대규모 근접 클리크의 분산 탐색

초록

이 논문은 무방향 그래프에서 ε‑near clique(전체 쌍 중 ε 비율만 빠진 완전 그래프)를 찾는 분산 알고리즘을 제시한다. 그래프에 선형 크기의 ε³‑near clique가 존재하면, 상수 시간·상수 확률로 선형 크기의 ε‑near clique를 발견한다. 메시지는 O(log n) 비트이며, 실패 확률은 O(log n) 라운드에서 n^{‑Ω(1)} 로 감소한다. 또한 크기가 Ω(n/log^{α} log n) 인 클리크가 존재할 경우에도 동작한다.

상세 분석

본 논문은 CONGEST 모델을 전제로 하며, 각 라운드마다 O(log n) 비트의 제한된 메시지만을 교환할 수 있는 환경에서 대규모 근접 클리크를 효율적으로 탐색하는 알고리즘을 설계한다. 핵심 아이디어는 무작위 샘플링과 지역 검증을 결합해 전역적인 구조를 추정하는 것이다. 먼저, 각 정점은 일정 확률 p=Θ(1) 로 “시드”가 되도록 독립적으로 선택된다. 시드가 된 정점들은 자신의 2‑hop 이웃에게 자신이 시드임을 알리고, 이웃 정점들은 자신이 연결된 시드들의 집합을 수집한다. 이렇게 형성된 시드 집합은 전체 그래프에서 밀집된 부분을 대표할 가능성이 높으며, 특히 ε³‑near clique가 존재한다면 그 내부의 상당수 정점이 시드가 될 확률이 충분히 크다.

다음 단계에서는 각 정점이 자신이 관찰한 시드 집합에 대해 “근접 클리크 후보” 여부를 로컬하게 판단한다. 구체적으로, 정점 v는 자신이 연결된 시드 집합 S_v에 대해 |S_v|·(1‑ε) 이상이 서로 연결되어 있는지를 확인한다. 이는 각 시드 간의 연결 정보를 2‑hop 이웃을 통해 교환함으로써 O(1) 라운드 안에 수행될 수 있다. 후보 정점들은 자신이 속한 후보 집합 C를 형성하고, C 내부에서 추가적인 정제 과정을 거쳐 ε‑near clique의 정의를 만족하는지 검증한다. 이 과정에서 각 정점은 자신이 속한 후보 집합의 크기와 내부 결함(edge missing) 수를 로컬 카운트하고, 전체 후보 집합이 충분히 크고 결함 비율이 ε 이하이면 최종 결과로 채택한다.

알고리즘의 성공 확률은 시드 선택 확률과 후보 정제 단계에서의 Chernoff 경계에 의해 보장된다. ε³‑near clique가 선형 크기라면, 시드가 된 정점 중 최소 Ω(ε³ n) 개가 해당 near clique에 포함될 확률이 상수 수준으로 유지된다. 이들 시드가 형성하는 후보 집합은 원래 near clique의 거의 전체를 포함하므로, 로컬 검증 단계에서 ε‑near clique 조건을 만족하게 된다. 따라서 전체 알고리즘은 상수 라운드(구체적으로 3~4 라운드) 안에 선형 크기의 ε‑near clique를 찾으며, 성공 확률은 최소 1/2 정도가 된다.

실패 확률을 더 낮추고자 하면, 알고리즘을 O(log n) 라운드 반복하여 독립적인 시도들을 수행한다. 각 시도가 독립적이므로 전체 실패 확률은 (1‑c)^{O(log n)} = n^{‑Ω(1)} 로 지수적으로 감소한다. 메시지 크기는 각 라운드마다 정점 ID와 카운트 정도만 전송하면 되므로 O(log n) 비트에 머문다.

또한 논문은 ε‑near clique 대신 완전 클리크가 존재하는 경우에도 적용 가능함을 보인다. 그래프에 크기 Ω(n/ log^{α} log n) (0<α<1) 인 클리크가 있다면, 동일한 샘플링·검증 프레임워크를 사용해 해당 클리크를 상수 라운드 내에 발견할 수 있다. 이는 기존의 전역 탐색 기반 알고리즘에 비해 통신량과 시간 복잡도에서 큰 이점을 제공한다.

마지막으로, 알고리즘은 무방향 그래프뿐 아니라 방향 그래프에도 확장 가능하며, ε 값이 상수가 아닌 경우에도 적절한 파라미터 조정을 통해 동일한 복잡도 보장을 얻을 수 있다. 전체적으로 이 연구는 제한된 메시지 크기와 동기식 라운드 제약 하에서 대규모 근접 클리크를 효율적으로 탐색할 수 있는 새로운 패러다임을 제시한다.