[论文解读] The Randomized Competitive Ratio of Weighted $k$-server is at least Exponential

Nikhil Ayyadevara, Ashish Chiplunkar|arXiv (Cornell University)|Jan 1, 2021

Optimization and Search Problems参考文献 14被引用 2

一句话总结

本文在均匀度量空间上的加权 k-服务器问题中，建立了随机化竞争比的 Ω(2^k) 下界，显著优于先前的 Θ(ln k) 对数下界。通过构建一种复杂的对抗者策略，该策略利用递归请求模式与优惠券收集动态，作者证明了任何随机化算法都无法实现亚指数竞争力，从而将已知上下界之间的差距从三重指数缩小为单重指数。

ABSTRACT

The weighted $k$-server problem is a natural generalization of the $k$-server problem in which the cost incurred in moving a server is the distance traveled times the weight of the server. Even after almost three decades since the seminal work of Fiat and Ricklin (1994), the competitive ratio of this problem remains poorly understood, even on the simplest class of metric spaces -- the uniform metric spaces. In particular, in the case of randomized algorithms against the oblivious adversary, neither a better upper bound that the doubly exponential deterministic upper bound, nor a better lower bound than the logarithmic lower bound of unweighted $k$-server, is known. In this article, we make significant progress towards understanding the randomized competitive ratio of weighted $k$-server on uniform metrics. We cut down the triply exponential gap between the upper and lower bound to a singly exponential gap by proving that the competitive ratio is at least exponential in $k$, substantially improving on the previously known lower bound of about $\ln k$.

研究动机与目标

• 为均匀度量空间上加权 k-服务器问题的随机化竞争比，弥合最佳已知上下界之间的巨大差距。
• 在加权 k-服务器设置中，改进先前已知的 Θ(ln k) 随机化算法对数下界。
• 证明即使在引入随机化与记忆机制后，任何算法在均匀度量空间上仍无法实现亚指数竞争力。
• 提供一个紧致的下界，其数量级与最佳已知上界一致，从而明确该问题的本质难度。

提出的方法

• 设计一种递归对抗者策略 strategy(ℓ, P)，用于在均匀度量空间的点子集 P 上模拟请求序列。
• 采用请求集的分层结构，使对抗者根据未来请求的采样结果控制最重服务器的移动。
• 应用优惠券收集论证，以界定观察到最远未来请求前的期望样本数，该值决定了最重服务器移动的成本。
• 通过涉及竞争比 cℓ 和服务器权重 βi 的递推关系，递归地界定对抗者的成本。
• 引入参数 β = ⌈ε⁻¹⌉·(n^{k-1}+1)·H(n^{k-1})·∑ᵢ₌₁^{k-1}∏ⱼ₌ᵢ^{k-2}(⌊ln j / 2⌋ + 1)，以平衡算法与对抗者成本。
• 将随机化算法每次策略调用的期望成本与对抗者成本进行比较，证明在 ε → 0 的极限下，其比值至少为 H(n^{k-1}) = Ω(2^k)。

实验结果

研究问题

• RQ1 在均匀度量空间上，加权 k-服务器问题的最优随机化竞争比是多少？
• RQ2 是否可以通过更强的下界构造，将已知上下界之间三重指数的差距缩小？
• RQ3 在加权 k-服务器问题中，随机化是否显著提升了竞争力，还是竞争比仍被指数级界限所限制？
• RQ4 对抗者基于递归请求模式与未来请求采样的策略，如何实现紧致的下界？

主要发现

• 在均匀度量空间上，加权 k-服务器问题的随机化竞争比至少为 Ω(2^k)，相比先前的 Θ(ln k) 对数下界，实现了双重指数级的改进。
• 该下界通过一种递归对抗者策略推导得出，该策略利用未来请求采样与优惠券收集动态来控制服务器移动并界定成本。
• 对抗者确保仅最重服务器承担显著移动成本，其余 ℓ−1 台服务器则通过具有有界成本 cℓ−1 的归纳策略进行管理。
• 证明了算法在每次递归策略调用中的期望成本至少为对抗者成本的 H(n^{k-1}) 倍，其中当 n = k 时，H(n^{k-1}) = Θ(2^k)。
• 该结果表明，即使使用随机化与记忆机制，算法仍无法突破该问题的指数级竞争力屏障。
• 该下界可直接应用于加权均匀度量空间上的广义 k-服务器问题，将先前的下界从 Ω(k / log²k) 提升至 Ω(2^k)。