[論文レビュー] Hub-Accelerator: Fast and Exact Shortest Path Computation in Large Social Networks

Ruoming Jin, Ning Ruan+2 more|arXiv (Cornell University)|May 2, 2013

Internet Traffic Analysis and Secure E-voting参考文献 42被引用数 11

ひとこと要約

本稿では、ハブ中心の技術—Hub-NetworkおよびHub 2-Labeling—を用いたHub-Acceleratorというフレームワークを提案する。このフレームワークは、距離を保存するハブネットワークまたはコアハブのラベリングにより、探索空間を削減し、BFS や最新の近似手法であるSketchと比較して100倍以上の高速化を達成する。インデックスコストが低く、事前計算も高速である。

ABSTRACT

Shortest path computation is one of the most fundamental operations for managing and analyzing large social networks. Though existing techniques are quite effective for finding the shortest path on large but sparse road networks, social graphs have quite different characteristics: they are generally non-spatial, non-weighted, scale-free, and they exhibit small-world properties in addition to their massive size. In particular, the existence of hubs, those vertices with a large number of connections, explodes the search space, making the shortest path computation surprisingly challenging. In this paper, we introduce a set of novel techniques centered around hubs, collectively referred to as the Hub-Accelerator framework, to compute the k-degree shortest path (finding the shortest path between two vertices if their distance is within k). These techniques enable us to significantly reduce the search space by either greatly limiting the expansion scope of hubs (using the novel distance- preserving Hub-Network concept) or completely pruning away the hubs in the online search (using the Hub2-Labeling approach). The Hub-Accelerator approaches are more than two orders of magnitude faster than BFS and the state-of-the-art approximate shortest path method Sketch for the shortest path computation. The Hub- Network approach does not introduce additional index cost with light pre-computation cost; the index size and index construction cost of Hub2-Labeling are also moderate and better than or comparable to the approximation indexing Sketch method.

研究の動機と目的

• スケールフリーかつスモールワールド特性を持つ大規模なソーシャルネットワークにおいて、ハブが原因で探索空間が爆発するという課題に対処すること。
• 数百万の頂点と高径路長を示すネットワークにスケーリング可能な、効率的で正確なk-次数最短経路アルゴリズムを設計すること。
• 実世界の展開に耐えるように、インデックスサイズと事前計算コストを実用的な範囲に保ちながら、オンラインクエリ時間を最小限に抑えること。
• ハブの拡張を制限する（Hub-Network）か、ハブ経路を事前に計算する（Hub 2-Labeling）ことで、クエリ解決を高速化するハブベースのインデックス戦略を検討すること。
• 多様な実世界のソーシャルネットワークを対象に、BFS や最新の近似手法であるSketchと比較して、性能を実験的に評価すること。

提案手法

• Hub-Networkアプローチは、選択されたハブを中心とした距離を保存する部分グラフを構築し、ハブの有効次数を低減させ、双方向BFSにおけるハブの拡張を制限する。
• Hub 2-Labelingは、コアハブのラベルを事前計算し、各頂点に対して、短いパス距離を持つ少数のコアハブを格納することで、クエリ時の高速なパス再構築を可能にする。
• フレームワークは二段階戦略を採用する。まず、ハブに配慮したインデックス（Hub-NetworkまたはHub 2-Labeling）を構築する事前計算フェーズを実行し、次に、ハブに配慮した枝刈りを施した双方向BFSを用いてオンラインクエリを処理する。
• コアハブは次数と中心性に基づいて選択され、最短経路情報を保持しつつ、ハブ数を最小限に抑えることを目的とする。
• Hub-Networkの構築は、各ハブからBFSを実行し、最短経路距離を保存するようにエッジをフィルタリングすることで、コンactで最適化されたハブ中心の部分グラフが得られる。
• Hub 2-Labeling手法では、各頂点に対して、コアハブとその最短距離のリストを格納し、クエリ時にO(1)の検索が可能になる。

実験結果

リサーチクエスチョン

• RQ1 ハブ中心のインデックス戦略は、大規模なソーシャルネットワークにおけるk-次数最短経路クエリにおいて、探索空間を顕著に削減できるか？
• RQ2 Hub-NetworkおよびHub 2-Labelingの性能は、BFSおよびSketch（最新の近似手法）と比較して、クエリ速度とインデックスコストの面でどの程度優れているか？
• RQ3 インデックスサイズ、事前計算コスト、クエリパフォーマンスのバランスを取るために、最適なハブ数は何か？
• RQ4 Hub-Networkにおけるハブ次数の低減は、クエリ効率をどの程度向上させられるか？
• RQ5 提案手法は、トポロジーと径路長が異なる多様な実世界のソーシャルネットワークにおいて、どの程度スケーリング可能か？

主な発見

• Hub-Acceleratorは、数百万の頂点を持つ大規模なソーシャルネットワークにおいて、標準的なBFSおよび最新の近似手法Sketchと比較して100倍以上の高速化を達成した。
• Hub-Networkアプローチは、ハブ数が10,000～15,000の範囲で特に顕著に平均クエリ時間を短縮し、事前計算コストも最小限で、追加のインデックスストレージコストも発生しない。
• Hub 2-Labelingは中程度のインデックスサイズと構築コストを実現し、WikiTalkでは平均して1頂点あたり2.5個のコアハブを格納しており、オンラインクエリが高速に処理できる。
• ほとんどのネットワークにおいて、頂点1つあたりのコアハブ数は全ハブ数の2％未満であり、ラベリング方式の高い圧縮率と効率性が示された。
• Hub-Networkの構築はHub 2-Labelingよりも3倍以上高速であり、両手法ともハブ数の増加に伴い、事前計算時間は線形に増加する傾向を示した。
• Orkut、LiveJournal、Twitterなどのネットワークでは、ハブ数を増やすとHub-Networkのサイズが著しく増加するが、平均ハブ次数は元の約1/3にまで低下し、クエリパフォーマンスが向上した。