[论文解读] An Introduction to Temporal Graphs: An Algorithmic Perspective

Othon Michail|arXiv (Cornell University)|Mar 1, 2015

Opportunistic and Delay-Tolerant Networks被引用 3

一句话总结

本文提出时间图作为动态网络的一种形式，其中边的可用性随离散时间步长而变化，提出了一套算法框架以分析时间连通性和直径。研究证明，在寿命为 r=n 的随机时间完全图中，时间直径以高概率为 O(log n)，并使用双向前向扩展算法高效构建路径。

ABSTRACT

A \emph{temporal graph} is, informally speaking, a graph that changes with time. When time is discrete and only the relationships between the participating entities may change and not the entities themselves, a temporal graph may be viewed as a sequence $G_1,G_2\ldots,G_l$ of static graphs over the same (static) set of nodes $V$. Though static graphs have been extensively studied, for their temporal generalization we are still far from having a concrete set of structural and algorithmic principles. Recent research shows that many graph properties and problems become radically different and usually substantially more difficult when an extra time dimension in added to them. Moreover, there is already a rich and rapidly growing set of modern systems and applications that can be naturally modeled and studied via temporal graphs. This, further motivates the need for the development of a temporal extension of graph theory. We survey here recent results on temporal graphs and temporal graph problems that have appeared in the Computer Science community.

研究动机与目标

• 开发时间图的基础算法框架，作为静态图论的动态扩展。
• 解决在仅在特定时间出现的边的网络中，时间连通性和路径存在性的问题。
• 分析随机时间图的时间直径，并建立可达性的紧致界。
• 对随时间演化的现实系统（如通信、社交和交通网络）进行建模。
• 为动态对抗性网络拓扑中的高效信息传播提供算法工具。

提出的方法

• 将时间图建模为同一节点集 V 上的静态图序列 G₁, G₂, ..., Gₗ，其中边仅在特定时间步出现。
• 应用 Erdős-Rényi 随机图模型 G(n,p) 分析时间子图中的连通性阈值。
• 采用双向路径构建算法：从源点 s 扩展前向前沿，从目标点 t 扩展后向前沿，时间间隔长度为 c₂。
• 使用概率分析表明，两个前沿在 O(log n) 步内以高概率增长至 Θ(√n) 个节点。
• 通过证明 s 和 t 的最终前沿之间存在连接边，从而建立时间连通性。
• 应用集中不等式表明，任意节点对失败的概率至多为 3/n，从而得出时间直径的高概率界。

实验结果

研究问题

• RQ1 在每条边以独立随机时间出现的随机时间完全图中，其时间直径是多少？
• RQ2 在具有任意时变拓扑的动态网络中，如何高效构建路径？
• RQ3 时间完全图的最小寿命 r 是多少，才能以高概率确保时间直径为 O(log n)？
• RQ4 时间直径如何随节点数 n 和边可用寿命 r 变化？
• RQ5 在随机时间图中，为确保所有节点对之间的时间可达性，随机性的代价是多少？

主要发现

• 在边寿命 r=n 的随机时间完全图中，时间直径以高概率为 O(log n)。
• 当 r=Ω(n) 时，几乎所有时间图的时间直径为 ω(log n)，表明该值附近存在一个尖锐阈值。
• 双向前向扩展算法以至少 1−3/n³ 的概率成功构建出持续时间为 O(log n) 的 s-t 路径。
• s 的最终前沿和 t 的最终前沿各自以高概率包含 Θ(√n) 个节点，从而极大提高连接可能性。
• s 和 t 的最终前沿之间存在连接边的概率很高，确保路径完整。
• 整体时间直径以至少 1−3/n 的概率为 O(log n)，证实此类网络中信息传播迅速。