麻烦设计一个代码，基于复杂网络和SIR流行病传播的信息阻断实验，具体来说，根据节点度中心性识别的关键k个节点作为免疫节点，其他节点作为易感节点，并随机选择一个节点为感染节点，通过迭代，直到网络中没有感染节点，输出感染节点的比例，这里，将节点的恢复概率设定为0

为了设计这个代码，我们将使用Python和其流行的库`networkx`处理复杂网络，以及`random`库来模拟SIR模型（Susceptible-Infected-Recovered）。首先，确保已经安装了这两个库，如果没有，可以使用`pip install networkx random`进行安装。

以下是一个基本的实现框架：

import networkx as nx
import random

# 定义SIR模型的函数
def sir_simulation(G, k关键节点, infected_node):
    G.nodes[infected_node]['state'] = 'I'
    susceptible_nodes = [node for node in G if G.nodes[node]['state'] == 'S']

    while susceptible_nodes:
        # 遍历所有相邻的易感节点
        for node in susceptible_nodes:
            neighbors = list(G.neighbors(node))
            if any(G.nodes[n]['state'] == 'I' for n in neighbors):
                probability_of_infection = len([n for n in neighbors if G.nodes[n]['state'] == 'I']) / sum(G.degree(neighbors))
                if random.random() < probability_of_infection:
                    G.nodes[node]['state'] = 'I'

        # 计算并更新免疫节点，跳过已感染节点
        immune_nodes = [node for node in G.nodes(data=True) if node[1]['state'] != 'I' and node[1]['degree'] >= k]
        for node in immune_nodes:
            G.nodes[node[0]]['state'] = 'R'

        # 移除已康复的节点
        G.remove_nodes_from([node[0] for node in G.nodes(data=True) if node[1]['state'] == 'R'])

        # 更新易感节点列表
        susceptible_nodes = [node for node in G if G.nodes[node]['state'] == 'S']

    return len([node for node in G.nodes if G.nodes[node]['state'] == 'I']) / len(G), G

# 示例网络创建
G = nx.barabasi_albert_graph(100, 3)  # 使用Barabási-Albert模型创建复杂网络，可以根据需要修改

# 识别关键k个节点
degrees = nx.degree_centrality(G)
top_k = sorted(degrees, key=degrees.get, reverse=True)[:k]

# 随机选择感染节点
infected_node = random.choice(list(G))

# 运行模拟并获取结果
infection_ratio, final_network = sir_simulation(G, k=k, infected_node=infected_node)

print(f"初始感染比例: {infection_ratio}")
# 输出感染节点的数量、网络结构等信息（根据需求）

在这个代码中，我们首先定义了一个SIR模型的模拟函数，它会遍历网络，检查每个节点的状态并在满足条件时将其转换为感染状态。然后，我们在每轮迭代中找出关键节点并将它们标记为免疫。最后，当没有感染节点时，计算并返回感染比例。

注意：这只是一个基本示例，实际应用可能需要更复杂的逻辑处理和错误检查，例如网络空洞可能导致迭代结束前就没有任何感染节点。此外，`remove_nodes_from`操作可能会导致网络稀疏，可能会影响度中心性的计算，因此可以考虑在每次迭代结束后更新节点度数。