[论文解读] Incremental Algorithms for Network Management and Analysis based on Closeness Centrality

Ahmet Erdem Sarıyüce, Kamer Kaya+2 more|arXiv (Cornell University)|Mar 2, 2013

Complex Network Analysis Techniques参考文献 27被引用 16

一句话总结

本文提出了一种增量算法，可高效更新动态网络在边插入或删除后的接近中心性，利用双连通分量分解、钟形距离分布特性以及相同邻域顶点检测。该方法相较批量重新计算实现了最高达460倍的加速，在拥有120万个节点的时序DBLP合作者网络上，将中心性更新时间从1.3天缩短至4.2分钟。

ABSTRACT

Analyzing networks requires complex algorithms to extract meaningful information. Centrality metrics have shown to be correlated with the importance and loads of the nodes in network traffic. Here, we are interested in the problem of centrality-based network management. The problem has many applications such as verifying the robustness of the networks and controlling or improving the entity dissemination. It can be defined as finding a small set of topological network modifications which yield a desired closeness centrality configuration. As a fundamental building block to tackle that problem, we propose incremental algorithms which efficiently update the closeness centrality values upon changes in network topology, i.e., edge insertions and deletions. Our algorithms are proven to be efficient on many real-life networks, especially on small-world networks, which have a small diameter and a spike-shaped shortest distance distribution. In addition to closeness centrality, they can also be a great arsenal for the shortest-path-based management and analysis of the networks. We experimentally validate the efficiency of our algorithms on large networks and show that they update the closeness centrality values of the temporal DBLP-coauthorship network of 1.2 million users 460 times faster than it would take to compute them from scratch. To the best of our knowledge, this is the first work which can yield practical large-scale network management based on closeness centrality values.

研究动机与目标

• 为解决在大规模动态网络中，拓扑结构变化（如边的插入与删除）后，高效维护精确的接近中心性数值的挑战。
• 通过支持对拓扑修改快速评估其对中心性配置的影响，实现基于中心性的实用化、实时网络管理。
• 降低在具有小世界特性的大型时序网络中重新计算中心性的计算开销。
• 为基于最短路径的网络分析（包括流式处理与时序网络分析）提供可扩展、低内存占用的基础框架。
• 支持未来应用，如基于中心性的优化、鲁棒性评估以及对抗性攻击缓解。

提出的方法

• 通过将网络分解为双连通分量，以限制边变化的影响范围，减少不必要的重新计算。
• 利用小世界网络中最短路径距离的钟形分布特性，通过层级过滤与提前终止策略加速最短路径计算。
• 识别具有相同邻接关系的顶点，以避免冗余的SSSP（单源最短路径）计算。
• 集成混合SSSP策略，结合精确与近似技术，在准确率与性能之间实现平衡。
• 采用分层更新策略：先仅更新受影响的组件，仅在必要时再选择性地应用SSSP。
• 该框架设计具有可扩展性，可轻松扩展至近似中心性计算，并可通过小幅修改适配介数中心性。

实验结果

研究问题

• RQ1 在边插入或删除后，如何在大规模动态网络中以最小化重新计算量的方式，实现接近中心性的增量更新？
• RQ2 真实网络中哪些结构性特性（如双连通分量与钟形距离分布）可被利用以加速增量中心性更新？
• RQ3 顶点相似性（相同邻域）在多大程度上可降低动态网络中SSSP重新计算的计算成本？
• RQ4 所提出的增量算法在真实世界时序网络（如DBLP与Wikipedia）上与批量重新计算相比，性能表现如何？
• RQ5 该增量框架能否扩展以支持近似中心性计算及其他中心性度量（如介数中心性）？

主要发现

• 所提出的增量算法在大规模网络上相较批量重新计算平均实现了99.7倍的加速，DBLP合作者网络上最高达到460.8倍。
• 对于包含120万用户的时序DBLP合作者网络，使用CC-BLI变体后，更新时间从1.3天缩短至4.2分钟。
• 在Wikipedia用户通信图（wiki-Talk）上，使用CC-BLI方法后，更新时间从2天缩短至16分钟。
• 该方法通过双连通分量分解减少了受影响区域的规模，web-NotreDame网络中59%的顶点位于小型分量中，从而实现更快更新。
• 小世界网络中钟形最短路径分布特性本身即可带来最低13.4倍的性能增益，即使未启用其他优化。
• 由于新顶点插入（DBLP中占10%）的普遍性，该算法在真实时序数据上表现极佳，其加速效果比平均高出4.6倍，且CC-B方法能高效处理此类情况。