[论文解读] "Tri, Tri again": Finding Triangles and Small Subgraphs in a Distributed Setting

Danny Dolev, Christoph Lenzen+1 more|arXiv (Cornell University)|Jan 31, 2012

Complexity and Algorithms in Graphs参考文献 11被引用 6

一句话总结

本论文提出了一种高效的分布式算法，用于在每条消息限制为 O(log n) 位的全连接网络中检测小型子图，特别是三角形。它引入了一种概率算法，可在 O(n^{1/3}/(t^{2/3}+1)) 轮的期望时间内检测三角形，其中 t 为三角形的数量，相较于朴素方法在带宽受限的稠密图中显著提升效率。

ABSTRACT

Let G = (V,E) be an n-vertex graph and M_d a d-vertex graph, for some constant d. Is M_d a subgraph of G? We consider this problem in a model where all n processes are connected to all other processes, and each message contains up to O(log n) bits. A simple deterministic algorithm that requires O(n^((d-2)/d) / log n) communication rounds is presented. For the special case that M_d is a triangle, we present a probabilistic algorithm that requires an expected O(ceil(n^(1/3) / (t^(2/3) + 1))) rounds of communication, where t is the number of triangles in the graph, and O(min{n^(1/3) log^(2/3) n / (t^(2/3) + 1), n^(1/3)}) with high probability. We also present deterministic algorithms specially suited for sparse graphs. In any graph of maximum degree Delta, we can test for arbitrary subgraphs of diameter D in O(ceil(Delta^(D+1) / n)) rounds. For triangles, we devise an algorithm featuring a round complexity of O(A^2 / n + log_(2+n/A^2) n), where A denotes the arboricity of G.

研究动机与目标

• 为解决在每条消息限制为 O(log n) 位的分布式环境中检测小型子图（特别是三角形）的挑战。
• 克服朴素方法需要 O(n/log n) 轮以学习整个图拓扑结构而导致的低效问题。
• 设计在稠密全连接网络中平衡通信负载并实现次线性轮复杂度的算法。
• 为不同图属性（如分枝度和最大度）提供概率和确定性解决方案。
• 建立轮复杂度的理论界限，并证明所提算法分析的紧致性。

提出的方法

• 提出一种基于概率采样的算法 TriSample，节点通过随机采样邻居来检测三角形，而无需掌握完整拓扑信息。
• 采用两阶段方法：第一阶段为采样阶段，若存在三角形则快速检测；第二阶段为若未检测到三角形则启用确定性回退机制（TriPartition）。
• 利用浓度界限和概率分析确保高概率正确性，依赖于切尔诺夫型界限和联合界限。
• 引入一种新颖的轮复杂度分析方法，使用阈值参数 s_m 控制采样深度，确保潜在三角形的覆盖。
• 通过采样成功概率的倒数推导轮数界限，利用预期的三角形检测采样数量。
• 应用图论性质如分枝度 (A) 和最大度 (Δ)，为稀疏图和有界度图设计专用的确定性算法。

实验结果

研究问题

• RQ1 在每条消息限制为 O(log n) 位的全连接分布式网络中，是否能比 O(n/log n) 轮更高效地解决小型子图检测（如三角形）？
• RQ2 当三角形数量 t 已知或有界时，检测三角形的最优轮复杂度是什么？
• RQ3 如何在基于团的通信模型中平衡各节点间的通信负载，避免瓶颈？
• RQ4 概率采样能否在保持高概率正确性的前提下实现次线性轮复杂度？
• RQ5 该模型中三角形检测的轮复杂度是否存在紧致渐近界限？这些界限是否可实现？

主要发现

• 概率算法 TriSample 在检测三角形时，实现了 O(n^{1/3}/(t^{2/3}+1)) 的期望轮复杂度，其中 t 为图中三角形的数量。
• 以高概率，该算法在 O(min{n^{1/3} log^{2/3}n / (t^{2/3}+1), n^{1/3}}) 轮内终止，优于确定性基线方法。
• 对于任意分枝度为 A 的图，确定性算法可在 O(A²/n + log_{2+n/A²} n) 轮内检测三角形，对稀疏图具有高效性。
• 在最大度 Δ 的图中，该算法可在 O(Δ^{D+1}/n) 轮内检测直径为 D 的任意子图，展现出与度数的可扩展性。
• 轮复杂度界限 O(n^{1/3} t^{-2/3} log^{2/3}(1/ε) + log(1/ε)) 是渐近紧致的，通过构造具有不相交或共享三角形的下界示例得以证明。
• 可在 O(t₀^{-2/3} n^{1/3} log^{2/3}(1/ε) + log(1/ε)) 轮内以概率 1−ε 区分三角形自由图与至少含有 t₀ ≥ 1 个三角形的图。