[论文解读] Deterministic subgraph detection in broadcast CONGEST

Janne H. Korhonen, Joel Rybicki|arXiv (Cornell University)|May 29, 2017

Algorithms and Data Compression参考文献 20被引用 15

一句话总结

该论文在广播 CONGEST 分布式计算模型中提出了确定性、高效的子图检测与枚举算法。它实现了路径和树的常数轮检测，环和伪树的线性轮检测，以及在 $d$-非稠密图中对团和环的近似最优枚举。通过优化通信模式和基于非稠密性的剪枝，提升了所支持的 CONGEST 模型中的性能。

ABSTRACT

We present simple deterministic algorithms for subgraph finding and enumeration in the broadcast CONGEST model of distributed computation: -- For any constant $k$, detecting $k$-paths and trees on $k$ nodes can be done in $O(1)$ rounds. -- For any constant $k$, detecting $k$-cycles and pseudotrees on $k$ nodes can be done in $O(n)$ rounds. -- On $d$-degenerate graphs, cliques and $4$-cycles can be enumerated in $O(d + \log n)$ rounds, and $5$-cycles in $O(d^2 + \log n)$ rounds. In many cases, these bounds are tight up to logarithmic factors. Moreover, we show that the algorithms for $d$-degenerate graphs can be improved to optimal complexity $O(d/\log n)$ and $O(d^2/\log n)$, respectively, in the supported CONGEST model, which can be seen as an intermediate model between CONGEST and the congested clique.

研究动机与目标

• 为解决 CONGEST 模型中确定性子图检测复杂度的差距，特别是针对常数大小的子图。
• 为在带宽受限的分布式网络中检测和枚举小型子图（路径、树、环、团）提供高效且确定性的算法。
• 改进现有子图检测的上下界，特别是在有界非稠密性的稀疏图中。
• 将结果扩展到所支持的 CONGEST 模型，其中通信能力得到增强，从而实现更紧的界和关键问题的最优复杂度。
• 证明中心化算法中的固定参数技术（如代表性族、色彩编码）可有效适配到分布式环境。

提出的方法

• 利用固定参数算法中的代表性族，将子图候选验证的压缩与分发任务分配给各节点。
• 利用 $d$-非稠密性结构化通信：每个节点每轮仅广播 $O(d)$ 位，编码其在 $d$-定向中的出边存在性。
• 采用广播模型，所有邻居接收相同消息，最小化带宽使用的同时实现协调。
• 以色彩编码启发的技术为基础，以确定性方式检测路径和环，并通过逐轮仔细协调实现。
• 通过允许节点本地计算非稠密性和定向，优化所支持 CONGEST 模型中的通信，减少 $O(\log n)$ 的开销。
• 结合本地计算与全局协调：节点使用共享信息验证子图候选，并仅在完整子图被确认时广播结果。

实验结果

研究问题

• RQ1 在广播 CONGEST 模型中，是否可以实现常数轮内对常数大小子图的确定性子图检测？
• RQ2 在一般图中，$k$-环和伪树的最优轮复杂度是多少，其复杂度随 $k$ 如何变化？
• RQ3 在 $d$-非稠密图中，是否可以在 $O(d + \log n)$ 轮内完成子图枚举，且在所支持的 CONGEST 模型中可进一步优化？
• RQ4 CONGEST 模型中子图检测的最紧下界是什么，与上界相比如何？
• RQ5 中心化计算中的固定参数算法技术（如代表性族、色彩编码）是否可被适配，以在低带宽环境中实现最优分布式算法？

主要发现

• 对于任意常数 $k$，$k$-路径和 $k$-树在 $k$ 个节点上可在 $O(1)$ 轮内于广播 CONGEST 模型中检测到。
• $k$-环和 $k$-伪树在 $k$ 个节点上可在 $O(n)$ 轮内检测到，与目前已知的最优下界相比仅差对数因子。
• 在 $d$-非稠密图中，$k$-团和 $4$-环可在 $O(d + \log n)$ 轮内枚举，$5$-环可在 $O(d^2 + \log n)$ 轮内枚举。
• 在所支持的 CONGEST 模型中，$k$-团枚举可在 $O(d/\log n)$ 轮内完成，$4$-环枚举也可在 $O(d/\log n)$ 轮内完成，达到最优复杂度。
• 对于 $5$-环枚举，所支持的 CONGEST 模型将复杂度降低至 $O(d^2/\log n)$ 轮，消除了对数差距。
• Drucker 等人 [12] 的下界可扩展至所支持的 CONGEST 模型，确认 $4$-环和 $k$-环检测（$k \geq 6$ 且为偶数）至少需要 $\Omega(n^{1/2}/\log n)$ 轮，且在非稠密图中 $4$-和 $5$-环检测至少需要 $\Omega(d/\log n)$ 轮。