대규모 커뮤니티 구조를 위한 확장 가능한 생성 그래프 모델

초록

BTER(Block Two‑Level Erdős‑Rényi) 모델은 실세계 네트워크의 두 핵심 특성인 정점 차수 분포와 차수별 클러스터링 계수를 동시에 재현하도록 설계된 확장 가능한 그래프 생성기이다. 본 논문은 BTER를 기존의 확장 가능한 모델들과 비교·평가하고, O(dₘₐₓ) 메모리와 O(log dₘₐₓ) 연산 복잡도로 대규모 그래프(4.6 억 엣지)까지 생성 가능한 구현을 제시한다.

상세 분석

본 연구는 그래프 생성 모델 중에서도 특히 커뮤니티 구조를 반영하는 것이 어려운 문제에 주목한다. 기존의 선호적 연결(Preferential Attachment)이나 Stochastic Kronecker Graph(SK G)와 같은 모델은 차수 분포는 잘 맞추지만, 삼각형(클러스터링) 형성률이 현저히 낮아 실제 소셜 네트워크와의 차이가 크다. BTER는 이러한 한계를 극복하기 위해 두 단계(Phase 1, Phase 2)로 그래프를 구성한다.

Phase 1에서는 정점들을 ‘친화 블록(affinity block)’이라 불리는 작은 집단으로 나누고, 각 블록 내부를 고밀도 Erdős‑Rényi 그래프로 채운다. 블록 크기와 내부 연결 확률(ρ)은 입력된 차수별 클러스터링 계수 c_d에 의해 직접 계산되며, 이는 차수가 낮은 정점일수록 더 높은 ρ를 갖게 함으로써 로컬 삼각형 비율을 높인다. 이 단계는 차수 분포를 유지하면서도 높은 로컬 밀도를 제공한다.

Phase 2에서는 블록 간에 전역 연결을 추가한다. 여기서는 Chung‑Lu 모델의 빠른 구현을 차용해, 각 정점이 원하는 차수 d_i에 비례하여 엔드포인트를 독립적으로 샘플링한다. 이 과정은 O(m) 시간에 수행되며, 자체 루프와 중복 엣지는 사후에 제거한다. 중요한 점은 전역 연결이 차수 분포를 정확히 맞추는 동시에, 블록 내부에서 이미 형성된 클러스터링을 크게 손상시키지 않는다는 것이다.

저자들은 구현상의 메모리 요구량을 O(dₘₐₓ)로 제한하기 위해, 각 정점의 남은 ‘스텁(stub)’ 수만을 저장하고, 블록 별로 정점 리스트를 압축한다. 또한, 엔드포인트 선택을 이진 탐색 트리 혹은 힙 구조로 관리해 O(log dₘₐₓ) 복잡도를 달성한다. 이러한 설계는 Hadoop MapReduce 환경에서도 손쉽게 병렬화될 수 있어, 수십억 엣지를 가진 웹 그래프까지도 수시간 내에 생성 가능함을 실험을 통해 증명한다.

비교 실험에서는 BTER가 실제 웹·소셜 네트워크의 차수 분포와 클러스터링 프로파일을 가장 정확히 재현했으며, SK G와 Chung‑Lu 대비 클러스터링 계수가 수배 이상 높았다. 또한, BTER는 파라미터 튜닝이 직접적인 수식에 의해 이루어지므로 반복적인 최적화 과정이 필요 없으며, 이는 벤치마크용 그래프 생성 시 큰 장점으로 작용한다.

요약하면, BTER는 (1) 차수 분포와 차수별 클러스터링을 동시에 맞출 수 있는 이론적 기반, (2) O(dₘₐₓ) 메모리와 O(log dₘₐₓ) 연산 복잡도로 대규모 그래프를 효율적으로 생성, (3) 간단한 파라미터 계산과 병렬 구현 가능성이라는 세 축에서 기존 모델들을 능가한다.