[논문 리뷰] Linear-Space Substring Range Counting over Polylogarithmic Alphabets

Travis Gagie, Paweł Gawrychowski|arXiv (Cornell University)|2012. 02. 15.

Algorithms and Data Compression참고 문헌 16인용 수 7

한 줄 요약

이 논문은 다항로그 스케일 알파벳을 가진 문자열에 대해 선형 공간 데이터 구조를 제안하며, u = n·polylog(n)일 경우 최적의 O(m) 쿼리 시간을 달성한다. 이는 이전의 O(n log n / log log n) 공간 복잡도를 개선한 것이다. 접미사 트리, 선조 데이터 구조, 부분합 구조를 활용하여 레이블이 부여된 위치 간격 내에서 패턴의 발생 수를 효율적으로 세며, 위치 제한된 서브스트링 카운팅 및 관련 문제에 대해 최적의 복잡도를 제공한다.

ABSTRACT

Bille and Gørtz (2011) recently introduced the problem of substring range counting, for which we are asked to store compactly a string $S$ of $n$ characters with integer labels in ([0, u]), such that later, given an interval ([a, b]) and a pattern $P$ of length $m$, we can quickly count the occurrences of $P$ whose first characters' labels are in ([a, b]). They showed how to store $S$ in $\Oh{n \log n / \log \log n}$ space and answer queries in $\Oh{m + \log \log u}$ time. We show that, if $S$ is over an alphabet of size (\polylog (n)), then we can achieve optimal linear space. Moreover, if (u = n \polylog (n)), then we can also reduce the time to $\Oh{m}$. Our results give linear space and time bounds for position-restricted substring counting and the counting versions of indexing substrings with intervals, indexing substrings with gaps and aligned pattern matching.

연구 동기 및 목표

• 기존의 O(n log n / log log n) 공간 복잡도를 요구하는 서브스트링 범위 카운팅 솔루션의 공간 및 시간 비효율성을 해결한다.
• 표준 가정 하에 최적인 선형 공간(O(n))을 확보하기 위해 다항로그 스케일 알파벳을 가진 문자열에 대해 선형 공간을 달성한다.
• 레이블 유니버스 크기 u가 n·polylog(n)일 경우 쿼리 시간을 O(m)으로 줄여 패턴 길이와 일치시킨다.
• 해당 솔루션을 이용해 간격, 간격이 있는 인덱싱, 정렬된 패턴 매칭 등의 서브스트링 카운팅 변형을 지원한다.
• 최적의 공간 및 시간 복잡도를 확보하면서 실용적이고 효율적인 위치 제한된 서브스트링 카운팅 프레임워크를 제공한다.

제안 방법

• 문자열 S에 대해 정수 레이블이 [0, u]에 속하는 문자를 가진 접미사 트리를 구축한다.
• 각 내부 노드에서 해당 노드가 표현하는 서브스트링의 발생 이후 바로 뒤에 오는 문자의 레이블 시퀀스를 저장한다.
• 선조 데이터 구조(정리 3.2)를 사용하여 레이블 간격 내의 순서와 선택 쿼리를 O(1) 또는 O(log log u) 시간 내에 처리한다.
• 각 노드의 레이블 시퀀스 내에서 [a,b] 범위의 레이블 범위를 계산하기 위해 부분합 데이터 구조를 유지한다.
• 패턴 P의 로커스까지 루트에서 내려오며 각 레벨에서 유효한 발생 간격을 유지한다.
• 각 노드에서 순서 쿼리를 사용해 현재 서브스트링에 대해 [a,b] 내의 레이블 간격을 계산하고, 간격 크기를 다음 레벨로 전파한다.

실험 결과

연구 질문

• RQ1 문자열의 알파벳 크기가 n에 대해 다항로그 스케일일 경우, 서브스트링 범위 카운팅을 선형 공간에서 해결할 수 있는가?
• RQ2 u = n·polylog(n)일 경우, 서브스트링 범위 카운팅에 대해 O(m) 쿼리 시간을 달성할 수 있는가?
• RQ3 선형 공간 솔루션을 위치 제한된 서브스트링 카운팅 및 간격 또는 간격이 있는 인덱싱 등의 다른 문제로 확장할 수 있는가?
• RQ4 u가 n·polylog(n)을 초과할 경우 공간-시간 트레이드오프는 어떻게 되며, 여전히 근접한 최적 성능을 달성할 수 있는가?
• RQ5 u가 제한 없이 크더라도 선형 공간과 선형 쿼리 시간을 동시에 확보할 수 있는가, 아니면 이는 본질적으로 제한되어 있는가?

주요 결과

• 다항로그 스케일 알파벳을 가진 문자열에 대해 제안된 데이터 구조는 오직 O(n) 공간만을 사용하여 최적의 선형 공간 복잡도를 달성한다.
• u = n·polylog(n)일 경우 쿼리 시간이 O(m)으로 감소하며, 이는 패턴 길이에 대해 최적이며 이전의 O(m + log log u) 복잡도를 향상시킨다.
• 첫 번째 문자의 레이블이 [a,b]에 속하는 임의의 패턴 P의 발생 수를 효율적으로 세며, 접미사 트리 내에서 간격을 전파한다.
• 이 방법은 위치 제한된 서브스트링 카운팅, 간격 및 간격이 있는 인덱싱의 변형 버전, 정렬된 패턴 매칭에 대해 최적의 복잡도를 제공한다.
• 접미사 트리, 선조 데이터 구조, 부분합 구조의 조합을 통해 각 순서 쿼리에 대해 O(1) 또는 O(log log u) 시간을 유지한다.
• 위치 매핑을 위한 추가 O(n) 공간을 사용하여, 접미사 트리를 따라 위로 올라가면서 선택 쿼리를 사용해 예시 발생 위치를 O(m) 시간 내에 반환할 수 있다.