[论文解读] Counting Triangles under Updates in Worst-Case Optimal Time

Ahmet Kara, Hung Q. Ngo+3 more|arXiv (Cornell University)|Apr 9, 2018

Data Management and Algorithms参考文献 23被引用 9

一句话总结

本文提出了 IVMǫ，一种用于在单元组更新下对数据库中的三角形计数进行增量视图维护的新框架。通过根据属性度数将关系划分为重部分和轻部分，并动态适应评估策略，IVMǫ 实现了摊销更新时间 O(|D|^{max{ε,1−ε}}) 和空间使用量 O(|D|^{1+min{ε,1−ε}})，在在线矩阵-向量（OMv）猜想成立的条件下，达到最坏情况最优的更新时间。

ABSTRACT

We consider the problem of incrementally maintaining the triangle count query under single-tuple updates to the input relations. We introduce an approach that exhibits a space-time tradeoff such that the space-time product is quadratic in the size of the input database and the update time can be as low as the square root of this size. This lowest update time is worst-case optimal conditioned on the Online Matrix-Vector Multiplication conjecture. The classical and factorized incremental view maintenance approaches are recovered as special cases of our approach within the space-time tradeoff. In particular, they require linear-time update maintenance, which is suboptimal. Our approach also recovers the worst-case optimal time complexity for computing the triangle count in the non-incremental setting.

研究动机与目标

• 解决在单元组更新下，三角形计数的最坏情况最优增量维护方面的空白。
• 克服经典和因子化 IVM 方法中子最优的 O(|D|) 更新时间。
• 实现一种空间-时间权衡，使得空间与摊销更新时间的乘积在 |D| 上为二次方。
• 证明所提出的方法在 OMv 猜想下可实现最坏情况最优的更新时间。
• 在统一的自适应框架下，整合并推广现有的 IVM 技术。

提出的方法

• 根据属性的度数（例如，关系 R 中属性 A 的度数是指与 A 配对的 B 值的数量）将每个输入关系 R、S、T 划分为重部分和轻部分。
• 使用参数 ε ∈ [0,1] 调节空间-时间权衡：空间复杂度为 O(|D|^{1+min{ε,1−ε}})，更新时间复杂度为 O(|D|^{max{ε,1−ε}})。
• 采用自适应评估策略，根据输入关系部分的重-轻组成动态调整，以最小化更新成本。
• 维护辅助视图（例如，VST(b,a) = Σ_c S(b,c)·T(c,a)），以实现更新时的常数时间增量计算。
• 定期重新平衡划分以反映数据库大小和属性度数的变化，尽管重新平衡可能需要超线性时间。
• 应用优化阶段，当冗余划分（例如对 S 的划分）不影响正确性或性能时，将其丢弃，从而减少空间和复杂度。

实验结果

研究问题

• RQ1 在单元组更新下，是否可以实现三角形计数的摊销次线性时间增量维护？
• RQ2 是否存在一种空间-时间权衡，使得增量三角形计数的空间-时间乘积为 O(|D|^2)？
• RQ3 在 OMv 猜想下，是否可以使更新时间达到最坏情况最优？
• RQ4 所提出的方法如何统一或推广经典、递归和因子化 IVM 方法？
• RQ5 自适应划分和视图物化对更新复杂度和空间复杂度有何影响？

主要发现

• IVMǫ 对任意 ε ∈ [0,1] 实现了摊销更新时间 O(|D|^{max{ε,1−ε}}) 和空间使用量 O(|D|^{1+min{ε,1−ε}})，预处理时间复杂度为 O(|D|^{3/2})。
• 该方法在 ε 参数的极端情况下，可恢复经典 IVM（O(|D|) 更新时间）和因子化 IVM（对某些关系实现 O(1) 更新时间）作为特例。
• 对于 3R0 ∪ 3R1 查询，优化阶段消除了冗余划分，实现常数时间的非摊销更新和线性空间复杂度。
• 通过从 OuMv 问题的归约，证明了在 OMv 猜想下，更新时间达到最坏情况最优。
• 该框架支持三角形计数的精确增量维护，且性能特征可调。
• 该方法还可实现静态数据库中所有三角形的最坏情况最优枚举，达到枚举问题的下界。