[论文解读] Election vs. Selection: Two Ways of Finding the Largest Node in a Graph

Avery Miller, Andrzej Pelc|arXiv (Cornell University)|Nov 5, 2014

Distributed systems and fault tolerance参考文献 34被引用 4

一句话总结

本文在时间约束下，使用“建议”模型比较了两种基本分布式任务——选择（找到标记最大的节点并输出1）与选举（找到最大节点并将其中标广播给所有节点）——的计算复杂度。研究发现，对于环状网络，在时间与直径成比例时，选择任务所需的建议量远少于选举任务，揭示了二者在看似相似的情况下存在出人意料的难度不对称性。

ABSTRACT

Finding the node with the largest label in a network, modeled as an undirected connected graph, is one of the fundamental problems in distributed computing. This is the way in which $ extit{leader election}$ is usually solved. We consider two distinct tasks in which the largest-labeled node is found deterministically. In $ extit{selection}$, this node must output 1 and all other nodes must output 0. In $ extit{election}$, the other nodes must additionally learn the largest label. Our aim is to compare the difficulty of these two tasks executed under stringent running time constraints. The measure of difficulty is the amount of information that nodes of the network must initially possess in order to solve the given task in an imposed amount of time. Following the standard framework of $ extit{algorithms with advice}$, this information (a single binary string) is provided to all nodes at the start by an oracle knowing the entire graph. The length of this string is called the $ extit{size of advice}$. Consider the class of $n$-node graphs with any diameter $diam \leq D$. If time is larger than $diam$, then both tasks can be solved without advice. For the task of $ extit{election}$, we show that if time is smaller than $diam$, then the optimal size of advice is $Θ(\log n)$, and if time is exactly $diam$, then the optimal size of advice is $Θ(\log D)$. For the task of $ extit{selection}$, the situation changes dramatically, even within the class of rings. Indeed, for the class of rings, we show that, if time is $O(diam^ε)$, for any $ε<1$, then the optimal size of advice is $Θ(\log D)$, and, if time is $Θ(diam)$ (and at most $diam$) then this optimal size is $Θ(\log \log D)$.

研究动机与目标

• 分析并比较在分布式网络中解决最大节点查找问题两种变体所需的最少初始信息（建议）量。
• 研究时间约束如何影响选择（仅识别最大节点）与选举（识别最大节点并通知所有节点）的建议复杂度。
• 在直径至多为 D 的环类网络中，于不同时间模式下，为两项任务建立建议大小的紧致界限。
• 揭示选择与选举之间在复杂度上的根本差异，尤其是在时间接近网络直径时。
• 将环状网络中的洞见推广至一般图，识别未来在领导选举与选择的建议复杂度研究中的开放问题。

提出的方法

• 采用“建议”模型，即一个强大的预言机在启动时向所有节点提供一个二进制字符串，其长度即为建议大小的度量。
• 分析在 LOCAL 模型中的确定性分布式算法，其中节点以同步方式在轮次中通信，且必须在 r 轮内基于本地知识做出决策。
• 通过反证法建立建议大小的下界，构造出具有相同局部视图但最大节点不同的环族。
• 利用知识 $K(r,v)$ 的概念，表示节点 v 周围半径为 r 的子图，以比较不同环结构中的局部视图。
• 应用渐近分析推导出建议大小的紧致界限：在时间 $O(diam^\epsilon)$ 下选择任务的建议大小为 $\Theta(\log D)$，在时间 $\Theta(diam)$ 下为 $\Theta(\log \log D)$，在时间 $\Theta(diam)$ 下选举任务的建议大小为 $\Theta(\log D)$。
• 使用具有特定标记方式（例如 $2Da + 2x$）的环结构，使不同环中节点的局部视图无法区分，从而在建议过短时强制算法失败。

实验结果

研究问题

• RQ1 当时间复杂度为 $O(diam^\epsilon)$（对任意 $\epsilon < 1$）时，解决环中选择问题所需的最小建议大小是多少？
• RQ2 当时间恰好为 $\Theta(diam)$ 时，与亚多项式时间相比，选择任务的建议复杂度如何变化？
• RQ3 在相同时间约束下，选举任务的建议复杂度与选择任务相比如何？
• RQ4 环中选择任务的建议复杂度是否依赖于直径 $D$ 而非网络规模 $n$？
• RQ5 环中选择任务的建议复杂度权衡能否推广至一般连通图？

主要发现

• 在时间复杂度为 $O(diam^\epsilon)$（对任意 $\epsilon < 1$）的环中进行选择时，最优建议大小为 $\Theta(\log D)$，表明直径是关键参数。
• 当时间复杂度为 $\Theta(diam)$ 时，选择任务的最优建议大小显著下降至 $\Theta(\log \log D)$，显示出所需信息量的指数级减少。
• 在时间复杂度为 $\Theta(diam)$ 的环中进行选举时，最优建议大小为 $\Theta\big(\log D\big)$，这比相同时间约束下选择任务所需的建议量大得多。
• 本文证明，当时间与直径成比例时，从建议大小的角度看，选举任务的复杂度远高于选择任务，尽管两项任务密切相关。
• 结果表明，选择任务的建议复杂度存在显著的跃迁：在亚多项式时间下为 $\Theta(\log D)$，在时间 $\Theta(diam)$ 下变为 $\Theta(\log \log D)$，表明计算难度发生了根本性转变。
• 在时间 $O(diam^\epsilon)$ 下选择任务的下界证明中，使用了 $D^{1-2\epsilon}$ 个环的族，这些环具有相同的局部视图但最大节点不同，若建议过短则导致矛盾。