[논문 리뷰] Memory Reallocation with Polylogarithmic Overhead

Ce Jin|arXiv (Cornell University)|2026. 02. 17.

Complexity and Algorithms in Graphs인용 수 0

한 줄 요약

최악의 경우 기대 오버헤드를 polylogarithmic(다항로그)으로 보이게 하는 무작위 확장 가능한 Memory Reallocation 메모리 할당기를 도입하여 이전 상한을 개선하고 거의 로그 하한에 부합한다.

ABSTRACT

The Memory Reallocation problem asks to dynamically maintain an assignment of given objects of various sizes to non-overlapping contiguous chunks of memory, while supporting updates (insertions/deletions) in an online fashion. The total size of live objects at any time is guaranteed to be at most a $1-ε$ fraction of the total memory. To handle an online update, the allocator may rearrange the objects in memory to make space, and the overhead for this update is defined as the total size of moved objects divided by the size of the object being inserted/deleted. Our main result is an allocator with worst-case expected overhead $\mathrm{polylog}(ε^{-1})$. This exponentially improves the previous worst-case expected overhead $ ilde O(ε^{-1/2})$ achieved by Farach-Colton, Kuszmaul, Sheffield, and Westover (2024), narrowing the gap towards the $Ω(\logε^{-1})$ lower bound. Our improvement is based on an application of the sunflower lemma previously used by Erdős and Sárközy (1992) in the context of subset sums. Our allocator achieves polylogarithmic overhead only in expectation, and sometimes performs expensive rebuilds. Our second technical result shows that this is necessary: it is impossible to achieve subpolynomial overhead with high probability.

연구 동기 및 목표

• 온라인 삽입/삭제를 포함한 높은 부하 faktor에서 Memory Reallocation 문제를 동기화한다.
• polylogarithmic 오버헤드를 달성하는 무작위 확장 가능한 Memory Reallocation 할당기를 개발한다.
• 객체 크기 다양성을 줄이고 효율적인 대체를 가능하게 하려 additive combinatorics를 활용한다.
• 로그 하한을 통한 거의 최적성 및 고확률 보장을 논의한다.
• Allocator 설계에 sunflower lemma 및 부분합 결과가 어떻게 정보를 주는지 시연한다.

제안 방법

• 객체를 크기별로 묶어 바운드된 수의 번들로 그룹화하는 substitution-plus-bundling 전략을 적용한다.
• 서로 같은 합을 가지는 다수의 부분집합을 만들어 저렴한 substitutions를 가능하게 하는 Erdős–Sárközy 등의 additive combinatorics 렘마를 활용한다.
• 프리픽스(확장 가능한) 할당을 유지하기 위해 주기적으로 재구성하는 다단계 메모리 레이아웃을 도입한다.
• 메모리 레벨과 연계된 확률로 무작위 재구성을 수행하여 polylog 오버헤드를 달성한다.
• 레벨별 재구성 비용을 합산하여 O(log^4(1/ε)·(log log(1/ε))^2) 기대 오버헤드를 도출한다.

실험 결과

연구 질문

• RQ1 로드 팩터 1−ε 하에서 무작위 확장 가능한 allocator가 달성할 수 있는 최악의 경우 기대 오버헤드는 무엇인가?
• RQ2 additive combinatorics 기법이 객체 크기 다양성을 감소시켜 더 저렴한 substitutions와 더 촘촘한 오버헤드 상한을 가능하게 할 수 있는가?
• RQ3 온라인 Memory Reallocation 문제에서 다항로그 오버헤드가 달성 가능한가, 어떤 확률 보장을 전제해야 하는가?
• RQ4 이 모델의 오버헤드에 대한 근본적 한계(하한)은 무엇이며, 상한과의 간극을 얼마나 좁힐 수 있는가?

주요 결과

• 무작위 확장 가능한 allocator는 최악의 경우 기대 오버헤드 O(log^4(ε^{-1})·(log log ε^{-1})^2)로, 망각적(adversary) 상대에 대해 작동한다.
• 메모리 가득 차 있을 수 있을 때도 오버헤드가 O(log^4 M·(log log M)^2)로 나타나 polylog 오버헤드가 메모리 크기에서 달성될 수 있음을 시사하는 상수 도출.
• 무작위 확장 가능한 allocator에 대해 어떤 할당기도 최악의 경우 기대 오버헤드 Ω(log ε^{-1})의 하한을 가진다는 결과(망각적 상대에 대해).
• 업데이트당 고확률 다항로그 오버헤드를 달성하는 것이 불가능하다는 추가 하한로, 제곱 오버헤드의 Ω(ε^{-1/7}) 한계를 통해 보인다.
• 이 접근은 Erdős–Sárközy 부분합 구조와 sunflower lemma 기법에 의존하여 효율적인 substitutions 및 재구성을 가능하게 한다.