextes sémantiques particuliers, dexpériences et de données in situ relations avec le monde réel / réalité concrète. Objets de natures très diverses mais avec des propriétés communes non triviales Science des réseaux complexes Dynamique de ces objets de terrain Réseau métabolique Réseau Internet

4 Objectifs scientifiques Fondation pour une « science des réseaux dynamiques » Pour laquelle : Un « très » grand nombre dentités interagissant Auto organisation Petit monde Hétérogénéité et loi sans échelle Dynamique importante sont des caractéristiques intrinsèques importantes. Expected P(k) ~ k - Found

5 Préoccupations scientifiques communes Comment obtenir de linformation pertinente sur les réseaux dynamiques ? Comment les décrire ? Quelles sont leurs –Propriétés communes ? –Leurs spécificités ? –Leurs dynamiques ? Comment –les modéliser ? –Les manipuler ? Comment concevoir des protocoles et une algorithmique appropriée à ces réseaux ?

6 Quatre angles dattaque scientifiques Mesure observer, échantillonner, estimer des réseaux dentités très complexes vision partielle et biaisée de lobjet réel Analyse décrire la structure, ses propriétés principales, ses caractéristiques notions statistiques et/ou structurelles pertinence et robustesse vis-à-vis de la mesure ? Modélisation modèle de la dynamique des réseaux et/ou sur les réseaux graphes artificiels, représentatifs des propriétés choisies Algorithmique Évaluation / optimisation dalgorithmes distribués

7 Application Domains

8 Health / Epidemiology Mastering hOSpital Antimicrobial Resistance Better understand the dynamic of AMRB transmission the real-time analysis of the relative contribution of exposure to antibiotics; the intrinsic characteristics of epidemic clones that contribute to inter-individual transmission; the identification of factors contributing to the transmission of strains between individuals in the hospital population and community. Document interactions between medical and nursing staff patients to patients patient to medical staff Document contact frequencies monitor the dynamic (inter & intra contact) characterize the interaction network

9 MOSARs experiment people / every 30sec / 6 months 311 Millions snapshots

10 Health / Sociometry TUBEXPO Study of the Health Care Workers (HCWs) exposure to tuberculosis in their work environment Bias of audit / conversations (HCW souvenirs); Bias of the measure itself Document interactions between medical / nursing staff to patients Document contact frequencies monitor the dynamic (inter & intra contact) characterize the interaction network Hospital Hygiene Impact of isolation procedure on watch frequency Impact on the time of received treatment Movement during surgery (surgeon / anaesthetist) À éviter: une mauvaise rencontre avec Mycobacterium tuberculosis (source: NY State Departement of Health)

11 TUBEXPOs experiment

12 Dynamique des populations IXXI DISPOP Dynamique spatial des populations Animal Analyse multi modal Outil de mesure Des interactions sociales Méthodologie pour lanalyse Recherche pluri disciplinaires DEPE (Département Ecologie, Physiologie et Ethologie) de l'IPHC (Institut Pluridisciplinaire Hubert Curien)

13 Wireless Sensor Networks Application / Measure oriented Classical theme Exploit large # of devices In-network and collaborative processing for longevity New researches Optimize system as a whole Exploit multiple modalities, multiple scales, and mobility Interactivity Calibration, self test, validation Great Experimental Tool Measure close to the physical phenomena WIDE/CNRS IP MOSAR IP WASP ANR SensLAB ADT SensTOOLS RECAP

14 ENS / LIP environment Addressing Interdisciplinary Issues Spin off new themes Static & dynamic analyse of interaction network Metrology of wireless Network Overlay & Scheduling Foster collaborations P. Abry, P. Borgnat, P. Goncalves July 2007

15 The Dream Team

16 Team Composition Project Head Eric FLEURY, Professor, ENS Lyon Permanent Researchers Guillaume CHELIUS, CR1, INRIA Non Permanent Researchers Céline ROBARDET, délégation INRIA Engineers Loïc Lemaître, ADT SensTOOLS ANR SensLAB Administrative Assistant TBD PhD Students Elyes BEN HAMIDA, MENRT Andreaa CHIS, WASP Qinna WANG, MENRT

17 Scientific Foundations

18 Three Complementary Scientific Directions short/long term challenges Données réelles massives et dynamiques Analyse et modélisation Algorithmique Lobjectif général que lon se donne est de maximiser linformation (qualitativement & quantitativement) que lon peut retirer dun système de mesure distribué, collaboratif, adaptatif et intelligent au travers de la conception, de la mise en œuvre darchitectures de mesure, du déploiement et du développement dapplications distribuées.

19 Données réelles massives et dynamiques Exploiter des grands jeux de données réelles et de qualité sur des réseaux dynamiques Les objets considérés varient suivant les disciplines, mais les problématiques sont souvent les mêmes : Comment obtenir de linformation pertinente sur ces réseaux ? Comment les décrire ? Conception et optimisation dapplications distribuées / de mesure. Qualité des données observées dans le monde réel Comportement globale de lapplication de mesure Relations existantes entre le résultat et les biais du processus distribué de la mesure

20 Analyze & models From "primitive" to "analyzable" data: Observables different time and space resolutions. local quantities number of contacts of each individual pair-wise contact times and durations global measures the fluctuations of the average connectivity. « analyzable data » whose relevance and meaningfulness for the analysis of network dynamic and network diffusion phenomena will need to be assessed. Granularity and resolution. Time-series approach, « condensing » network dynamics description at various granularity levels, both in time and space understanding of the evolution of the network from a set of isolated contacts (when analyzed with low resolution) to a globally interconnected ensemble of individuals (at large analysis scale). selecting the adequate level of granularity / the multi-modality of the data, with potentially different time resolutions wavelet decompositions and multiresolution analyses: go beyond the intermittency models

21 Analyze & models (cont) Dependencies, correlations and causality Does a given property observed on different components of the data result from a same and single network mechanism controlling the ensemble or rather stem from different and independent causes? Do correlations observed on one instance of information (e.g., topological) command correlations for other modalities? Can directionality in correlations (causality) be inferred amongst the different components of multivariate data? can be envisioned with different time and space resolutions.

22 Analyze & models (cont) Toward a dynamic graph model and theory the basic notions for manipulating dynamic graphs (as graph theory does for static graphs), the notions and indicators to describe its dynamics meaningfully (as complex networks theory does for static complex networks). Dynamic communities build a network which encodes temporal modifications carefully investigate the space/time complexity of such approach Tools for dynamic graph visualization

23 D-NET in the World Wide Research Scene

24 Positioning at INRIA DT3 Réseaux, systèmes et services, calcul distribué Com B: Networks and Telecoms GANG: Networks, Graphs and Algorithms. Study of the structure and algorithmic characteristics of large networks such as Internet, wireless networks (ad hoc) and peer-to- peer networks. Com A: Distributed systems and software architecture ASAP: foundations of large scale dynamic distributed systems. Complementary expertise. Formal & informal collaborations. POPS: focused on operating systems scalability, less focused on autonomic networking or cross layer approach. CEPAGE: conception dalgorithmes et de structures de données et à leur déploiement sur des plates-formes dynamiques à grande échelle. (Distribution de contenu, tâches, réseaux virtuels) Cog C: Multimedia data: interpretation and man-machine interaction GRAVITE: visualisation interactive, fouille et à lanalyse de données massives. AVIZ: méthodes danalyse et de visualisation de grandes quantités de données (réseaux sociaux)

25 European & International positioning France LIP6, M. Latapy CREA / RNSC Europe Louvain (Blondel) Cx-Net Institute for Scientific Interchange Foundation Institute for Scientific Interchange Foundation World Sante Fe Institute Barabasi LAB Indiana University School of Informatics (A. Vespignani) Center for the Study of Complex Systems, University of Michigan (M. E. J. Newman) Cornell University (J. Kleinberg) Cornell University Tokyo University (Live-E)Live-E

26 Grant & Activities

27 Grants National CNRS RECAP ANR SensLAB ADT SensTOOLS AFFSET TUBEXPO Industrial ALU European FP6 IST, IP, WASP FP6 LSH, IP, MOSAR

28 Dissemination

29 Conference committees Networking VTC 2009, ICC 2008/09, NETWORKING 2009, COMSWARE 2007/08/09, PIMRC 2008, Networking 2009 Autonomic Computing PERCOM 2009, EuroPar 2008 Sensor Networks WSN 2008, Intersens 2006, MSN , REALMAN, T2PWSN 2007 Distributed / Theoretical computing AlgoSensor, DIALM-POMC, FAWN, SpaSWiN, Adhoc-Now 08, DCOSS 08, Performance Evaluation PE-WASUN, SIMUTools, PM2HW2N Complex Networks Dynamics on and of complex networks 2009

30

31 lettre en date du 18/07/2008 de la direction du CITI à lattention de : Alain Viari, Eric Fleury, François Sillion, Frédéric Desprez « […] impératif que la gouvernance des projets INRIA dont lactivité est centrée sur le CITI soit portée par un membre interne au laboratoire et non par un membre extérieur »

32 Individual trajectories among social groups (cont) Individual 19, enters group 13 (time step 1215) Goes to group 9 Before going to group

33

34