[論文レビュー] Balanced offline allocation of weighted balls into bins

Ömer Burak Demirel, Ivo F. Sbalzarini|arXiv (Cornell University)|Apr 10, 2013

Advanced Queuing Theory Analysis参考文献 7被引用数 3

ひとこと要約

本稿では、事前に分かっているタスクの重みを考慮したオフライン重み付きボール・イン・ビン問題に対して、ボールを重み順にソートした後、軽いビンに順次割り当てる貪欲法に基づく SortedGreedy[m] を提案する。標準的な Greedy[m] アルゴリズムと比較して、負荷の不均衡（ギャップ）を1桁以上小さくし、実行時間の増加は無視できるほど小さい。このため、重みが事前に分かっている分散システムにおける負荷分散に非常に効果的かつ実用的である。

ABSTRACT

We propose a sorting-based greedy algorithm called SortedGreedy[m] for approximately solving the offline version of the d-choice weighted balls-into-bins problem where the number of choices for each ball is equal to the number of bins. We assume the ball weights to be non-negative. We compare the performance of the sorting-based algorithm with a naive algorithm called Greedy[m]. We show that by sorting the input data according to the weights we are able to achieve an order of magnitude smaller gap (the weight difference between the heaviest and the lightest bin) for small problems (<= 4000 balls), and at least two orders of magnitude smaller gap for larger problems. In practice, SortedGreedy[m] runs almost as fast as Greedy[m]. This makes sorting-based algorithms favorable for solving offline weighted balls-into-bins problems.

研究の動機と目的

• タスクの重みが事前に分かっているオフライン重み付きボール・イン・ビン問題に対処し、プロセッサーやビン間の負荷の不均衡を最小限に抑えること。
• 重みの高いボールを優先するソート段階を導入することで、標準的な Greedy[m] アルゴリズムを改善すること。
• 重み順にソートすることで、ギャップ（最も重いビンと最も軽いビンの差）が著しく小さくなることが示され、計算コストの増加は顕著でないことの実証。
• 問題サイズやビン数の変化に伴う SortedGreedy[m] の性能を評価し、特に大規模なシナリオにおける性能を検証すること。
• 現実の負荷分散応用に向けた、ソートに基づくアルゴリズムの実用的妥当性を確立すること。

提案手法

• アルゴリズムは、割り当ての前にすべての重み付きボールを重みの降順にソートする。
• 貪欲な割り当て戦略を適用：各ボールは、m 個のビンの中で現在最も軽いビンに割り当てられる。
• この手法は SortedGreedy[m] として形式的に定義され、ソートに起因する O(n log n) の時間計算量に加え、O(n) の割り当てステップを経る。したがって、全体の時間計算量は O(n log n) である。
• 入力順にボールを割り当てるが、事前のソートを行わない標準的な Greedy[m] アルゴリズムをベースラインとして比較する。
• シミュレーションでは、[0,10] の一様分布に従うランダムな重みを用い、1000回の繰り返しによりギャップの平均値と標準偏差を算出する。
• 実行時間の測定は 2^13 個のボールを対象として実施され、SortedGreedy[m] と Greedy[m] の間にほとんど差がないことが確認され、性能オーバーヘッドが最小限であることが示された。

実験結果

リサーチクエスチョン

• RQ1 ボールを貪欲な割り当ての前に重み順にソートすることで、オフライン重み付きボール・イン・ビン問題における負荷の不均衡（ギャップ）が著しく小さくなるか？
• RQ2 SortedGreedy[m] の性能は、ボール数やビン数の増加に伴って Greedy[m] と比較してどのように変化するか？
• RQ3 ソートに伴う計算コストはどれほどか？大規模な問題に対しても依然として無視できる水準に保たれるか？
• RQ4 シミュレーションで観察されたように、SortedGreedy[m] のギャップは問題サイズの増加に伴い指数関数的に減少するか？
• RQ5 重負荷状態（n ≫ m）において、SortedGreedy[m] は定数または定数未満のギャップを達成できるか？また、既存の理論的限界と比較してどうか？

主な発見

• n ≤ 4000 個のボールに対して、SortedGreedy[2] は Greedy[2] より 10〜60 倍小さいギャップを達成し、m=2 の場合、n ≥ 32 のときには比が 60 にまで上昇する。
• m=8 個のビンと n ≥ 512 の場合、SortedGreedy[2] と Greedy[2] のギャップ比は約 73 に達し、73 倍の改善が得られている。
• n ≥ 4096 の場合、SortedGreedy[m] の有利なギャップ比は2桁以上に達し、問題サイズの増加に伴い指数関数的な改善が示されている。
• SortedGreedy[2] のギャップの標準偏差は、m=2 時点で 0.01、m=8 時点で 0.03 であり、それぞれ Greedy[2] の σ = 0.23 および 0.15 よりも著しく低い。
• 2^13 個のボールに対して、SortedGreedy[2] の実行時間は 0.1950 秒、Greedy[2] は 0.1948 秒であり、2 ms のオーバーヘッド（合計時間の 0.02%）にとどまっている。
• SortedGreedy[m] のギャップは問題サイズ n の増加に伴い指数関数的に減少する一方、Greedy[m] のギャップは n の変化にかかわらずほぼ一定であるため、本アルゴリズムのスケーラビリティが顕著に示されている。