[论文解读] Non Trivial Computations in Anonymous Dynamic Networks

Giuseppe Antonio Di Luna, Roberto Baldoni|arXiv (Cornell University)|Jan 1, 2016

Distributed systems and fault tolerance参考文献 25被引用 8

一句话总结

本文提出了一种统一框架——时变图（Time-Varying Graphs, TVG），用于整合并形式化动态网络（如迟滞容忍网络、机会网络和社交网络）中的概念。通过基于网络动态特性的TVG类别分层分类，该研究实现了跨领域可行性与不可能性结果的迁移，同时支持对网络属性演化的时序分析与随机模型。

ABSTRACT

In this paper we consider a static set of anonymous processes, i.e., they do not have distinguished IDs, that communicate with neighbors using a local broadcast primitive. The communication graph changes at each computational round with the restriction of being always connected, i.e., the network topology guarantees 1-interval connectivity. In such setting non trivial computations, i.e., answering to a predicate like "there exists at least one process with initial input a?", are impossible. In a recent work, it has been conjectured that the impossibility holds even if a distinguished leader process is available within the computation. In this paper we prove that the conjecture is false. We show this result by implementing a deterministic leader-based terminating counting algorithm. In order to build our counting algorithm we first develop a counting technique that is time optimal on a family of dynamic graphs where each process has a fixed distance h from the leader and such distance does not change along rounds. Using this technique we build an algorithm that counts in anonymous 1-interval connected networks.

研究动机与目标

• 将动态网络研究中分散的模型与概念统一到一个正式框架中。
• 基于与分布式计算相关的结构与动态特性，对时变图进行分类。
• 实现不同类动态网络之间算法可行性与不可能性结果的迁移。
• 通过非时间依赖与时间依赖指标，支持对网络属性的时序分析。
• 探讨随机性在建模动态网络演化中的作用。

提出的方法

• 提出一个正式的TVG模型，将其定义为随时间演化的静态图序列，其中边集在离散时间步中动态变化。
• 引入关键概念，如旅程（journeys）、时序子图（temporal subgraphs）和时序连通性（temporal connectivity），以捕捉动态可达性。
• 基于边可用性、时序连通性与扩展性等属性，定义TVG类别的分层结构，且具有严格的包含关系。
• 采用以图为中心与以边为中心的双重视角，分析网络动态与交互模式。
• 应用离散时间与连续时间的随机过程（如马尔可夫过程与泊松过程）来建模随机边动态。
• 利用时序指标与可视化技术，检测模式并分析网络的宏观演化。

实验结果

研究问题

• RQ1 如何将多样化的动态网络模型统一到一个正式框架之下？
• RQ2 哪些关键的结构与动态特性定义了时变图中可行与不可行计算的边界？
• RQ3 TVG的分层类别之间在包含关系上如何关联？这对算法迁移有何影响？
• RQ4 哪些技术可实现对动态网络轨迹中确定性属性的自动验证？
• RQ5 如何建模边的出现与消失中的随机性，以研究连通性的相变现象？

主要发现

• TVG框架成功统一了迟滞容忍网络、机会网络与社交网络中关于时序距离、旅程与连通性的概念。
• 建立了TVG类别的严格包含层次结构，使得可行性结果可向子类迁移，不可能性结果可向超类推广。
• 形式化了包括离散时间马尔可夫过程与连续时间泊松过程在内的随机TVG模型，并用于研究连通性的相变。
• 识别出执行过程中拓扑事件的数量为分布式算法在TVG上的关键新复杂度参数。
• 该框架支持非时间依赖与时间依赖的指标，用于分析网络演化，支持对涌现现象的检测。
• 在TVG中采用以交互为中心的视角，揭示了局部交互如何产生全局网络效应，支持模式检测与可视化。