Πρώιμα σημάδια επικείμενης τρομοκρατικής ενέργειας

Σπυρόπουλος Ζαχ. Αλέξανδρος,

daspyro@physics.ihu.gr

Τσιάντος Βασίλειος,
tsianto@physics.ihu.gr
Department of Physics, School of Science,
International Hellenic University (IHU)

Περίληψη
Η παρούσα μελέτη εξετάζει το ερώτημα: Μπορούν οι αρχές επιβολής
του νόμου (αστυνομικές – δικαστικές) να αξιοποιήσουν τα εργαλεία της
θεωρίας πληροφορία προκειμένου να προετοιμαστούν κατάλληλα για ένα
επερχόμενο τρομοκρατικό κτύπημα; Για την απάντηση του ερωτήματος
εξετάζονται σε πραγματικά δημόσια δεδομένα οι εντροπίες των δεικτών
κεντρικότητας: βαθμική κεντρικότητα, κεντρικότητα διαμεσότητας και ο
δείκτης ομαδοποίησης. Τα αποτελέσματα συγκρίνονται με τα πραγματικά
τρομοκρατικά γεγονότα που επισυνέβησαν κατά την περασμένη δεκαετία.
Λέξεις-κλειδιά: τρομοκρατικά δίκτυα; αστυνομικές έρευνες; ποινικές
έρευνες; μέτρα κεντρικότητας; εντροπία στην έρευνα εγκλημάτων; Δίκτυο
με βάρη; αναγνώριση ρόλων δικτύου.

Abstract
This study examines the question: Can law enforcement authorities
(police- judiciary) use intelligence tools to prepare for an upcoming terrorist
attack properly? To answer the question, the entropies of the centralities
measures of terrorist networks are examined in accurate public data. The
results are compared to the actual terrorist events that occurred over the past
decade.
Keywords: terrorist networks; police investigations; criminal
investigations; centralities measures; entropy in crime investigation;
weighted network; network roles identification
674 38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας

1 Εισαγωγή
Η θεωρία δικτύων μελετά τη γεωμετρική αναπαράσταση των
αλληλεπιδράσεων μεταξύ των δομικών μονάδων ενός συστήματος ως
γράφοι [1–9]. Η θεωρία δικτύων απεικονίζει με κόμβους (τα συστατικά
μέρη ενός συστήματος) και συνδέσεις (την αλληλεπίδραση μεταξύ των
κόμβων) [Εικόνα 1] Μ’ αυτόν τον τρόπο παρουσιάζεται μια εύτακτη
διάταξη των πολύπλοκων συστημάτων [3,7,10–12].

Εικόνα 1

Όποια δομή μπορεί να παρουσιαστεί ως σύνολο κόμβων και συνδέσεων

που παρουσιάζουν τη διασύνδεση μεταξύ τους μπορεί να μελετηθεί με
εργαλεία απ’ την θεωρία δικτύων [4,5,7]. Έτσι, μπορούν να μελετηθούν
δίκτυα: ηλεκτρονικών υπολογιστών, τηλεπικοινωνιών, ύδρευσης,
μεταφορών, τροφοδοτικών αλυσίδων, οργάνων του ανθρωπίνου σώματος ή
και της κυτταρικής αλληλεπίδρασης, αλλά και δίκτυα πρωτεϊνών, δίκτυα
μετεωρολογικών φαινομένων κ.α. ενώ εξαιρετικό ενδιαφέρον παρουσιάζουν
τα κοινωνικά δίκτυα [7,13]ꞏ δηλαδή τα δίκτυα σχέσεων μεταξύ ανθρώπων.
Όπως έχει ήδη τεκμηριωθεί [8,9] η θεωρία δικτύων μπορεί να αποτελέσει
εξαιρετικό εργαλείο για όλες τις επιστημονικές μελέτες και εφαρμογές.
Η θεωρία δικτύων μελετά τις τοπολογικές ιδιότητες εκάστου κόμβου οι
οποίες απορρέουν απ’ τη θέση του καθενός σε σχέση με τους υπολοίπους
κόμβους του δικτύου [3–5,7,8]. Οι ιδιότητες αυτές -ανάλογα με το είδος του
δικτύου που μελετάται- αναδεικνύουν τους διαφορετικούς ρόλους που
διαδραματίζει κάθε κόμβος [5,7,14–22]. Τονίζεται εδώ πως αυτοί οι
διαφορετικοί ρόλοι | ιδιότητες είναι απότοκοι αποκλειστικά της
τοπολογικής σχέσεις μεταξύ των κόμβων του δικτύου.
38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας 675

1.1 Δείκτες Κεντρικότητας

Οι δείκτες κεντρικότητας είναι μέτρα με τα οποία υπολογίζεται η
σημαντικότητα κάθε κόμβο σε σχέση με συγκεκριμένα τοπολογικά κριτήρια
[5,7,16–18,23,24]. Υπάρχουν περισσότεροι από 100 τέτοιοι δείκτες οι
οποίοι αναφέρονται είτε τοπικά σε κάθε κόμβο είτε δείχνουν μια ολική
εικόνα για το δίκτυο [7,18]. Στο άρθρο αυτό εξετάζονται οι τοπικοί δείκτες:
βαθμική κεντρικότητα [1.1.1], κεντρικότητα διαμεσότητας [1.1.2] και
δείκτης ομαδικότητας [1.1.3].

1.1.1 Η Βαθμική Κεντρικότητα (Degree Centrality)

Η βαθμική κεντρικότητα μετρά το πόσο σημαντικός είναι ένας κόμβος
του δικτύου με κριτήριο το πλήθος των συνδέσεων του [7,14,25]ꞏ και
μπορεί να κατατάξει τους κόμβους σε μια «λίστα σημαντικότητας» ανάλογα
με την τιμή εκάστου σ’ αυτό το μέτρο [Εικόνα 2]. Η βαθμική κεντρικότητα
προκύπτει απ’ το μαθηματικό τύπο: 𝑘 ∑ 𝑎 | όπου: 𝑖 είναι ο
εξεταζόμενος κόμβος, 𝑗 κάθε κόμβος του δικτύου εκτός του εξεταζομένου,
𝑁 το σύνολο των κόμβων του δικτύου και 𝑎 η ακμή που ενώνει των
εξεταζόμενο κόμβο με κάθε άλλο κόμβο του Δικτύου.

Εικόνα 2

1.1.2 Κεντρικότητα Διαμεσότητας (Betweenness Centrality)

Η κεντρικότητα διαμεσότητας μετρά το πόσο σημαντικός είναι ένας
κόμβος του δικτύου με κριτήριο εάν ο εξεταζόμενος κόμβος βρίσκεται μέσα
στη διαδρομή που ενώνει δυο άλλους κόμβους του δικτύου που δεν έχουν
απευθείας ένωση [7,14,25]ꞏ και μπορεί να κατατάξει τους κόμβους σε μια
«λίστα σημαντικότητας» ανάλογα με την τιμή εκάστου σ’ αυτό το μέτρο
[Εικόνα 3]. Η κεντρικότητα διαμεσότητας υπολογίζεται απ’ το μαθηματικό
676 38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας

τύπο: Β ∑ ∈ | όπου: 𝑖 είναι ο εξεταζόμενος κόμβος, 𝜎 Το

σύνολο των διαδρομών που συνδέουν τους κόμβους 𝑘 και 𝑗 και περνούν
από τον εξεταζόμενο κόμβο 𝑖 και 𝜎 το σύνολο των διαδρομών που
συνδέουν τους κόμβους 𝑘 και 𝑗 και δεν περνούν από τον εξεταζόμενο
κόμβο 𝑖.

Εικόνα 3

1.1.3 Δείκτης Ομαδοποίησης (Cluster Coefficient)

Ο δείκτης ομαδοποίησης μετρά το πόσο σημαντικός είναι ένας κόμβος
του δικτύου με κριτήριο εάν οι πρώτοι γείτονές του ενώνονται μεταξύ τους
[26]ꞏ και μπορεί να κατατάξει τους κόμβους σε μια «λίστα
σημαντικότητας» ανάλογα με την τιμή εκάστου σ’ αυτό το μέτρο [Εικόνα
4]. Ο δείκτης ομαδοποίησης υπολογίζεται απ’ το μαθηματικό τύπο: 𝐶𝑣
| όπου: 𝑖 είναι ο εξεταζόμενος κόμβος, 2𝐸 το πλήθος των
συνδέσεων μεταξύ των πρώτων γειτόνων του κόμβου 𝑖 και 𝐾 το πλήθος
των πρώτων γειτόνων του κόμβου 𝑖.

1.2 Ανάδειξη Ρόλων Εικόνα 4

Απ’ τα όσα αναφέρθηκαν στις παραγράφους 1.1.1, 2 κ΄ 3 προκύπτει πως
ανάλογα με τα κριτήρια με τα οποία εξετάζονται οι κόμβοι ενός δικτύου
38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας 677

προκύπτει μια κατάταξή τους απ’ την οποία διαφαίνεται ο ρόλος εκάστου
εντός του δικτύου. Εξετάζοντας τους κόμβους ως ανθρώπους ενός
κοινωνικού δικτύου -για παράδειγμα: κόμβοι είναι οι εργαζόμενοι μιας
εταιρείας και συνδέσεις: η συνεργασία για θέματα της εταιρείας μεταξύ των
κόμβων- παρατηρούμε πως η βαθμική κεντρικότητα μπορεί να υποδείξει
τον εργαζόμενο που είναι πιο δημοφιλής ή που έχει τις περισσότερες
αρμοδιότητες [7,14,25] μιας που συνεργάζεται με περισσότερους
εργαζομένους, καθώς όπως παρατηρήθηκε στην ενότητα 1.1.1 υπολογίζεται
με βάση το πλήθος των συνδέσεων εκάστου κόμβου. Η κεντρικότητα
διαμεσότητας μπορεί να καταδείξει τους εργαζόμενους που λειτουργούν ως
διαμεσολαβητές μεταξύ διαφορετικών ομάδων ή γραφείων της εταιρείας
[7,14,16,19–21], καθώς στην ενότητα 1.1.2 παρατηρήθηκε ότι υψηλότερη
βαθμολογία έχουν οι κόμβοι όπου από αυτούς περνούν τα μονοπάτια που
ενώνουν κόμβους τους δικτύου που δεν ενώνονται μεταξύ τους. Τέλος, ο
δείκτης ομαδοποίησης παρουσιάζει τους πλέον «ομαδικά
συνεργαζόμενους» υπαλλήλους, καθώς όπως διατυπώθηκε στην ενότητα
1.1.3 ο δείκτης μετρά τη σύνδεση μεταξύ γειτόνων [Εικόνα 5].

Εικόνα 5

1.3 Η Θεωρεία δικτύων στην Εγκληματολογική έρευνα

Όπως έγινε σαφές απ’ τις ανωτέρω αναφορές η διεπιστημονικότητα της
θεωρίας δικτύων έγκειται στο γεγονός της αποκλειστικής μελέτης της θέσης
κάθε κόμβου σε σχέση με τους υπολοίπους κόμβους του δικτύου [4,5,7,8].
Αυτό σημαίνει πως οι δείκτες κεντρικότητας όπως ερμηνεύτηκαν στο
παράδειγμα της παραγράφου 1.2 θα είχαν την ίδια ερμηνεία είτε το δίκτυο
αναπαριστούσε επικοινωνίες μεταξύ κινητών τηλεφωνικών συσκευών, είτε
το δίκτυο μιας τροφοδοτικής αλυσίδας [Εικόνες 6 & 7]. Βάσει αυτού του
συλλογισμού τα εργαλεία της θεωρίας δικτύων μπορούν να βρουν πεδίο
εφαρμογής και στην ανάλυση παραβατικών δικτύων απ’ τις αρχές επιβολής
του νόμου (αστυνομικές – δικαστικές) [21,25–36].
678 38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας

1.4 Εντροπία των δεικτών κεντρικότητας

Η εντροπία κάποιας τυχαίας μεταβλητής X είναι η μέση πληροφορία που
λαμβάνεται από τη μέτρηση των 𝑛 τιμών 𝑥 , 𝑥 , ..., 𝑥 μιας μεταβλητής 𝑋.
Επομένως, η εντροπία είναι ένα μέτρο της έλλειψης πληροφοριών πριν
γίνουν ακριβέστερες μετρήσεις. Σε αυτή τη μελέτη, χρησιμοποιείται η
εντροπία Shannon, που αντιπροσωπεύει το ελάχιστο μέσο μήκος της
δυαδικής κωδικοποίησης [58,59]:

S 𝑝 log 𝑝

Προκειμένου να συγκριθούν οι εντροπίες διαφορετικών μεταβλητών,

υπολογίζεται η κανονικοποιημένη εντροπία , λαμβάνοντας τιμές στο
διάστημα 0,1 . Η εντροπία είναι ένα μέτρο της ποικιλομορφίας των τιμών
των μεταβλητών. Η υψηλή εντροπία δείχνει ότι οι περισσότερες τιμές είναι
περισσότερο ή εξίσου πιθανές, ενώ η χαμηλή εντροπία δείχνει ότι λίγες
τιμές είναι πολύ πιθανές και κυριαρχούν, καθώς οι άλλες τιμές έχουν
μάλλον χαμηλή πιθανότητα. Ο τύπος Shannon χρησιμοποιείται για τον
υπολογισμό των εντροπιών των τριών επιλεγμένων κεντρικοτήτων, δηλαδή
του degree, της betweenness και του cluster coefficient που ορίζονται στην
ενότητα 2.1. Η degree entropy υπολογίζεται από τον τύπο:
𝑆 ∑ 𝑝 log 𝑝 , όπου 𝑝 είναι η κατανομή πιθανότητας των τιμών
της κεντρικότητας βαθμού. Η κανονικοποιημένη εντροπία βαθμού είναι:
. Η εντροπία betweenness entropy 𝑆 και η cluster coefficient
entropy 𝑆 ορίζονται με τον ίδιο τρόπο. Στην περίπτωση των
εξεταζόμενων δικτύων, οι κεντρικότητες με υψηλή εντροπία δείχνουν
υψηλή διαφοροποίηση των ρόλων των κόμβων, ενώ η χαμηλή εντροπία
δείχνει ότι οι περισσότεροι κόμβοι δεν έχουν ρόλους στο δίκτυο.

2 Ερευνητικό Ερώτημα
Ε: «Μπορούν οι αρχές επιβολής του νόμου (αστυνομικές – δικαστικές)
να αξιοποιήσουν τα εργαλεία της θεωρίας πληροφορία προκειμένου να
προετοιμαστούν κατάλληλα για ένα επερχόμενο τρομοκρατικό κτύπημα;»

3 Μεθοδολογία
Προκειμένου να απαντηθεί το ερευνητικό ερώτημα το οποίο τίθεται στην
ενότητα 2 θα αξιοποιηθούν τα όσα διατυπώθηκαν στην ενότητα 1 σε
38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας 679

πραγματικά δεδομένα, ώστε να διαπιστωθεί εάν μπορούν εξαχθούν

συμπεράσματα σχετικά με την εύρεση πρώιμων σημαδιών προειδοποίησης
επικείμενων τρομοκρατικών γεγονότων.

3.1 Η Προέλευση των Δεδομένων

Τα δεδομένα εξήχθησαν από τη δημόσια βάση δεδομένων του Κέντρου
Υπολογιστικής Ανάλυσης Κοινωνικών και Οργανωτικών Συστημάτων
(CASOS) του Πανεπιστημίου Carnegie Mellon | ΗΠΑ, Πενσυλβάνια [37].
Τα δεδομένα, σε αυτή τη βάση δεδομένων, χρησιμοποιούνται για
επιστημονικές δημοσιεύσεις από ερευνητές σε όλο τον κόσμο [38] και οι
εταίροι στην ανάπτυξη της βάσης δεδομένων είναι πανεπιστήμια όπως το
Πανεπιστήμιο της Αριζόνα, το Πανεπιστήμιο Κολούμπια, το Πανεπιστήμιο
COSMOS του Αρκάνσας Little Rock, το Πανεπιστήμιο Dartmouth, το
Πανεπιστήμιο της Γεωργίας, το Πανεπιστήμιο του Τέξας στο Ώστιν, το
Πανεπιστήμιο του Πίτσμπουργκ, το Πανεπιστήμιο Carnegie Mellon ,
Πανεπιστήμιο Ντρέξελ [39].

3.2 Τα Δεδομένα
Τα δεδομένα αντιπροσωπεύουν τις σχέσεις - συνεργασίες μεταξύ των
αναγνωρισμένων μελών της τρομοκρατικής οργάνωσης Jamaah Islamiah
[40] - όπως καταγράφηκαν από την ινδονησιακή αστυνομία από το 1985
έως το 2007. Τα δεδομένα αναπαριστούνε 11 χρονικές περιόδους στις
οποίες απεικονίζονται 27 άτομα (κόμβοι) και 916 σχέσεις (συνδέσεις). Η
ανάλυση των δεδομένων δείχνει ένα δίκτυο συνδετικό1, σταθμισμένο και μη
κατευθυνόμενο. Η εν λόγω οργάνωση σχετίζεται με το σημαντικό
πολύνεκρο τρομοκρατικό κτύπημα που έγινε 2004 στην πρεσβεία της
Αυστραλίας στην Τζακάρτα της Ινδονησίας.

3.3 Η Επεξεργασία των Δεδομένων

Η ανάλυση των δεδομένων έγινε στην γλώσσα προγραμματισμού Python
και οι δείκτες κεντρικότητας (βαθμική κεντρικότητα, κεντρικότητα
διαμεσότητας και δείκτης ομαδοποίησης) υπολογίστηκαν με τη χρήση της
βιβλιοθήκης «networkX» [41]. Για τον υπολογισμών των Εντροπιών των
κεντρικοτήτων χρησιμοποιήθηκαν πρωτότυπα λογισμικά.

1
Δεν υπάρχουν αποκομμένοι κόμβοι ή ομάδες κόμβων.
680 38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας

4 Αποτελέσματα
Η απεικόνιση του συνολικού δικτύου κατά την περίοδο (1985 - 2007)
παρουσιάζεται στο Figure 1.

Εικόνα 1: Το δίκτυο της "Ενότητας Jamaah Islamiah της Ινδονησίας"

Τα αποτελέσματα των υπολογισμών των κεντρικών κόμβων και των

εντροπιών βρίσκονται στο [Συμπληρωματικό Υλικό 1]. Από τις τιμές των
κεντρικοτήτων προσδιορίζονται και παρουσιάζονται στο σχήμα 2 οι
πρωταγωνιστές (κόμβοι υψηλής κεντρικότητας) για την περίοδο 1985-2007
(συνολικά). Οι πρωταγωνιστές για κάθε χρονική περίοδο παρουσιάζονται
στον Πίνακα 1. Η εξέλιξη των εντροπιών των κεντρικών περιοχών
παρουσιάζεται στο σχήμα 3.
38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας 681

Εικόνα 2: Οι κύριοι πρωταγωνιστές της "Ενότητας Jamaah Islamiah της Ινδονησίας". Οι

πρωταγωνιστές απεικονίζονται ως μεγαλύτερες πορτοκαλί σφαίρες. Οι περισσότεροι κόμβοι
έχουν βαθμό >0.3, αλλά ο κόμβος 177 (0.7) ξεχωρίζει. Οι περισσότεροι κόμβοι έχουν
χαμηλές τιμές (<0.2) ως διαμεσολαβητές αλλά ο 0177 (0.3) ξεχωρίζει. Οι περισσότεροι
κόμβοι είναι ομαδικοί παίκτες (συσσώρευση > 0.6), αλλά οι κόμβοι 177 (1), 577 (1), 800 (1),
1504 (1), 1507 (1) και 1509 (1) ξεχωρίζουν ως ομαδικοί παίκτες.

Κεντρικοί Κόμβοι
Πίνακας 1 Κόμβοι Υψηλής
Ενδιάμεσοι Ομαδικοί Παίχτες
Συμμετοχικότητας
1985-1989 - - -
1580 (0.1)
1990- 1994 - -
1595 (0.1)
1556 (0.1)
1995- 1999 1580 (0.1) - -
1595 (0.1)
1556 (0.1)
Χρονικές Περίοδοι

1561 (0.1)
1562 (0.1)
2000 - -
1570 (0.1)
1580 (0.1)
1595 (0.1)
1556 (0.1)
1561 (0.1)
1562 (0.1)
1570 (0.1)
2001 - -
1580 (0.1)
1582 (0.1)
1590 (0.1)
1595 (0.1)
682 38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας

1556 (0.7)
1561 (0.5)
1509 (0.2)
1562 (0.7)
1556 (0.2)
2002 1580 (0.7) -
1580 (0.3)
1582 (0.7)
1582 (0.2)
1590 (0.7)
1595 (1.0)
1553 (0.2)
0177 (0.6)
1556 (0.3)
2003 1579 (0.2) 1574 (0.6)
1561 (0.3)
1579 (0.6)
1590 (0.3)
0801 (0.6)
0802 (0.6)
177 (0.7)
1507 (0.6)
2004 1579 (0.5) 0177 (0.3)
1534 (0.6)
1590 (0.5)
1563 (0.6)
1574 (0.6)
801 (1.0)
177 (0.2)
2005 - 1506 (0.8)
1562 (0.2)
1574 (1.0)
177 (0.3)
177 (0.1)
2006 - 0800 (0.3)
800 (0.1)
1580 (1.0)
2007 - - -

Πίνακας 1: Κεντρικοί κόμβοι για κάθε χρονική περίοδο. Οι τιμές των κεντρικοτήτων είναι
δηλωμένες στις παρενθέσεις. Η έλλειψη τιμής σημαίνει ότι η κεντρικότητα όλων των κόμβων
είναι μικρότερη από 0,09.
38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας 683

Εικόνα 3: Η εξέλιξη των κανονικοποιημένων εντροπιών. Ένα κορυφαίο σημείο των

εντροπιών εμφανίζεται το 2004. Οι εντροπίες αυξάνονται από το 1995 έως το 2004, αλλά η
εντροπία της ομαδοποίησης αυξάνεται με τρεμουλιαστό τρόπο μετά το 2002. Όλες οι
εντροπίες μειώνονται μετά το 2004, η εντροπία της κεντρικότητας διαμεσότητας μειώνεται
λίγο γρηγορότερα.

Συμπέρασμα
Η παρούσα μελέτη εντάσσεται στο ευρύτερο πλαίσιο της θεωρίας
πληροφορίας και των εφαρμογών της στην επιβολή του νόμου, και
διαπραγματεύεται τη χρησιμότητα της εντροπίας δικτυακών δεικτών
κεντρικότητας ως προγνωστικών μετρικών για την ανίχνευση
τρομοκρατικών ενεργειών. Είναι ωστόσο σημαντικό να αναγνωρίσουμε τα
όρια της μελέτης αυτής. Καταρχάς, τα δεδομένα που χρησιμοποιούνται
προέρχονται από μια μόνο τρομοκρατική οργάνωση, την Jamaah Islamiah.
Επιπλέον, καταγράφονται σε μια συγκεκριμένη χρονική περίοδο.
Επομένως, η γενικευσιμότητα των αποτελεσμάτων μπορεί να είναι
περιορισμένη.
Το ερευνητικό ερώτημα που παρουσιάζεται στην Ενότητα 2 έχει
καταφατική απάντηση βάσει της εφαρμογής της μεθοδολογίας που
αναλύθηκε στην Ενότητα 3. Δηλαδή, πράγματι τα εργαλεία της θεωρίας
πληροφορίας προσφέρουν στις αρχές επιβολής του νόμου τη δυνατότητα
έγκαιρης προειδοποίησης για επικείμενα τρομοκρατικά κτυπήματα. Όπως
παρατηρείται στην Figure 3, οι δείκτες εντροπίας έχουν υψηλή
προγνωστική αξία και θα πρέπει να ενσωματωθούν στο πλαίσιο ανάλυσης
δικτύων τρομοκρατίας. Το επόμενο βήμα στην ερευνητική ατζέντα θα είναι
684 38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας

η επιβεβαίωση αυτών των ευρημάτων με τη χρήση διαφορετικών σετ

δεδομένων και μεθοδολογιών.
.
Ευχαριστίες: Οι συγγραφείς νιώθουν την ανάγκη να ευχαριστήσουν τον
Καθ. Ιωάννη Αντωνίου απ’ το Τμήμα Μαθηματικών του Αριστοτελείου
Πανεπιστημίου Θεσσαλονίκης για την πολύτιμη υποστήριξη και διαχρονική
αρωγή του.

Βιβλιογραφία
1. Chaisson, E.J.; Chaisson, E. Cosmic Evolution: The Rise of Complexity in Nature;
Harvard University Press, 2001; ISBN 978-0-674-00987-5.
2. Barrat, A.; Barthélemy, M.; Vespignani, A. Dynamical Processes on Complex
Networks; Cambridge University Press, 2008; ISBN 978-1-107-37742-4.
3. Vespignani, A.; Caldarelli, G. Large Scale Structure And Dynamics Of Complex
Networks: From Information Technology To Finance And Natural Science; World
Scientific, 2007; ISBN 978-981-4475-41-9.
4. Estrada, E. The Structure of Complex Networks: Theory and Applications; OUP
Oxford, 2012; ISBN 978-0-19-959175-6.
5. Kolaczyk, E.D.; Csárdi, G. Network Topology Inference. In Statistical Analysis of
Network Data with R; Springer International Publishing: Cham, 2020; pp. 115–140
ISBN 978-3-030-44129-6.
6. Kolaczyk, E.D.; Csárdi, G. Dynamic Networks. In Statistical Analysis of Network
Data with R; Springer International Publishing: Cham, 2020; pp. 207–223 ISBN 978-
3-030-44129-6.
7. Freeman, L.C. Centrality in Social Networks Conceptual Clarification. Soc. Netw.
1978, 1, 215–239, doi:10.1016/0378-8733(78)90021-7.
8. Newman, M. Networks; Oxford University Press, 2018; ISBN 978-0-19-252749-3.
9. Thurner, S.; Hanel, R.; Klimek, P. Introduction to the Theory of Complex Systems;
Oxford University Press, 2018; ISBN 978-0-19-255507-6.
10. Airoldi, E.M. Getting Started in Probabilistic Graphical Models. PLOS Comput. Biol.
2007, 3, e252, doi:10.1371/journal.pcbi.0030252.
11. Kolaczyk, E.D.; Csárdi, G. Networked Experiments. In Statistical Analysis of
Network Data with R; Springer International Publishing: Cham, 2020; pp. 187–205
ISBN 978-3-030-44129-6.
12. Kolaczyk, E.D.; Csárdi, G. Mathematical Models for Network Graphs. In Statistical
Analysis of Network Data with R; Springer International Publishing: Cham, 2020; pp.
69–85 ISBN 978-3-030-44129-6.
13. Li, Hui Centrality Analysis of Online Social Network Big Data.; IEEE, 2018.
14. Wasserman, S.; Faust, K. Social Network Analysis: Methods and Applications;
Cambridge University Press, 1994; ISBN 978-0-521-38707-1.
15. Restrepo, J.G.; Ott, E.; Hunt, B.R. Characterizing the Dynamical Importance of
Network Nodes and Links. Phys. Rev. Lett. 2006, 97, 094102,
doi:10.1103/PhysRevLett.97.094102.
16. Rodríguez, J.A.; Estrada, E.; Gutiérrez, A. Functional Centrality in Graphs. Linear
Multilinear Algebra 2007, 55, 293–302, doi:10.1080/03081080601002221.
38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας 685
17. Klein, D.J. Centrality Measure in Graphs. J. Math. Chem. 2010, 47, 1209–1223,
doi:10.1007/s10910-009-9635-0.
18. Paolo Boldi and Vigna, Sebastiano Axioms for Centrality. Internet Math. 10, 3–4,
222–262.
19. Hughes, C.E.; Bright, D.A.; Chalmers, J. Social Network Analysis of Australian
Poly-Drug Trafficking Networks: How Do Drug Traffickers Manage Multiple Illicit
Drugs? Soc. Netw. 2017, 51, 135–147, doi:10.1016/j.socnet.2016.11.004.
20. Baika, L.; Campana, P. Centrality, Mobility, and Specialization: A Study of Drug
Markets in a Non-Metropolitan Area in the United Kingdom. J. Drug Issues 2020,
50, 107–126, doi:10.1177/0022042619891962.
21. de Bie, J.L.; de Poot, C.J.; Freilich, J.D.; Chermak, S.M. Changing Organizational
Structures of Jihadist Networks in the Netherlands. Soc. Netw. 2017, 48, 270–283,
doi:10.1016/j.socnet.2016.09.004.
22. Gutfraind, A.; Genkin, M. A Graph Database Framework for Covert Network
Analysis: An Application to the Islamic State Network in Europe. Soc. Netw. 2017,
51, 178–188, doi:10.1016/j.socnet.2016.10.004.
23. Kolaczyk, E.D.; Csárdi, G. Modeling and Prediction for Processes on Network
Graphs. In Statistical Analysis of Network Data with R; Springer International
Publishing: Cham, 2020; pp. 141–167 ISBN 978-3-030-44129-6.
24. Kolaczyk, E.D.; Csárdi, G. Descriptive Analysis of Network Graph Characteristics.
In Statistical Analysis of Network Data with R; Springer International Publishing:
Cham, 2020; pp. 43–68 ISBN 978-3-030-44129-6.
25. Morselli, Carlo Assessing Vulnerable and Strategic Positions in a Criminal Network.
J. Contemp. Crim. Justice 2010, 26,4, 382–392.
26. Saramäki, J.; Kivelä, M.; Onnela, J.-P.; Kaski, K.; Kertész, J. Generalizations of the
Clustering Coefficient to Weighted Complex Networks. Phys. Rev. E 2007, 75,
027105, doi:10.1103/PhysRevE.75.027105.
27. Agreste, S.; Catanese, S.; De Meo, P.; Ferrara, E.; Fiumara, G. Network Structure
and Resilience of Mafia Syndicates. Inf. Sci. 2016, 351, 30–47,
doi:10.1016/j.ins.2016.02.027.
28. Yang, Christopher C. and Tobun, Ng D. New Brunswick, NJ Terrorism and Crime
Related Weblog Social Network: Link, Content Analysis and Information
Visualization. IEEE Intell. Secur. Inform. 2007, 55–58.
29. Sparrow, M.K. The Application of Network Analysis to Criminal Intelligence: An
Assessment of the Prospects. Soc. Netw. 1991, 13, 251–274, doi:10.1016/0378-
8733(91)90008-H.
30. Cunha, B.R. da; Gonçalves, S. Topology, Robustness, and Structural Controllability
of the Brazilian Federal Police Criminal Intelligence Network. Appl. Netw. Sci. 2018,
3, 1–20, doi:10.1007/s41109-018-0092-1.
31. Malang, K.; Wang, S.; Phaphuangwittayakul, A.; Lv, Y.; Yuan, H.; Zhang, X.
Identifying Influential Nodes of Global Terrorism Network: A Comparison for
Skeleton Network Extraction. Phys. Stat. Mech. Its Appl. 2020, 545, 123769,
doi:10.1016/j.physa.2019.123769.
32. Shaikh, M. A., & Jiaxin, W Investigative Data Mining: Identifying Key Nodes in
Terrorist Networks. In Proceedings of the IEEE International Multitopic Conference;
December 2006; pp. 201–206.
686 38ο Πανελλήνιο Συνέδριο Μαθηματικής Παιδείας
33. Memon, B. R. Identifying Important Nodes in Weighted Covert Networks Using
Generalized Centrality Measures.; IEEE, August 2012; pp. 131–140.
34. Ferrara, E.; De Meo, P.; Catanese, S.; Fiumara, G. Detecting Criminal Organizations
in Mobile Phone Networks. Expert Syst. Appl. 2014, 41, 5733–5750,
doi:10.1016/j.eswa.2014.03.024.
35. Collins, B.; Hoang, D.T.; Hwang, D. A Model for Predicting Terrorist Network
Lethality and Cohesiveness. In Proceedings of the Trends in Artificial Intelligence
Theory and Applications. Artificial Intelligence Practices; Fujita, H., Fournier-Viger,
P., Ali, M., Sasaki, J., Eds.; Springer International Publishing: Cham, 2020; pp. 174–
185.
36. Ezeh, C.; Tao, R.; Zhe, L.; Yiqun, W.; Ying, Q. Multi-Type Node Detection in
Network Communities. Entropy 2019, 21, 1237, doi:10.3390/e21121237.
37. CASOS | Computational Analysis of Social and Organizational Systems (Carnegie
Mellon University) Available online: http://www.casos.cs.cmu.edu/index.php
(accessed on 26 June 2021).
38. CASOS Publications Browser Available online:
http://www.casos.cs.cmu.edu/publications/index.php.
39. CASOS Collaborator Links. [Online] Collaborator Links Available online:
http://www.casos.cs.cmu.edu/links/collab.php.
40. Jemaah Islamiyah - Wikipedia Available online:
https://en.wikipedia.org/w/index.php?title=Jemaah_Islamiyah&oldid=1025043319
(accessed on 26 June 2021).
41. NetworkX — NetworkX Documentation Available online: https://networkx.org/
(accessed on 26 June 2021).