[论文解读] A Compositional Approach to Network Algorithms

A. J. Kfoury|arXiv (Cornell University)|May 19, 2018

Advanced Graph Theory Research参考文献 40被引用 3

一句话总结

本文提出了一种基于多面体分析与凸优化的流网络组合类型理论，以形式化表征可行流、最大流与最小流。该理论通过定义类型系统，确保在组合子网络时保持正确性，从而实现网络算法的安全模块化设计，其应用涵盖具有多个源点和汇点的平面网络中的最大流与最小流问题。

ABSTRACT

We present elements of a typing theory for flow networks, where "types", "typings", and "type inference" are formulated in terms of familiar notions from polyhedral analysis and convex optimization. Based on this typing theory, we develop an alternative approach to the design and analysis of network algorithms, which we illustrate by applying it to the max-flow problem in multiple-source, multiple-sink, capacited directed planar graphs.

研究动机与目标

• 开发一种形式化、组合式的网络算法设计与分析框架，支持模块化、增量式开发以及对顺序无关的组合。
• 解决在安全组合具有多个输入和输出的网络组件时，保持流守恒与容量约束的挑战。
• 通过引入基于凸优化与多面体分析的类型系统，扩展传统网络算法设计，以编码可行流行为。
• 为独立推理网络组件并安全组合它们提供基础，即使在恶魔非确定性（demonic non-determinism）下亦成立。
• 在具有多个源点和汇点的有容量限制的有向平面图中，将该方法应用于最大流与最小流问题。

提出的方法

• 将网络类型定义为通过多面体分析导出的输入与输出弧上的区间约束，以代数方式表征可行流。
• 引入主类型（principal typings）作为网络中所有可行流的规范表示，完整捕获输入输出行为的范围。
• 提出“强子类型”（≪:）的概念，以确保在恶魔非确定性下，一个网络组件可安全替换另一个。
• 使用类型推断自动从网络结构与容量边界推导类型，实现组合式推理。
• 将类型框架应用于将复杂网络分解为子网络，独立分析后重新组合，保证正确性。
• 利用凸优化技术计算流的区间边界，并在网络边界上验证类型约束。

实验结果

研究问题

• RQ1 如何形式化封装网络组件并进行组合，以确保在组合过程中流守恒与容量边界等安全不变量得以保持？
• RQ2 何种形式化类型系统能够捕获具有多个源点和汇点的网络中可行流、最大流与最小流的完整范围？
• RQ3 在组合具有非确定性行为的网络时，如何确保类型安全，特别是面对恶魔非确定性时？
• RQ4 基于类型与类型推断的组合式方法，在模块化与正确性方面，是否能优于或补充传统的单体最大流算法？
• RQ5 在何种条件下可安全地用一个网络组件替换另一个组件，且该替换关系如何形式化验证？

主要发现

• 所提出的类型理论通过基于多面体分析导出的区间约束，将可行的输入输出行为编码为形式化模块化推理机制，实现对网络流的正式、模块化推理。
• 强子类型（≪:）为在恶魔非确定性下安全替换网络组件提供了形式化准则，确保输入输出行为得以保持。
• 该框架支持对具有弧容量上下限的平面网络中最大流与最小流问题的并行分析。
• 通过将网络分解为子网络并使用主类型进行分析，该方法支持增量式与顺序无关的系统构建。
• 该方法的应用不仅限于最大流问题，还可扩展至其他具有不同优化目标的网络算法问题，即使运行时复杂度非线性亦成立。
• 通过形式化类型推断与约束满足，确保组合的正确性，具体示例表明，通过调整容量可使子网络实现安全替换。