[论文解读] A Faster Deterministic Distributed Algorithm for Weighted APSP Through Pipelining.

Udit Agarwal, Vijaya Ramachandran|arXiv (Cornell University)|Jul 23, 2018

Complexity and Algorithms in Graphs被引用 5

一句话总结

本文提出了一种新颖的流水线化确定性分布式算法，用于在 Congest 模型下计算加权有向图中的所有点对最短路径（APSP）。通过流水线化优化 Gabow 的缩放算法，该算法实现了 $ ilde{O}(n^{3/2})$ 轮复杂度，随后通过与 [ARKP18] 中修改后的算法结合，进一步提升至 $ ilde{O}(n^{4/3})$ 轮复杂度，显著优于此前的 $ ilde{O}(n^{3/2})$ 上限。

ABSTRACT

We present a new approach to computing all pairs shortest paths (APSP) in a weighted directed graph in the Congest model in the distributed setting. Our approach gives a simple but nontrivial deterministic distributed APSP algorithm that runs in $ ilde{O}(n^{3/2})$ rounds. This bound matches a recent deterministic distributed algorithm in [ARKP18]. We then combine our new distributed APSP algorithm with a modified version of the algorithm in [ARKP18] to obtain an $ ilde{O}(n^{4/3})$ round deterministic distributed APSP algorithm in the Congest model, improving the previous best bound of $ ilde{O}(n^{3/2})$ rounds. We have a similar improvement in the bound for the problem of computing shortest path trees for k given sources. For this latter problem our deterministic distributed algorithm runs in $ ilde{O}(n \cdot k^{1/3})$ rounds. Our new approach in the $ ilde{O}(n^{3/2})$ round APSP algorithm is a pipelined strategy that computes each stage of Gabow's scaling algorithm in less than $2n^{3/2} + 2n$ rounds. While this algorithm has a simple description, it has some novel features and a nontrivial analysis.

研究动机与目标

• 设计一种在 Congest 模型下更快的确定性分布式算法，用于加权有向图中的所有点对最短路径（APSP）。
• 克服此前限制确定性 APSP 算法的 $ ilde{O}(n^{3/2})$ 轮复杂度障碍。
• 将改进后的复杂度扩展至 k-源最短路径树问题，实现 $ ilde{O}(n \cdot k^{1/3})$ 轮复杂度。
• 提出一种流水线策略，以亚线性时间每阶段高效计算 Gabow 缩放算法的各阶段。

提出的方法

• 该算法采用流水线策略，确保 Gabow 缩放算法的每一阶段在少于 $2n^{3/2} + 2n$ 轮内完成。
• 利用 [ARKP18] 算法的修改版本，与流水线化 APSP 方法结合，实现更优的轮复杂度。
• 流水线技术允许在多个阶段之间重叠计算与通信，从而降低整体延迟。
• 通过结构化消息传播确保确定性，同时避免随机化，保持正确性。
• 采用基于缩放的方法处理边权，通过分阶段逐步优化最短路径估计。
• 该算法设计用于在 Congest 模型下高效运行，即每个节点每轮最多可发送 $O(\log n)$ 比特信息。

实验结果

研究问题

• RQ1 能否在 Congest 模型下设计出轮复杂度低于 $n^{3/2}$ 的确定性分布式 APSP 算法？
• RQ2 如何有效将流水线技术应用于 Gabow 缩放算法的各阶段，以减少通信与计算开销？
• RQ3 在 Congest 模型下，确定性 APSP 的轮复杂度理论上存在何种极限？
• RQ4 能否将 APSP 的改进复杂度扩展至 k-源最短路径树问题，并获得类似的轮复杂度界限？
• RQ5 Gabow 算法的何种新型结构特性使得其在分布式环境中可高效流水线化？

主要发现

• 所提出的算法在确定性分布式 APSP 中实现了 $ ilde{O}(n^{3/2})$ 轮复杂度，与先前最优界限一致，但设计更简单且模块化更强。
• 通过将流水线化 APSP 算法与修改后的 [ARKP18] 方法结合，轮复杂度进一步优化至 $ ilde{O}(n^{4/3})$，打破了此前 $ ilde{O}(n^{3/2})$ 的障碍。
• 对于 k-源最短路径树问题，该算法在 $ ilde{O}(n \cdot k^{1/3})$ 轮内完成，相较于先前的确定性方法有显著改进。
• 流水线策略确保 Gabow 缩放算法的每一阶段均能在少于 $2n^{3/2} + 2n$ 轮内完成，从而实现高效的负载均衡与通信效率。
• 该算法为确定性算法，且在标准 Congest 模型下运行，适用于带宽受限的实际分布式系统。
• 分析揭示了 Gabow 算法中非平凡的结构特性，使其可通过流水线化实现高效的分布式部署。