[논문 리뷰] Simple Graph Coloring Algorithms for Congested Clique and Massively Parallel Computation.

Manuela Fischer, Mohsen Ghaffari외 1명|arXiv (Cornell University)|2018. 08. 25.

Complexity and Algorithms in Graphs참고 문헌 45인용 수 3

한 줄 요약

이 논문은 CONGESTED CLIQUE 및 대량 병렬 처리(MPC) 모델에서 최적의 frac{\Delta+1}{-}-색칠을 달성하는 간단한 랜덤 분할 기법을 소개한다. CONGESTED CLIQUE 모델에서는 라운드 복잡도를 $O(\log^* \Delta)$로 감소시키고, MPC 모델에선 $O(n^\alpha)$의 메모리와 $\widetilde{O}(m)$의 총 메모리로 최초로 하위로그 시간 알고리즘을 달성한다.

ABSTRACT

We present a very simple randomized partitioning procedure for graph coloring, which leads to simplification or improvements of some recent distributed and parallel coloring algorithms. In particular, we get a simple $(\Delta+1)$ coloring algorithm with round complexity $O(\log^* \Delta)$ in the CONGESTED CLIQUE model of distributed computing. This matches the bound of Parter and Su [DISC'18], which improved on the $O(\log\log \Delta \log^* \Delta)$-round algorithm of Parter [ICALP'18]. Moreover, the same random partitioning leads to a $(\Delta+1)$ coloring algorithm with round complexity $O(\log^* \Delta+ \sqrt{\log\log n})$ in the Massively Parallel Computation (MPC) model with strongly sublinear memory, which is the first sublogarithmic-time algorithm in this regime. This algorithm uses a memory of $O(n^{\alpha})$ per machine, for any desirable constant $\alpha>0$, and a total memory of $\widetilde{O}(m)$, where $m$ is the size of the graph.

연구 동기 및 목표

• 새로운 분할 접근법을 사용하여 최근의 분산 및 병렬 그래프 색칠 알고리즘을 단순화하고 향상시키는 것.
• 근사 최소 라운드 복잡도를 갖는 CONGESTED CLIQUE 모델에서 최적의 $(\Delta+1)$-색칠을 달성하는 것.
• 각 머신의 강력한 비선형 메모리 제약 조건 하에 하위로그 시간 색칠 알고리즘을 설계하는 것.
• 다양한 병렬 및 분산 모델에 적용 가능한 통합적이고 단순한 프레임워크를 제공하는 것.

제안 방법

• 그래프를 더 작고 다룰 수 있는 부분 문제들로 분해하기 위해 랜덤 분할 절차를 사용한다.
• 공유된 랜덤 시드에 기반해 각 정점은 무작위로 분할에 할당되며, 이는 로드 밸런싱과 통신 오버헤드 감소를 가능하게 한다.
• 분할은 부분 그래프의 독립적 색칠을 허용하고, 이후 분할 간의 충돌을 해결하기 위해 국소적 조율을 수행한다.
• 이 방법은 이전 알고리즘의 $\log^* \Delta$-라운드 복잡도를 활용하지만, 분할을 통해 더 단순하게 이를 달성한다.
• MPC 모델에서 모든 머신의 총 메모리 사용량이 $\widetilde{O}(m)$로 유지됨을 보장한다.
• 이 접근법은 임의의 $\alpha > 0$에 대해 일반화 가능하며, 각 머신에 $O(n^\alpha)$ 메모리 사용을 가능하게 한다.

실험 결과

연구 질문

• RQ1 간단한 랜덤 분할 기법이 $O(\log^* \Delta)$라운드로 CONGESTED CLIQUE 모델에서 최적의 $(\Delta+1)$-색칠을 달성할 수 있는가?
• RQ2 각 머신의 강력한 비선형 메모리 제약 조건 하에 $(\Delta+1)$-색칠을 위한 하위로그 시간 MPC 알고리즘을 설계할 수 있는가?
• RQ3 제안된 분할 방법은 이전의 복잡한 분산 색칠 알고리즘에 비해 효율성과 단순성 면에서 어떻게 비교되는가?
• RQ4 동일한 기법이 최소한의 수정으로 CONGESTED CLIQUE 및 MPC 모델 모두에 적응 가능한가?
• RQ5 MPC에서 각 머신에 $O(n^\alpha)$ 메모리를 사용할 경우, 메모리 및 라운드 복잡도 간의 상호 교환 관계는 어떠한가?

주요 결과

• 알고리즘은 CONGESTED CLIQUE 모델에서 $O(\log^* \Delta)$-라운드의 $(\Delta+1)$-색칠을 달성하며, 이는 기존 최고 성능의 경계와 일치한다.
• 동일한 분할 방법을 통해 $O(n^\alpha)$ 메모리 각 머신에서 최초로 하위로그 시간 MPC 알고리즘이 도출된다.
• MPC 알고리즘은 $\widetilde{O}(m)$의 총 메모리를 사용하여 대규모 그래프에 대해 효율적이고 확장 가능한 성능을 보인다.
• 이전의 복잡한 알고리즘에 비해 단순화되었지만, 라운드 복잡도는 유지 또는 향상된다.
• 이 방법은 모델 간에 강건하며, 분산 및 병렬 색칠에 대한 통합적 프레임워크를 제공한다.
• 알고리즘은 랜덤화되어 있으며 효율적이며, 간단한 랜덤 분할과 국소적 조율에만 의존한다.