[论文解读] A Coding Theoretic Approach for Evaluating Accumulate Distribution on Minimum Cut Capacity of Weighted Random Graphs

Tadashi Wadayama, Yuki Fujii|arXiv (Cornell University)|Feb 4, 2012

Energy Efficient Wireless Sensor Networks被引用 4

一句话总结

本文提出了一种编码理论框架，用于推导加权 Erdős-Rényi 随机图中最小割容量累积分布的组合下界。通过利用图割空间与列重量为2的二元 LDGM 码之间的对应关系，该方法实现了对最小割行为的有限尺寸分析，实验结果表明，该下界与稀疏和密集图集合中经验分布之间具有极好的一致性。

ABSTRACT

The multicast capacity of a directed network is closely related to the $s$-$t$ maximum flow, which is equal to the $s$-$t$ minimum cut capacity due to the max-flow min-cut theorem. If the topology of a network (or link capacities) is dynamically changing or have stochastic nature, it is not so trivial to predict statistical properties on the maximum flow. In this paper, we present a coding theoretic approach for evaluating the accumulate distribution of the minimum cut capacity of weighted random graphs. The main feature of our approach is to utilize the correspondence between the cut space of a graph and a binary LDGM (low-density generator-matrix) code with column weight 2. The graph ensemble treated in the paper is a weighted version of Erdős-Rényi random graph ensemble. The main contribution of our work is a combinatorial lower bound for the accumulate distribution of the minimum cut capacity. From some computer experiments, it is observed that the lower bound derived here reflects the actual statistical behavior of the minimum cut capacity.

研究动机与目标

• 开发一种非渐近方法，以评估动态变化或随机网络中最小割容量的统计分布。
• 为具有有限顶点数和边数的加权随机图，建立最小割容量累积分布的下界。
• 利用图割空间与列重量为2的二元 LDGM 码之间的结构类比，实现组合分析。
• 提供一种适用于实际网络场景的工具，其中渐近近似方法不再足够。
• 通过在有限图集合上进行广泛的蒙特卡洛模拟，验证边界的紧致性。

提出的方法

• 该方法将无向加权图的割空间映射到其关联矩阵的行空间，建立与列重量为2的二元 LDGM 码之间的对偶关系。
• 利用生成函数建模割集权重的分布，其中生成函数 f(x) 表示边的权重分布。
• 关键边界通过在期望割容量低于阈值 δ 的割数上应用马尔可夫不等式推导得出。
• 该边界以对顶点子集、割集大小和边配置的三重求和形式表达，结合了组合系数以及从 f(x)^v 中提取系数的操作。
• 该分析基于 LDGM 码的平均权重分布，经调整后适用于加权图集合。
• 该方法应用于具有固定顶点数 k、边数 n 和 [1,q] 范围内整数边权的加权 Erdős-Rényi 随机图集合。

实验结果

研究问题

• RQ1 编码理论方法能否为有限随机图中最小割容量的累积分布提供非渐近下界？
• RQ2 所推导的边界在多大程度上准确反映了加权随机图中最小割容量的经验统计行为？
• RQ3 图的割空间与列重量为2的二元 LDGM 码的权重分布之间存在何种关系？
• RQ4 边界的紧致性如何随图的密度和边权分布而变化？
• RQ5 该方法能否扩展到 Erdős-Rényi 模型以外的其他随机图集合？

主要发现

• 所提出的 Pr[λ(G) ≥ δ] 下界在稀疏（k=100, n=400）和密集（k=100, n=700）图集合中，与 10^4 次模拟得到的经验累积分布表现出极好的一致性。
• 在稀疏情况下（n=400），边界在 1 ≤ δ ≤ 4 范围内与经验分布紧密匹配。
• 在密集情况下（n=700），边界显著变紧，在 1 ≤ δ ≤ 15 范围内与模拟结果高度一致。
• 该边界基于有限尺寸分析推导，因此适用于渐近近似失效的实际网络。
• 该方法基于 LDGM 码分析，使其可扩展至其他图集合，如正则或非正则二分图。
• 结果证实，编码理论方法比纯粹的渐近方法更有效地捕捉了随机图中典型最小割行为。