원심형 무작위 보행을 이용한 노드 샘플링

초록

본 논문은 네트워크에서 원하는 확률 분포에 따라 노드를 정확히 선택할 수 있는 분산 샘플링 기법을 제안한다. 핵심은 “원심형 무작위 보행(Random Centrifugal Walk, RCW)”이라는 새로운 형태의 무작위 보행이며, 전통적인 마코프 체인 기반 방법과 달리 워밍업 단계가 없고, 샘플링 과정이 네트워크 지름보다 큰 홉 수를 초과하지 않는다. 일반 연결 그래프에서는 최소 지름 스패닝 트리(MDST)와 가중치 집계 전처리를 통해 임의 가중치에 비례한 샘플링을 수행하고, 격자·동심원 형태 네트워크에서는 전처리 없이 거리 기반 확률 분포를 구현한다.

상세 분석

이 논문은 네트워크 샘플링 문제를 두 가지 주요 시나리오로 나눈다. 첫 번째는 임의의 연결 그래프에서 각 노드가 사전에 정의된 가중치 w(x) 에 비례하는 확률로 선택되어야 하는 경우이다. 이를 위해 저자들은 먼저 네트워크 전역에 최소 지름 스패닝 트리(MDST)를 구축한다. MDST는 트리의 직경이 원본 네트워크의 직경보다 크지 않으므로, 이후 수행되는 RCW의 최대 홉 수가 네트워크 직경 D 로 상한을 갖는다. 전처리 단계에서는 트리 기반 집계 알고리즘을 이용해 각 노드가 자신과 연결된 각 이웃 링크마다 서브트리 전체 가중치 T_i(x) 를 계산·저장한다. 이렇게 사전 계산된 값은 RCW가 특정 노드 x 에 도달했을 때 “머무를 확률”(stay probability) q(x)와 “다음으로 이동할 이웃”에 대한 전이 확률 h(x, y) 을 결정하는 데 사용된다. 수학적으로는 방문 확률 v(x) 와 머무를 확률 q(x) 의 곱이 목표 확률 p(x)=w(x)/∑w 와 일치하도록 설계한다. 결과적으로 샘플링 과정은 다음과 같다. 소스 s 에서 시작한 RCW는 현재 노드 x 에 도달하면 사전 계산된 q(x) 에 따라 종료 여부를 판단하고, 종료하지 않을 경우 h(x, y) 에 따라 거리적으로 더 멀리 있는 자식 노드 y 로 이동한다. 이 과정은 트리의 깊이만큼 진행되므로, 워밍업 단계가 전혀 필요 없으며, 정확히 목표 분포를 구현한다는 점이 기존 마코프 체인 기반 방법(Metropolis‑Hastings, Gibbs 등)과 근본적으로 차별화된다.

두 번째 시나리오는 거리 기반 확률 분포, 즉 동일한 홉 거리 k 에 있는 모든 노드가 동일한 선택 확률 p_k 를 갖는 경우이다. 여기서는 전처리 없이도 RCW를 설계할 수 있다. 격자 네트워크(맨해튼 거리)와 “동심원 네트워크”(각 거리 k 에 해당하는 노드 집합을 원형 링으로 보는 구조)에서 저자들은 각 거리 k 에 대해 동일한 방문 확률 v_k 와 머무를 확률 q_k 를 정의한다. 특히 격자에서는 각 노드 (i,j) 의 네 이웃 중 거리 k+1 에 해당하는 후보를 선택할 확률을 위치에 따라 조정함으로써, 전체적으로 p_k = v_k·q_k 가 만족되도록 보장한다. 균일 연결성을 갖는 동심원 네트워크에서는 각 링 k 의 모든 노드가 동일한 상위·하위 이웃 수 γ_k, δ_k 를 가지므로, 동일한 q_k 와 h_k 값을 적용해 간단히 구현한다. 비균일 연결성을 가진 경우에는 기존 네트워크 위에 “오버레이 네트워크”를 구축해 인위적으로 균일 연결성을 부여한다. 시뮬레이션 결과, 이 오버레이 구축 알고리즘은 대부분의 경우 성공적으로 동작하며, 최종 RCW는 여전히 R (최대 링 수) 이하의 홉 수로 샘플링을 종료한다.

핵심 기여는 다음과 같다. (1) RCW는 워밍업이 필요 없으며, 샘플링이 언제든지 정확한 목표 분포를 제공한다. (2) 전처리 단계가 필요하더라도 한 번만 수행하면 여러 소스와 다중 샘플에 대해 재사용 가능하다. (3) 전처리 없는 경우에도 격자·동심원 구조에 대해 거리 기반 분포를 정확히 구현한다. (4) 알고리즘의 시간·통신 복잡도는 전처리 단계에서 O(n) (가중치 집계)와 RCW 수행 시 O(D) 또는 O(R) 홉 수에 국한된다. 이는 기존 마코프 체인 기반 샘플링이 수천·수만 홉을 필요로 하는 것에 비해 현저히 효율적이다.