Efficient Cohesive Subgraphs Detection in Parallel

本文由北京大学邵蓥侠，陈雷，崔斌老师发表论文

本文首先介绍了一种内聚子图k-truss，通过将其与k-core相比凸显其优良性，但是由于计算过程中巨大的通信开销和大量的迭代次数，所以k-truss的并行解决方案对于大型图的效率仍然有待改善。

本文提出了一种新颖的并行高效truss检测算法PETA，PETA算法为每个计算节点构造一个三角完整子图（TC子图）。根据TC子图，该算法可找到并行的局部k-truss。而来自TC子图的局部k-truss简单结合正好是全局k-truss。此外，该算法在连续迭代之间通过应用无缝检测避免了繁琐的三角计数（重新启动）。在新框架中，最高的通信开销有上限，而实际通信开销与无效三角的规模有关。总计算复杂度与著名有序算法和最小迭代次数相同。

实施PETA方法：
首先确定频率和边沿初始之间的幂律分布，即边支持法。边支持法确保了PETA可以在实际中有更少的图空间开销。此外，通过应用一个边均衡分区，这部分空间开销会进一步减少。构造三角完整子图并避免了无缝检测技术带来的多余计算。我们需要将广泛顶点中心模型扩展为面向子图的模型，面向子图的模型把局部子图（分区）看作最小的操作单元，并允许用户直接访问和更新局部图。

本文假设空子图是图G的k-truss（评断k），任何图G至少有一个k-truss来评断k。在图G可确保一个条件中只有一个Γk：对于固定阈值k，在图G中仅存在一个最大k-truss。通过计数边e周围的三角简单计算了θ（e）。两种解决方案基本操作说明如下：
1、经典解决方案：按照ID的升序对每条顶点的邻点进行排序。对于边（u，v），算法可计算O（d（