Engpässe in komplexen Netzwerken sind die zentrale Einschränkung, die die Effizienz, Stabilität und Störungsresistenz eines Systems begrenzt. Sie spiegeln ein strukturelles Ungleichgewicht in der Netzwerktopologie, dem Funktionsfluss und den Kopplungsbeziehungen zwischen den Komponenten wider und wirken sich erheblich auf die Betriebsleistung und Zuverlässigkeit kritischer Infrastrukturen und sozioökonomischer Systeme aus. Dieses Forschungsfeld ist ein wichtiger Schwerpunkt, jedoch sind die bestehenden Studien theoretisch und methodisch verstreut, was die Entwicklung zielgerichteter Strategien zur Engpassminderung für verschiedene Netzwerkszenarien erschwert. Gleichzeitig formt die Verbreitung neuer Technologien wie Big Data und Künstliche Intelligenz traditionelle Analyseparadigmen um. Dieser Artikel fasst systematisch aktuelle Spitzenforschungsergebnisse zusammen, klassifiziert Engpässe nach Identifikationsobjekt, Ursachen, Wirkungsbereich und zeitlichen Merkmalen und teilt die Engpassidentifikationsmethoden in Topologie-basiert, auf Verkehrs- oder Lastdaten basierend, dynamisch, maschinelles Lernen und Deep Learning ein. Der Artikel fasst zudem zukünftige Entwicklungstrends zusammen und weist auf noch zu lösende zentrale Herausforderungen hin.

komplexe Netzwerke; Engpassidentifikation; kritische Infrastruktur; Netzwerkresilienz; Netzwerksysteme