[论文笔记]Graph OLAP: 面向图的联机分析处理

Graph OLAP: Towards Online Analytical Processing on Graphs

研究背景

  联机分析处理(OLAP)是数据分析的一种重要方式。传统的OLAP是对相互独立的数据进行处理，即不考虑数据元组之间的关系。比如超市顾客的购物信息，数据仓库保存的是每个顾客购物时购买的商品集合。使用OLAP可以分析商品之间的关系，挖掘出有用的信息供超市老板调整策略。
  传统的OLAP并不能很好的适用于图结构的分析，因为它没有考虑数据个体之间的连接关系。当前，图分析的重要性日益增长，我们需要从不同角度，以多种粒度对图进行分析，以获取有用的信息。

本篇文章的工作主要分为两部分：

1. 对图OLAP的模型和操作进行定义；
2. 研究图数据立方体的实现及其优化方式。

图OLAP的案例

案例1：合作模式

  该案例对论文会议进行分析，以会议开展的时间和会议名称作为变量，把一次会议作为一个网络图，把在该会议中发表论文的所有作者作为图的顶点，把共同发表同一篇问文章的作者用边连起来，表示合作关系，边上的权值表示合作的次数。

对于这个案例，我们可以提出以下疑问：

1.在2004年的所有DB会议(SIGMOD, VLDB, ICDE等)中作者之间的合作关系是怎样的？
2.在2005年的所有DB会议中作者之间的合作关系是怎样的？
3.在所有年份的所有DB会议中作者之间的合作关系是怎样的？

显然，上述查询可以将原网络图进行叠加获得。具体方式如下图所示。

  可以看到，R.Agrawal和R.srikant在所有年份的所有DB会议中合作发表了33篇论文。此案例是图OLAP较为简单的一种查询。

案例2：最大流

  设想一个城市群构成的网络，网络中的顶点表示城市，城市之间的有向边表示客流承载力。这里以交通方式和相应负责的公司作为变量，将某公司的某种交通方式下的城市群客流承载力作为一张网络图。

我们考虑以下查询：

1.从城市S到城市T，仅考虑飞机的方式，能够达到的客流承载力是多少？
2.从城市S到城市T，仅考虑公司x的运载力，能够达到的客流承载力是多少？

  这类查询没法简单地通过基础网络叠加的方式得到，因为需要计算的网络是最大流网络，而基础网络是运载能力网络。从城市S到城市T的方式不仅可以直达，还可以通过其它城市中转。所以此案例的计算复杂度要大于案例1的计算复杂度。

案例3：合作模式2

  让我们再次回到案例1的场景，但这次的查询与案例1的查询有所不同。事实上，因为参与人数较多，会议上的合作关系网络看起来非常复杂。这时我们想简化一下网络，把作者之间的合作关系简化为高校之间的合作关系。也就是，若作者A属于斯坦福，作者B属于牛津，A与B合作发表了一篇文章，相当于斯坦福与牛津合作发表了一篇文章。

  显然，这类查询是对单张基础网络进行修改，而不涉及到案例1和案例2多张网络的操作。

根据上述三个案例，作者对图OLAP的形式和操作进行了定义。

图OLAP框架

图模型

  作者用一组快照图(snapshot)来表示一个图模型。即g = {G₁, G₂ … G_N}。这里的g相当于数据立方体(Cube)中的方体(Cuboid)，g中的元素G_i相当于方体中的元组(Cell)。
  如案例1所展示的基础图，原始数据按照会议名称和会议时间分成了许多张快照图，这些快照图构成了图数据立方体的基础方体(Base Cuboid)。

  图数据的维度可以分为两类：信息维度(Informational Dimensions)和拓扑维度(Topological Dimensions)。对这两种维度进行操作的OLAP分别称作I-OLAP和T-OLAP。

信息维度

  信息维度是将原始数据拆分为多个快照图的依据。如案例1所示，信息维度包括会议名称和会议时间。在一个快照图中，所有顶点的信息维度值相同。

拓扑维度

  拓扑维度是将快照图中的数据拆分为多个顶点的依据。如案例3所示，拓扑维度包括作者名称和所属院校。

I-OLAP

  本文主要研究了I-OLAP操作，主要分为上卷(Roll-up)、下钻(Drill-down)、切片(Slice)、切块(Dice)四类操作。I-OLAP操作比较简单，因为它主要对快照图进行叠加或拆分操作，不怎么涉及快照图内部的结构修改。

1. 上卷：将多个低层次的快照图叠加为一个高层次聚合快照图，称为I-聚合图(I-aggregated graph)。
2. 下钻：将高层次的I-聚合图拆分为一组低层次的快照图。
3. 切片/切块：基于给定的信息维度，选择符合条件的快照图子集。

T-OLAP

  T-OLAP操作相对比较复杂，因为它涉及到快照图内部结构的变化，作者将T-OLAP作为以后的研究方向。

度量分类

  度量(Measure)即指标，是从维度的基础上去衡算这个元组的值。与传统的OLAP一样，图OLAP的度量可以分为I-分布度量(I-distributive), I-代数度量(I-algebraic), I-整体度量(I-holistic), T-分布度量(T-distributive), T-代数度量(T-algebraic), T-整体度量(T-holistic)。这里作者只分析了前三者。

I-分布度量

  计算I-聚合网络时，其度量值通过叠加低层次的快照图便可求得，如案例1中的合作次数。

I-代数度量

  计算I-聚合网络时，其度量值不能简单地通过叠加低层次快照图获得，但可以通过对有限个I-distributive进行操作求得。如案例2中的最大流。

I-整体度量

  计算I-聚合网络时，其度量值必须从基础快照图开始计算，计算复杂度最大。

优化方式

  由于图模型的复杂性，图OLAP的计算复杂度高于传统OLAP的计算复杂度。其中I-代数度量和I-整体度量的复杂度较大。基于此作者提出了两种优化方案：本地化，稀释化。

本地化

  我们想分析聚合网络中，某两个顶点的信息，或是它们之间的关系信息。从低层次网络中求这些信息时，只访问了它们的邻居顶点，那么称该计算是能够本地化的。
  该优化方式的应用在于，如果我们仅需要获取高层次聚合网络中部分顶点的信息，那么计算相应的低层次网络时，可以只计算对应的部分网络，而不需要将整个网络计算出来。

稀释化

  稀释化的思想是：在计算OLAP操作的过程中，对中间结果(低层次网络)的利用率越高，越能够降低计算整个聚合网络的代价。