在無標度網絡的研究中，復制機制是一個過程，通過重復的步驟，在現有節點的突變下復制節點，這樣的網絡可以形成和增長。已經研究了幾種變化。在一般的復制模型中，一個成長中的網絡從一個小的初始圖開始，在每個時間步驟中，一個新的頂點被添加，并有一定數量的新出線。作為隨機選擇的結果，新頂點的鄰居要么在現有頂點中隨機選擇，要么隨機選擇一個現有頂點，其鄰居中的k被復制為新邊的頭。

用于模擬萬維網增長的復制機制是由以下直覺引起的。一些網頁作者會注意到某些網頁之間有趣而新穎的共性，并將其鏈接到表現出這種共性的網頁上；以這種動機創建的網頁由現有網頁中的隨機選擇來模擬。另一方面，大多數作者會對某些已經表現出來的主題感興趣，并將這些主題的網頁鏈接收集在一起。以這種方式創建的頁面可以通過節點復制來模擬。這些是網絡的增長和優先依附屬性。

對于簡單的情況，節點永遠不會被刪除。在每一步，我們創建一個新的節點，從它發出一條邊。讓u是一個從這一步之前存在的頁面中均勻地隨機選擇的頁面。(I)以概率p{displaystylep}。是模型的xxx參數，新的邊指向u。(II)以概率1-p{displaystyle1-p}，新邊指向u的（xxx）外鏈的目的地。，新邊指向u的（xxx）外鏈的目的地；新節點通過復制獲得其邊。第二個過程增加了高度節點接收新的入邊的概率。事實上，由于u是隨機選擇的，所以一個度數為k的網頁的概率這表明復制機制實際上相當于一個線性的優先附加。Kumar等人證明，傳入程度分布的期望值為以上是線性增長復制模型。由于目前網絡是以指數形式增長的，所以有指數增長復制模型。在每一步，一個新的頂點紀元到來，其大小是當前圖形的一個恒定的部分。這些頂點中的每一個都只能鏈接到以前時代的頂點。以上的演化模型絕不是完整的。它們可以在幾個方面進行擴展。首先，模型中的尾巴要么是靜態的，從新頂點中統一選擇，要么從現有的頂點中按比例選擇它們的出度。這個過程可以變得更加復雜，以解釋觀察到的出度分布與冪律分布的偏差。同樣，這些模型可以擴展到包括死亡過程，這導致頂點和邊隨著時間的推移而消失。其他一些擴展是可能的，但我們試圖確定這個簡單模型的屬性，以了解哪些擴展是捕捉網絡的復雜性所必需的。

蛋白質相互作用網絡Vazquez提出了一個基于復制的增長圖，為蛋白質相互作用建模。在每個時間步驟中，隨機選擇一個原型。原型的邊有概率q被復制。在概率為p的情況下，一條通往原型的邊被創建。

索爾提出了一個以5環基質為初始化的生長圖。在每一個時間步驟中，一個新的節點被添加，一個原型被隨機選擇。原型的邊緣以δ的概率被復制。

此外，隨機節點以概率α=β/N連接到新引入的節點，其中δ和β是（0,1）中的給定參數，N是所考慮的時間步驟中的總節點數。(見圖1)。

生物網絡Middendorf-Ziv（MZ）提出了一個不斷增長的有向圖，為生物網絡動態建模。隨機選擇一個原型并進行復制。原型或祖先節點的邊以概率β修剪，邊以概率α<<β添加。松散地基于Sole等人的無定向蛋白質網絡模型。WWW網絡和引文網絡，Vazquez提出了一個基于遞歸"復制"機制的增長模型，繼續向第二近鄰、第三近鄰等。