복잡네트워크 데이터 표현 효율성 연구

초록

본 논문은 복잡 네트워크를 인접 행렬과 희소 구조 두 가지 방식으로 구현했을 때, 네트워크 생성 및 주요 토폴로지 측정(정도, 클러스터링 계수, 최단 경로, 매개 중심성)의 실행 시간이 어떻게 달라지는지를 실험적으로 비교한다. 에르되시‑레니 모델 두 변형과 바라바시‑알버트 모델을 대상으로 하였으며, 희소 표현이 대부분의 경우 현저히 빠른 성능을 보임을 확인한다.

상세 분석

논문은 복잡 네트워크 분석에서 데이터 구조 선택이 알고리즘 성능에 미치는 영향을 정량적으로 평가한다는 점에서 의미가 크다. 먼저, 정적 인접 행렬 방식은 O(N²) 메모리를 요구하지만, 인덱스 접근이 O(1)이라는 장점이 있다. 반면, 동적 희소 구조(예: 인접 리스트, CSR/CSC 포맷)는 메모리 사용량을 O(E)로 줄일 수 있어 대규모 네트워크에 적합하지만, 이웃 탐색 시 추가적인 포인터 연산이 필요하다. 저자는 세 가지 네트워크 모델을 선택한 이유를 설명한다. 첫 번째 ER 모델은 고정 확률 p로 모든 가능한 간선을 독립적으로 생성하는 전통적 방식이며, 두 번째 ER 변형은 고정된 간선 수 M을 지정해 균등하게 배분하는 방식이다. 이 두 모델은 평균 차수가 낮은 희소 그래프를 만들 가능성이 높아 희소 구조의 효율성을 테스트하기에 적절하다. 바라바시‑알버트 모델은 선호 연결 메커니즘으로 초기 단계에서 고차원 노드가 빠르게 형성되는 스케일프리 특성을 갖는다. 따라서 높은 차수 노드가 존재해 인접 리스트 탐색 비용이 증가할 수 있는 상황을 제공한다.

실험 설계는 네트워크 생성 단계와 네 가지 토폴로지 측정 단계로 구분된다. 생성 단계에서는 무작위 수 생성 및 연결 삽입 연산이 주된 비용이며, 행렬 방식은 매번 전체 행렬을 초기화해야 하는 반면, 리스트 방식은 동적 메모리 할당과 연결 리스트 삽입을 수행한다. 측정 단계에서는 각 노드의 차도 계산, 클러스터링 계수(삼각형 개수와 연결 가능한 이웃 쌍의 비율), 모든 쌍 최단 경로(플로이드‑워셜 vs. 다익스트라), 그리고 매개 중심성(브랜드와 베트라의 알고리즘) 등을 구현한다. 여기서 행렬 기반 플로이드‑워셜은 O(N³) 복잡도로 큰 네트워크에서는 비현실적이지만, 희소 구조에서는 다익스트라를 다중 소스에 적용해 O(N·E·logN) 정도로 효율을 끌어올릴 수 있다.

결과는 크게 두 가지 패턴을 보인다. 첫째, 네트워크가 희소(즉, E ≪ N²)할수록 인접 리스트가 메모리와 시간 모두에서 우위를 점한다. 특히 ER‑M 모델과 바라바시‑알버트 모델에서 10⁴10⁵ 노드 규모까지는 리스트 기반 구현이 520배 빠른 것으로 나타났다. 둘째, 매우 밀집된 경우(예: ER‑p가 0.5 이상)에는 행렬 접근이 캐시 친화적이며, 연산이 단순히 배열 인덱싱에 국한돼 오히려 빠른 결과를 보였다. 그러나 실제 복잡 네트워크 연구에서는 보통 희소성이 전제되므로, 저자는 희소 구조가 전반적으로 더 실용적이라고 결론짓는다.

또한, 구현상의 세부 사항도 성능 차이에 크게 기여한다는 점을 강조한다. 예를 들어, 파이썬 리스트 vs. C++ 벡터, 메모리 풀링, 그리고 병렬화 여부 등이 실험 결과에 영향을 미쳤다. 저자는 향후 연구에서 GPU 기반 희소 행렬 연산이나 분산 메모리 시스템을 활용한 확장성을 탐구할 것을 제안한다.