大规模图中低复杂度分布式算法浅析-南京信息工程大学学报.pdfVIP

ＤＯＩ：１０．１３８７８／ ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０１７．０５．０１２ １，２ １，２ １，２ １，２ １，２ １，２ 华强胜 　 艾明 　 钱立祥 　 于东晓 　 石宣化 　 金海 大规模图中低复杂度分布式算法浅析 摘要 ０　 大规模图分析基本问题介绍 近年来大规模图分析问题在网络大 数据领域发挥着重要作用．经典的图分 　 　 大规模图分析在社交网络、交通网络、生物网络等复杂网络中均 析问题包括求图的直径、半径、围长、聚 ［１］ ［１⁃３］ 有重大的应用 ．典型的大规模 图分析 包括求图的直径 类系数、紧密中心度和介数中心度等．集 中式算法求解这些图计算问题一般都需 （Ｄｉａｍｅｔｅｒ）、半径（Ｒａｄｉｕｓ）、围长（Ｇｉｒｔｈ）、中心度（Ｃｅｎｔｒａｌｉｔｉｅｓ）以及聚 要问题规模的平方甚至立方以上复杂 类系数（Ｃｌｕｓｔｅｒｉｎｇ Ｃｏｅｆｆｉｃｉｅｎｔ）等． 度，显然不适用于大规模图．本文旨在从 给定ｎ个顶点和ｍ条边的无权无向图Ｇ（Ｖ，Ｅ），图中２节点ｕ和ｖ 分布式算法角度介绍对这些基本图计算 问题具有最坏性能保证的低复杂度（线 的距离 ｄ（ｕ，ｖ） 表示 ｕ 和 ｖ 之间最短路径长度；图的直径 Ｄ ∶＝ 性时间）算法．此外，本文还将介绍如何 ｍａｘ ｄ（ｕ，ｖ）表示图中任意２点间距离的最大值；图的半径Ｒ ∶＝ ｕ，ｖ∈Ｖ 通过通信复杂性理论证明分布式图计算 ｍｉｎ ｍａｘ ｄ（ｕ，ｖ）表示图中某点到其他所有点最大距离的最小 问题的下界． ｕ∈Ｖ ｖ∈Ｖ 关键词 值，该点一般也称为图的中心点（Ｃｅｎｔｅｒ）；图的围长描绘了图中最短 图分析；分布式算法；分布式复杂 环路的长度；图的中心度用来描述图中每个点的重要性，主要有紧密 性；通信复杂性；拥塞模型 中心度（Ｃｌｏｓｅｎｅｓｓ Ｃｅｎｔｒａｌｉｔｙ）和介数中心度（Ｂｅｔｗｅｅｎｎｅｓｓ Ｃｅｎｔｒａｌｉｔｙ）． 中图分类号 ＴＰ３０１５；ＴＰ３０１６；ＴＰ３３８８ 图中节点ｖ 的紧密中心度ＣＣ（ｖ） 定义为点ｖ 到其他所有点的平均距 文献标志码 Ａ ＝ － 离，即ＣＣ（ｖ） ｄ（ｖ，ｕ） ／ （ｎ １）．ＣＣ（ｖ）越小，则表明点ｖ能较 ( ∑ ) ｕ∈Ｖ 快达到图中其他节点．图中节点ｖ 的介数中心度ＢＣ（ｖ）定义为点ｖ居 任意２点之间最短路径次数占所有最短路径之比例，可以用来判断图 中是否有个重要节点作为整个图的桥梁．节点ｖ 介数的具体定义为 ＢＣ（ｖ）＝ ∑ σ （ｖ）／ σ ，其中点ｓ和ｔ都是图中异于ｖ的点，σ 是ｓ、 ｓｔ ｓｔ ｓｔ