[论文解读] Where Graph Topology Matters: The Robust Subgraph Problem

Hau Chan, Shuchu Han+1 more|arXiv (Cornell University)|Jan 8, 2015

Network Packet Processing and Optimization被引用 5

一句话总结

本文提出了鲁棒局部子图（RLS）问题，提出一种新方法，通过最大化基于闭游走的节点可通信性的自然连通性度量，在大规模网络中识别指定大小下拓扑最鲁棒的子图。与侧重边数的最密子图方法不同，RLS方法强调子图拓扑结构和拓扑感知鲁棒性。实验表明，即使在较低密度下，RLS方法找到的子图鲁棒性也显著优于最密子图。

ABSTRACT

Robustness is a critical measure of the resilience of large networked systems, such as transportation and communication networks. Most prior works focus on the global robustness of a given graph at large, e.g., by measuring its overall vulnerability to external attacks or random failures. In this paper, we turn attention to local robustness and pose a novel problem in the lines of subgraph mining: given a large graph, how can we find its most robust local subgraph (RLS)? We define a robust subgraph as a subset of nodes with high communicability among them, and formulate the RLS-PROBLEM of finding a subgraph of given size with maximum robustness in the host graph. Our formulation is related to the recently proposed general framework for the densest subgraph problem, however differs from it substantially in that besides the number of edges in the subgraph, robustness also concerns with the placement of edges, i.e., the subgraph topology. We show that the RLS-PROBLEM is NP-hard and propose two heuristic algorithms based on top-down and bottom-up search strategies. Further, we present modifications of our algorithms to handle three practical variants of the RLS-PROBLEM. Experiments on synthetic and real-world graphs demonstrate that we find subgraphs with larger robustness than the densest subgraphs even at lower densities, suggesting that the existing approaches are not suitable for the new problem setting.

研究动机与目标

• 为填补局部鲁棒性分析的空白，识别大规模网络中指定大小下最鲁棒的子图。
• 不单纯以边密度定义鲁棒性，而是通过自然连通性和节点可通信性来衡量子图拓扑。
• 形式化并分析一个新提出的NP难问题——鲁棒局部子图（RLS）问题，优先考虑结构鲁棒性而非单纯边数。
• 为大规模图开发高效的启发式算法，包括自顶向下和自底向上策略，并扩展以处理实际变体。
• 通过实证验证，所提度量下的鲁棒性显著优于最密子图，即使后者具有更高的边密度。

提出的方法

• 使用自然连通性形式化鲁棒性，定义为邻接矩阵特征值指数平均的对数，以捕捉节点的平均可通信性。
• 提出一种自顶向下的贪心算法，通过迭代移除可通信性最低的节点，以在给定子图大小下最大化鲁棒性。
• 开发一种基于GRASP的自底向上算法，通过随机贪心选择和局部搜索逐步构建子图。
• 将两种算法适配于三种实际变体：子图大小约束、最小边密度和子图中心性阈值。
• 采用Estrada指数（子图中心性之和）作为鲁棒性的代理指标，该指标源自邻接矩阵指数的迹。
• 利用谱性质和子图中心性建模冗余性和替代路径数量，反映对节点或边失效的鲁棒性。

实验结果

研究问题

• RQ1 能否识别出以自然连通性衡量的拓扑鲁棒性最大而非边密度最大的子图？
• RQ2 在边密度较低的情况下，所提方法找到的子图鲁棒性与最密子图算法找到的子图相比如何？
• RQ3 RLS问题的计算和结构特性如何，例如NP难性和单调性？
• RQ4 启发式算法能否在保持高鲁棒性的同时高效扩展至大规模真实网络？
• RQ5 如何将RLS问题适配于实际约束，如最小边密度或中心性阈值？

主要发现

• 所提出的RLS问题为NP难问题，且不具有半遗传性或子图单调性，这使其与最密子图问题相区别。
• 自底向上的GRASP算法在鲁棒性方面始终优于自顶向下的方法，尤其在大规模图上表现更优。
• GRASP-RLS算法与图大小呈线性扩展，表明在真实世界和合成网络中具有强大的实际效率。
• RLS方法识别出的子图鲁棒性显著高于最密子图，即使后者边密度更高。
• 结果表明，仅靠边密度不足以捕捉鲁棒性；子图拓扑结构，通过可通信性和特征值分布衡量，起着关键作用。
• 研究表明，现有最密子图算法不适用于新提出的鲁棒性目标，凸显了所提框架的新颖性和必要性。