시간 네트워크 모티프 탐색과 효율적 카운팅

초록

본 논문은 시간에 따라 변하는 네트워크에서 작은 서브그래프 패턴인 δ‑시간 모티프를 정의하고, 이러한 모티프를 빠르게 셈하는 일반 및 특수 알고리즘을 제시한다. 알고리즘은 입력 엣지 수에 선형에 가까운 시간 복잡도를 보이며, 실제 20억 개 이상의 시간 엣지를 가진 데이터셋에서도 기존 방법 대비 56배 가량 속도를 향상시킨다. 실험을 통해 도메인별 모티프 분포 차이와 시간 스케일에 따른 패턴 변화를 밝혀, 시간 네트워크 분석에 새로운 도구를 제공한다.

상세 분석

논문은 먼저 시간 네트워크를 “노드 집합 V와 타임스탬프가 부여된 방향성 엣지들의 집합 T”로 정의하고, 정적 그래프 G는 타임스탬프와 중복을 무시한 형태로 만든다. 이때 δ‑시간 모티프는 k개의 노드와 l개의 엣지로 이루어진 서브시퀀스로, 엣지들의 타임스탬프가 t₁ < t₂ < … < t_l 이며 t_l – t₁ ≤ δ 를 만족하고, 정적 그래프 상에서 연결된 형태여야 한다. 이러한 정의는 기존 정적 모티프에 시간 순서와 시간 창(δ)을 동시에 부여함으로써, “동시성”과 “연속성”을 모두 포착한다.

알고리즘 설계는 크게 두 단계로 나뉜다. 첫 번째는 정적 그래프 G에서 모티프의 정적 형태 H에 해당하는 모든 인스턴스 H₀를 찾는 단계이며, 이는 기존의 그래프 모티프 탐색 알고리즘(예: 색상 코딩, 서브그래프 동형성 검사)을 활용한다. 두 번째 단계는 각 H₀에 대해 해당 노드 쌍 사이의 시간 엣지들을 시간 순서대로 정렬한 시퀀스 S₀를 만든 뒤, 동적 프로그래밍 기반 슬라이딩 윈도우 기법으로 δ‑시간 내에 나타나는 모든 길이‑l 서브시퀀스를 카운트한다. 구체적으로, 현재 윈도우 안에 있는 엣지들의 앞부분(prefix)과 뒷부분(suffix) 카운트를 유지하면서, 새로운 엣지가 들어오면 기존 카운트를 확장하고, 윈도우를 벗어나는 오래된 엣지는 관련 카운트를 감소시킨다. 이 과정은 각 엣지를 한 번씩만 처리하므로 전체 복잡도는 O(m) (m은 전체 시간 엣지 수)이며, l이 상수라면 추가적인 상수 팩터만 존재한다.

특수 모티프(스타와 삼각형)에 대해서는 추가 최적화를 적용한다. 스타 모티프(3노드, 3엣지)의 경우, 중심 노드별로 인접 엣지를 그룹화하고, 각 그룹 내에서 슬라이딩 윈도우를 적용해 O(m) 시간에 카운트한다. 삼각형 모티프는 정적 그래프에서 τ개의 삼각형이 존재할 때, 기존 방법은 O(τ·m) 시간이 소요되지만, 논문에서는 τ^{1/2}·m 의 최악 시간 복잡도를 달성하는 알고리즘을 제시한다. 이는 삼각형 인스턴스를 정적 삼각형 별이 아니라, 정적 삼각형 집합 전체에 대한 집계 구조를 이용해 중복 계산을 방지함으로써 가능해졌다.

실험에서는 이메일, 문자, 페이스북 월포스트, 온라인 메신저 등 8개의 실제 데이터셋을 대상으로 모티프 카운트를 수행했다. 도메인별로 ‘블로킹’(한 번에 한 상대와만 교류)과 ‘논블로킹’(다중 상대와 동시 교류) 패턴이 뚜렷이 구분되었으며, δ 값을 30분, 60분 등으로 변화시켰을 때 특정 모티프(예: 질문‑답변 패턴)가 나타나는 최소 시간 스케일을 추정할 수 있었다. 특히, 2조(2 × 10⁹) 이상의 엣지를 가진 대규모 네트워크에서도 제안 알고리즘은 56.5배 가량 빠르게 동작함을 보였으며, 메모리 사용량도 실용적인 수준을 유지했다.

핵심 기여는 (1) 시간 순서와 시간 창을 동시에 고려한 δ‑시간 모티프 개념 정의, (2) 일반적인 모티프에 대해 선형 시간 복잡도를 보장하는 동적 프로그래밍 기반 카운팅 프레임워크, (3) 스타와 삼각형 같은 특수 구조에 대한 추가 최적화, (4) 다양한 실제 데이터에 적용하여 도메인별 동적 상호작용 특성을 정량화한 실증 연구이다. 이 연구는 시간 네트워크 분석에 있어 “패턴의 빈도와 시간 스케일”을 동시에 파악할 수 있는 강력한 도구를 제공하며, 향후 네트워크 진화 모델링, 이상 탐지, 행동 예측 등에 활용될 가능성이 크다.