[논문 리뷰] Incremental Algorithms for Network Management and Analysis based on Closeness Centrality

Ahmet Erdem Sarıyüce, Kamer Kaya외 2명|arXiv (Cornell University)|2013. 03. 02.

Complex Network Analysis Techniques참고 문헌 27인용 수 16

한 줄 요약

이 논문은 간선 삽입 또는 삭제 후 동적 네트워크에서 중심성 중심성 값을 효율적으로 갱신하기 위한 점진적 알고리즘을 제안한다. 이는 이중연결 성분 분해, 정점 간격 분포의 피크형 분포, 동일한 이웃 구조를 가진 정점 식별을 활용한다. 이 방법은 배치 재계산 대비 최대 460배의 성능 향상을 달성하며, 120만 개의 정점이 있는 시간적 DBLP 공동저자 네트워크에서 중심성 갱신 시간을 1.3일에서 4.2분으로 줄였다.

ABSTRACT

Analyzing networks requires complex algorithms to extract meaningful information. Centrality metrics have shown to be correlated with the importance and loads of the nodes in network traffic. Here, we are interested in the problem of centrality-based network management. The problem has many applications such as verifying the robustness of the networks and controlling or improving the entity dissemination. It can be defined as finding a small set of topological network modifications which yield a desired closeness centrality configuration. As a fundamental building block to tackle that problem, we propose incremental algorithms which efficiently update the closeness centrality values upon changes in network topology, i.e., edge insertions and deletions. Our algorithms are proven to be efficient on many real-life networks, especially on small-world networks, which have a small diameter and a spike-shaped shortest distance distribution. In addition to closeness centrality, they can also be a great arsenal for the shortest-path-based management and analysis of the networks. We experimentally validate the efficiency of our algorithms on large networks and show that they update the closeness centrality values of the temporal DBLP-coauthorship network of 1.2 million users 460 times faster than it would take to compute them from scratch. To the best of our knowledge, this is the first work which can yield practical large-scale network management based on closeness centrality values.

연구 동기 및 목표

• 간선 삽입 및 삭제와 같은 네트워크 구조적 변화 이후에도 대규모 동적 네트워크에서 정확한 중심성 중심성 값을 효율적으로 유지하는 데 도전하는 데 목적을 둔다.
• 구조적 변화에 대한 중심성 구성 평가를 신속하게 가능하게 하여 실시간 중심성 기반 네트워크 관리의 실현 가능성을 높이는 데 목적을 둔다.
• 특히 소월드 성질을 가진 네트워크에서 중심성 재계산의 계산 비용을 줄이는 데 목적을 둔다.
• 최단경로 기반 네트워크 분석, 특히 스트리밍 및 시간적 네트워크 분석에 적합한 확장 가능하고 메모리 소비가 적은 기반을 제공하는 데 목적을 둔다.
• 앞서 언급된 중심성 기반 최적화, 내성 평가, 악성 공격 완화 등의 미래 응용을 지원하는 데 목적을 둔다.

제안 방법

• 네트워크를 이중연결 성분으로 분해하여 간선 변화의 영향을 국소화하고 불필요한 재계산를 줄인다.
• 소월드 네트워크에서 최단경로 거리가 피크형 분포를 띠는 특성을 활용하여 레벨 필터링과 조기 종료 기법을 통해 최단경로 계산을 가속화한다.
• 동일한 이웃을 가진 정점을 식별하여 단일원점 최단경로(SSSP) 계산의 중복을 방지한다.
• 정확도와 성능의 균형을 맞추기 위해 정확한 기법과 근사 기법을 융합한 하이브리드 SSSP 전략을 통합한다.
• 계층적 갱신 전략을 사용한다: 먼저 영향을 받은 성분들만 갱신하고, 필요에 따라 선택적으로 SSSP를 적용한다.
• 이 프레임워크는 근사 중심성 계산으로의 확장이 가능하며, 소수의 수정만으로 중심성 중심성과 같은 다른 중심성 지표에 적용할 수 있다.

실험 결과

연구 질문

• RQ1 어떻게 간선 삽입 또는 삭제 후 대규모 동적 네트워크에서 중심성 중심성을 최소한의 재계산로 점진적으로 갱신할 수 있는가?
• RQ2 실제 네트워크의 어떤 구조적 특성—예를 들어 이중연결 성분과 피크형 거리 분포—이 점진적 중심성 갱신을 가속화하는 데 활용될 수 있는가?
• RQ3 정점 유사성(동일한 이웃 구조)은 동적 네트워크에서 SSSP 재계산의 계산 비용을 얼마나 줄일 수 있는가?
• RQ4 제안된 점진적 알고리즘은 DBLP 및 위키백과와 같은 실제 시간적 네트워크에서 배치 재계산에 비해 성능 면에서 어떻게 비교되는가?
• RQ5 이 점진적 프레임워크는 근사 중심성 계산 및 중심성 중심성과 같은 다른 중심성 지표를 지원하도록 확장될 수 있는가?

주요 결과

• 제안된 점진적 알고리즘은 배치 재계산 대비 대규모 네트워크에서 평균 99.7배의 성능 향상을 달성했으며, DBLP 공동저자 네트워크에서 최대 460.8배의 성능 향상을 기록했다.
• 120만 명의 사용자가 포함된 시간적 DBLP 공동저자 네트워크에서 CC-BLI 버전을 사용해 갱신 시간을 1.3일에서 4.2분으로 단축시켰다.
• 위키백과 사용자 간 통신 그래프(wiki-Talk)에서는 CC-BLI 방법을 통해 갱신 시간을 2일에서 16분으로 줄였다.
• 이중연결 성분 분해를 통해 영향을 받는 영역의 크기를 줄였으며, web-NotreDame에서 59%의 정점이 작은 성분에 속해 있어 갱신 속도가 빨라졌다.
• 소월드 네트워크에서의 피크형 최단경로 분포 특성 덕분에, 다른 최적화 없이도 최소 13.4배의 성능 향상이 가능했다.
• 실제 시간적 데이터에서 알고리즘이 매우 효과적이었으며, 평균 대비 4.6배 높은 성능 향상을 기록했다. 이는 DBLP에서 10%의 신규 정점 삽입이 빈번히 발생하기 때문이며, 이는 CC-B에 의해 효율적으로 처리된다.