[논문 리뷰] Hub-Accelerator: Fast and Exact Shortest Path Computation in Large Social Networks

Ruoming Jin, Ning Ruan외 2명|arXiv (Cornell University)|2013. 05. 02.

Internet Traffic Analysis and Secure E-voting참고 문헌 42인용 수 11

한 줄 요약

이 논문은 대규모 사회 네트워크에서 정확한 k-도수 최단경로 계산을 가속화하기 위해 허브 중심 기법—허브 네트워크(Hub-Network)와 허브 2-라벨링(Hub 2-Labeling)—을 사용하는 Hub-Accelerator 프레임워크를 제안한다. 거리 유지 허브 네트워크 또는 핵심 허브 라벨링을 통해 거리 정보를 유지함으로써 검색 공간을 줄이고, BFS 및 최신 약식 방법인 Sketch보다 100배 이상 빠른 성능을 달성하며, 인덱스 비용이 낮고 사전 계산이 빠르다.

ABSTRACT

Shortest path computation is one of the most fundamental operations for managing and analyzing large social networks. Though existing techniques are quite effective for finding the shortest path on large but sparse road networks, social graphs have quite different characteristics: they are generally non-spatial, non-weighted, scale-free, and they exhibit small-world properties in addition to their massive size. In particular, the existence of hubs, those vertices with a large number of connections, explodes the search space, making the shortest path computation surprisingly challenging. In this paper, we introduce a set of novel techniques centered around hubs, collectively referred to as the Hub-Accelerator framework, to compute the k-degree shortest path (finding the shortest path between two vertices if their distance is within k). These techniques enable us to significantly reduce the search space by either greatly limiting the expansion scope of hubs (using the novel distance- preserving Hub-Network concept) or completely pruning away the hubs in the online search (using the Hub2-Labeling approach). The Hub-Accelerator approaches are more than two orders of magnitude faster than BFS and the state-of-the-art approximate shortest path method Sketch for the shortest path computation. The Hub- Network approach does not introduce additional index cost with light pre-computation cost; the index size and index construction cost of Hub2-Labeling are also moderate and better than or comparable to the approximation indexing Sketch method.

연구 동기 및 목표

• 허브로 인해 검색 공간 폭발이 발생하는 대규모 스케일프리, 소월드 특성을 가진 사회 네트워크에서 정확한 최단경로 계산 문제를 해결하기 위해.
• 수백만 개의 정점과 고지름 특성을 가진 네트워크에까지 확장 가능한 효율적인 정확한 k-도수 최단경로 알고리즘을 설계하기 위해.
• 실제 구현에 적합한 인덱스 크기와 사전 계산 비용을 유지하면서도 온라인 쿼리 시간을 최소화하기 위해.
• 허브 확장을 제한하는(Hub-Network) 또는 허브 경로를 사전 계산하는(Hub 2-Labeling) 허브 기반 색인 전략을 탐색하기 위해.
• 다양한 실제 사회 네트워크에서 성능을 실험적으로 평가하고, BFS 및 최신 약식 방법인 Sketch와의 비교를 수행하기 위해.

제안 방법

• 허브 네트워크 접근법은 선택된 허브 중심의 거리 유지 부분 그래프를 구축하여 허브의 효과적 도수를 낮추고 양방향 BFS 동안의 확장을 제한한다.
• 허브 2-라벨링은 핵심 허브를 사전 계산하여, 각 정점에 대해 짧은 경로 거리 정보를 저장함으로써 빠른 경로 재구성 가능하게 한다.
• 프레임워크는 사전 계산 및 온라인 쿼리의 두 단계 전략을 사용한다: 허브 인식 색인(Hub-Network 또는 Hub 2-Labeling)을 구축하고, 이후 양방향 BFS를 사용하며 허브 인식 프루닝을 적용한다.
• 핵심 허브의 선택은 도수와 중심성 기반으로 이루어지며, 최단경로 정보를 유지하면서도 허브 수를 최소화하는 것이 목표이다.
• 허브 네트워크 구축은 각 허브에서 BFS를 실행하고, 최단경로 거리 정보를 유지하는 데 필터링된 간선을 선택함으로써, 압축되고 허브 최적화된 부분 그래프를 생성한다.
• 허브 2-라벨링 방법은 각 정점에 대해 핵심 허브 목록과 그 최단경로 거리를 저장하여, 쿼리 시 O(1) 조회가 가능하게 한다.

실험 결과

연구 질문

• RQ1 허브 중심 색인 전략이 대규모 사회 네트워크에서 k-도수 최단경로 쿼리의 검색 공간을 크게 줄일 수 있는가?
• RQ2 허브 네트워크와 허브 2-라벨링의 성능은 BFS 및 Sketch와 비교해 쿼리 속도와 인덱스 비용 측면에서 어떻게 다른가?
• RQ3 인덱스 크기, 사전 계산 비용, 쿼리 성능 간 균형을 맞추기 위해 최적의 허브 수는 얼마인가?
• RQ4 허브 네트워크에서의 허브 도수 감소가 쿼리 효율성 향상에 얼마나 기여하는가?
• RQ5 제안된 방법들은 다양한 실제 사회 네트워크에서 서로 다른 구조와 지름을 가진 네트워크에 대해 어떻게 확장 가능한가?

주요 결과

• Hub-Accelerator는 수백만 개의 정점을 가진 대규모 사회 네트워크에서 표준 BFS 및 최신 약식 방법인 Sketch보다 100배 이상 빠른 성능을 달성한다.
• 허브 네트워크 접근법은 허브 수가 10,000에서 15,000 사이일 경우 평균 쿼리 시간을 크게 줄이며, 사전 계산 비용이 낮고 추가적인 인덱스 저장 비용이 없어진다.
• 허브 2-라벨링는 중간 수준의 인덱스 크기와 구축 비용을 유지하며, WikiTalk에서는 평균적으로 정점당 2.5개의 핵심 허브만 저장하여 빠른 온라인 쿼리가 가능하다.
• 대부분의 네트워크에서 정점당 핵심 허브 수는 총 허브 수의 2% 미만이므로, 라벨링 체계의 높은 압축성과 효율성을 보여준다.
• 허브 네트워크 구축은 허브 2-라벨링보다 3배 이상 빠르며, 둘 다 허브 수 증가에 따라 사전 계산 시간이 선형 증가하는 경향을 보인다.
• Orkut, LiveJournal, Twitter와 같은 네트워크에서는 허브 수가 증가할수록 허브 네트워크 크기가 크게 증가하지만, 평균 허브 도수는 원래의 1/3 이하로 감소하여 쿼리 성능 향상이 이루어진다.