대규모 그래프를 위한 독립집합 기반 거리 라벨링 기법 IS‑LABEL

초록

본 논문은 독립집합을 활용해 그래프를 다계층 구조로 분해하고, 각 정점에 소형 라벨을 부여함으로써 수백만~수억 규모의 희소 그래프에서도 정확한 정점 간 최단거리 질의를 빠르게 처리할 수 있는 인덱스인 IS‑LABEL을 제안한다. 기존 2‑hop 라벨링·트리 분해 방식이 메모리·시간·공간 측면에서 한계에 부딪히는 문제를 해결하고, 디스크 기반 구축 알고리즘을 통해 외부 메모리에서도 효율적으로 동작한다.

상세 분석

IS‑LABEL은 그래프 G를 독립집합 I₁, I₂,…,I_h 로 순차적으로 추출하면서 각 단계에서 남은 정점 집합 V_i 를 유지한다. I_k 가 G_k 에서 독립집합이 되면, I_k 에 속한 정점들을 제거하고 남은 서브그래프 G_{k+1} 에는 “보강 엣지”(augmenting edge)를 삽입한다. 보강 엣지는 제거된 정점 v 를 경유하던 두 이웃 u, w 사이에 직접 연결을 만들고, 가중치는 ω(u,v)+ω(v,w) 로 설정한다. 이렇게 하면 G_{k+1} 가 G_k 와 동일한 정점 간 최단거리를 보존한다는 거리 보존(property) 증명이 제시된다. 독립집합 특성 덕분에 보강 엣지 생성 시 각 v 에 대해 이웃들의 2‑hop 조인만 수행하면 되므로, 구축 비용이 급격히 감소한다.

라벨링 단계에서는 각 정점 x 에 대해 자신이 속한 레벨 이하의 모든 독립집합 정점 v 에 대한 (v, dist_G(x,v)) 쌍을 저장한다. 라벨 크기는 레벨 수와 독립집합의 크기에 비례하지만, 독립집합이 그래프 전체에 고르게 퍼져 있어 평균 라벨 크기가 작게 유지된다. 질의(s,t) 시에는 L_out(s)와 L_in(t)의 교집합을 탐색해 최소값 min_{v∈L_out(s)∩L_in(t)}(dist(s,v)+dist(v,t)) 를 계산한다. 교집합 탐색은 라벨이 정렬된 리스트 형태이므로 선형 합병 방식으로 빠르게 수행된다.

또한 논문은 대규모 그래프가 메모리에 적재되지 않을 경우를 대비해, 디스크 기반의 라벨 구축 알고리즘을 설계한다. 독립집합 추출과 보강 엣지 삽입을 스트리밍 방식으로 수행하고, 라벨을 순차적으로 디스크에 기록함으로써 I/O 비용을 최소화한다. 실험에서는 10⁸ 정점·10⁹ 엣지 규모의 웹·소셜 네트워크 데이터를 대상으로 기존 2‑hop 라벨링, 트리 분해 기반 인덱스와 비교했을 때, 구축 시간·메모리 사용량·라벨 크기 모두 현저히 우수함을 보였다.

핵심 인사이트는 (1) 독립집합을 이용한 계층적 정점 제거가 거리 보존을 손상시키지 않으면서도 보강 엣지 수를 제한한다는 점, (2) 라벨에 포함되는 정점이 독립집합에 국한되므로 라벨 크기가 자연스럽게 얇아진다, (3) 이러한 구조가 외부 메모리 환경에서도 효율적인 스트리밍 구축을 가능하게 한다는 점이다. 따라서 IS‑LABEL은 “대규모 희소 그래프에 최적화된 정확한 거리 인덱스”라는 새로운 패러다임을 제시한다.