Randomisierte Algorithmen für Verteilungsprobleme Christian Scheideler Institut für Informatik...

Randomisierte Algorithmen für Verteilungsprobleme

Christian Scheideler

Institut für Informatik

Technische Universität München

Verteilungsprobleme

Problem: Verteilung von Daten auf Speicher

Anwendungen:

• Organisation großer Festplattensysteme

• Peer-to-Peer Systeme

Festplattensysteme

Server

Festplatten

Peer-to-Peer Systeme

Verteilungsprobleme

Anforderungen:

• Skalierbarkeit: Faire Verteilung der Daten und ihrer Anfragen auf Speichereinheiten

• Effizienz: Effiziente Operationen zum Einfügen, Löschen und Suchen von Daten

Verteilungsprobleme

Grundlegender Ansatz: Hashing

Vorteile: O(1) Zeit für Einfügen, Suchen und Löschen von Daten möglich

1 2 3 4

Hashfunktion h

Verteilungsprobleme


Vorteile: skaliert sehr gut, wenn Hash-funktion zufällig gewählt wird

1 2 3 4

Hashfunktion h

Verteilungsprobleme


Nachteil: Standardhashing nicht adaptiv, nicht robust gegenüber gegn. Verhalten

1 2 3 4

Hashfunktion h

Übersicht

• Bälle-in-Urnen – Spiele

• Speicherverwaltung in Festplattensystemen

• Robuste Informations- systeme

Bälle in Urnen

n Urnen

m Bälle

Problem: Faire Verteilung von m Bällen auf n Urnen

Bälle in Urnen

Varianten:• Bälle bj: uniforme oder nichtuniforme

Gewichte wj (Gesamtgewicht 1) • Urnen vi: uniforme oder nichtuniforme

Kapazitäten ci (Gesamtkapazität 1)

Fairness: für jede Urne vi, i2{1,…,n} ist j: bj in vi

wj innerhalb von (1§ )ci für eine kleine

Konstante >0

Bälle in Urnen

Allgemein: Packungsproblem(werden wir hier nicht betrachten)

Hier:

• Beschränkung auf uniforme Ballgewichte

• Statischer Fall: Menge der Bälle und Urnen fest vorgegeben

Bälle in Urnen

Problem: verteile m Bälle gleichen Gewichts gleichmäßig über n Urnen gleicher Kapazität

verwende eine zufällige Hashfunktion

Bälle in Urnen

Hashfunktion zufällig: für jedes Datum x ist h(x) unabhängig von den anderen Daten uniform zufällig über die Menge der Urnen verteilt (d.h. wie echt zufällige Abbildung)

Tatsache: Für eine zufällige Hashfunktion enhält jede Urne im Erwartungswert m/n Bälle.

Ziel: hohe Konzentration um m/n mit hoher Wahrscheinlichkeit

„Mit hoher Wahrscheinlichkeit“ oder „m.h.W.“: >1-1/n für eine beliebige Konstante >1

Bälle in Urnen

Theorem: Mit hoher Wahrscheinlichkeit enthält jede Urne m/n § O( \/(m/n)log n + (log n)/(log log n)) viele Bälle.

Beweis: über Chernoff-Schranken

Chernoff-Schranke: Seien X1,…,Xn unabhängige binäre Zufallsvariablen. Sei X=i Xi und =E[X]. Dann gilt für alle >0

Pr[X >(1+)] < (e / (1+)1+)< e-2 / (2(1+/3))

Pr[X<(1-)] < (e- / (1-)1-) < e-2 /2

Bälle in Urnen

Chernoff-Hoeffding Schranke:Seien X1,…,Xn unabhängige binäre Zufallsvariablen. Sei X=i Xi und p=E[X]/n. Dann gilt für alle 0<<1-p

Pr[X-E[X] > n] <p

p+1-p

1-p-

p+ 1-p- n

Bälle in Urnen

Theorem: Mit hoher Wahrscheinlichkeit enthält jede Urne m/n § O( \/(m/n)log n + (log n)/(log log n)) viele Bälle.

Problem: Für m~n kann die Abweichung von m/n sehr hoch sein.

Lösung: erlaube mehr als einen zufälligen Ort pro Ball

Bälle in Urnen

Bälle in Urnen

Theorem: Für zwei zufällige Hashfunktionen existiert mit hoher Wahrscheinlichkeit eine Zuweisung von Bällen auf Urnen mit maximal dm/ne+1 Bällen pro Urne.

Beweis:• U: Teilmenge der Urnen• (U): Menge der Bälle, die alle Alternativen in U

haben

Lemma: Die minimax Last ist maxU=; |(U)|/|U|

Bälle in Urnen

Lemma: Die minimax Last ist L=maxU=; |(U)|/|U|

Beweis:

L

…..

U1 U2

beliebige Ballplatzierung

Bälle in Urnen

U1S1S2

S3

Alternative Hashpos.

Sk

. . .

U2

Bälle in Urnen

Lemma: maxU=; |(U)|/|U|<=dm/ne + 1 mit hoher Wahrscheinlichkeit.

Lemma: Für m>cn log n ist maxU=;|(U)|/|U| <=dm/ne mit hoher Wahrscheinlichkeit.

Beweis: ÜbungIdee:• Zeige, dass für jede Urnenmenge U gilt

Pr[ |(U)|/|U|>dm/ne ] < 1/n|U| • Fallunterscheidung zwischen |U|<=(2/3)n

(Chernoff) und |U|>(2/3)n (Chernoff-Hoeffding).

Bälle in Urnen

Theorem: Für zwei zufällige Hashfunktionen existiert mit hoher Wahrscheinlichkeit eine Zuweisung von Bällen auf Urnen mit maximal dm/ne+1 Bällen pro Urne.

Problem: wie schwierig ist es, solch eine Verteilung (annäherungsweise) zu erhalten?

Bälle in Urnen

Algorithmus 1: Minimumregel [KLM92]• Platziere die Bälle hintereinander in die

Urnen.• Für jeden Ball, wähle die Urne mit

minimaler Last aus.

Theorem: Die Minimumregel resultiert in einer Last von m/n + O(log log n) mit hoher Wahrscheinlichkeit.

Bälle in Urnen

Beweisidee für Minimumregel:

Last 4d d=log log n

…1 d2

1 2 d 1 2 d… … 2 innere Knoten,d-2 Blätter

d innere Knoten

Tiefe d

Lasten 4d-1..3d

1 2 d… 1 2 d…

… …

Bälle in Urnen

Zu zeigen: m.h.W. kommt so eine Struktur nicht in dem Graph G=(V,E) vor, in dem V die Urnen und E die Bälle mit ihren Alternativen darstellt.

Problem: Bälle können mehrmals vorkommen!

Übung: zeige zumindest, dass Wahrscheinlichkeit für Baumstruktur sehr gering ist, falls alle Bälle in ihr verschieden sind.

Bälle in Urnen

Algorithmus 2: L-Kollisionsregel [MD93, Sch93]• Alle Bälle sind anfangs aktiv.• Wiederhole, bis alle Bälle inaktiv

– Bestimme bezüglich der aktiven Bälle die Last für jede Urne für beide Hashfunktionen.

– Für alle Urnen mit einer Last von <= L werden alle aktiven Bälle mit Alternativen darin inaktiv.

Theorem: Die Kollisionsregel terminiert w.h.W. für L = O(m/n) in O(log log n) Runden.

Bälle in Urnen

Beweisidee für Kollisionsregel:

Last >L

…1 L2

1 2 L 1 2 L… … L innere Knotenmit Grad L

L innere Knotenmit Grad L

d Runden,d=log log n

Bälle in Urnen

Vorteile beider Strategien: L-Kuckucksregel:• Füge Bälle hintereinander in Urnen ein.• Platziere Ball x in Urne mit minimaler Last, sei v

diese Urne• Wiederhole, bis v eine Last <=L hat

- wähle einen zufälligen Ball x in v- platziere x in Alternativurne, sei diese Urne v

Behauptung: Kuckucksregel terminiert in Zeit O(m) m.h.W. mit L=min{O(m/n), m/n + O(log log n)}

Übersicht



• Robuste Informations- Systeme

Verteilte Speichersysteme

Daten

Speicher

Annahme: Daten haben uniforme GrößenProblem: Menge der Speicher jetzt dynamisch

Verteilte Speichersysteme

Anforderungen:• Fairness: j: bj in vi

wj innerhalb von (1§ )cifür eine beliebige Konstante >0.

• Effizienz: Ort jedes Datums kann zeit- und speichereffizient bestimmt werden

• Adaptivität: Für jeden Wechsel von (c1,…,cn) nach (c´1,…,c´n) ist die Menge der umzu-platzierenden Daten nahezu minimal (d.h. nahe (m/2)i|ci-c´i| )

• Redundanz: Jedes Datum hat k Kopien auf verschiedenen Speichereinheiten.

Uniforme Speichersysteme

Anforderungen:• Fairness: Anzahl Daten in Speicher i innerhalb

von (1§ )m/n für eine beliebige Konstante >0.• Effizienz: Ort jedes Datums kann zeit- und

speichereffizient bestimmt werden• Adaptivität: Für jeden Wechsel von n-1 nach n

oder n nach n-1 Speichern ist die Menge der umzuplatzierenden Daten nahezu minimal (d.h. nahe m/n )

• Redundanz: Jedes Datum hat k Kopien auf verschiedenen Speichereinheiten.


Konsistentes Hashing [KLL+97]:

1 2 3 4 5

0 1

Hash h

Hash g

R2


Theorem: Für jedes i2{1,…n} ist j: bj in vi wj

innerhalb von (1§ )|Ri|+O(log n / m) m.h.W. für eine beliebige Konstante >0.

Beweis:

Verwende Chernoff-Schranken.


Theorem: Für jedes i2{1,…n} ist E[|Ri|] = 1/n.Beweis:• Für alle i,j ist E[|Ri|] = E[|Rj|] (Symmetrie)• i |Ri|=1, also E[i |Ri|] = i E[|Ri|] = 1• Daher ist E[|Ri|] = 1/n für alle i

Konsistentes Hashing ist also im Erwartungswert fair (sowie effizient, adaptiv, und kann einfach auf Redundanz erweitert werden).

Problem: Abweichung vom Mittelwert kann groß sein! (Übung: in [(1/n2), ((log n)/n)] )


Problem: Abweichung vom Mittelwert kann groß sein (in [(1/n2), ((log n)/n)] )

Lösungen:• Verwende (log n) Hashfunktionen für die

Speicher. Damit hat jeder Speicher (log n) Regionen in [0,1) mit Gesamtgröße innerhalb (1§ )/n m.h.W.

• Verwende Cut & Paste Methode


Cut & Paste Methode [BBS00]:

0 1

Hash h

1 2 3 4 5

mittels Cut&Paste


10

1

10

1

2 10

1

2

1/21/3

3

1/2

10

2

1/3

3

1/4

4

usw.Speicher i raus: letzterSpeicher (d.h. n) über-nimmt dessen Platz


Tatsache: Cut&Paste weist jedem Speicher einen Teil von [0,1) der Größe exakt 1/n zu.

Theorem: Bei Anwendung von Cut&Paste von 1 nach n Speichern wird jedes Datum höchstens dlog ne–mal umplatziert.

Beweis: Übung.

Konsequenz: Damit Position jedes Datums effizient berechenbar (O(log n) Zeit).

Nichtuniforme Speichersysteme

SHARE Strategie [BSS02]:

0 1

Hash h

1 2 3 4 5

Hash g

R2

|Ri|=s ¢ ci

für Stretch s


Wende zur Entscheidung konsistentes Hashing auf überschneidende Menge der Speicher an.

0 1

1 2 3 4 5

Speicher 2 oder 4?


Lemma: Für einen genügend großen Stretch s=(log n) ist die Anzahl der Intervalle über jeden Punkt in [0,1) innerhalb von (1§ )s m.h.W.

Beweis: Übung.

Theorem: Unter der Annahme, dass für jedes Datum x mit k Speicherintervallen über h(x) es gleichwahrscheinlich ist, in welchem der k Speicher x gespeichert wird, ist SHARE fair.


Probleme:

• Da SHARE auf konsistentem Hashing aufbaut, Probleme mit Abweichungen bei Fairness

• SHARE kann im Allgemeinen nicht Redundanz sicherstellen. Beispiel:

1/2 1/4 1/4 Redundanz k=2


SIEVE Strategie [BSS02]:

1 2 3 4 5 6 7 8

2n Intervalle (Rahmen) der Größe 1/2n

0 1

• Jeder Rahmen ist höchstens einem Speicher zugeordnet.• Speicher i verwendet bis auf einen alle seine Rahmen vollständig, so dass insgesamt ein Bereich von ci/2 in [0,1) abgedeckt wird (wichtig für Adaptivität!)


SIEVE Strategie [BSS02]:

0 1

0 1

0 1

h1

h2

h3

log n) viele Hashfunktionen


Theorem: SIEVE ist fair, effizient und adaptiv m.h.W.

Beweis:

Fairness:

• Jede Urne i deckt ci/2 von [0,1) ab

• Chernoff-Schranken

Übersicht



• Robuste Informations- systeme

Skalierbare Informationssysteme

Klassische Netzwerktheorie: Graphfamilien

Beispiel: d-dim. de Bruijn Graph G=(V,E)• V = {0,1}d

• E = { {x,y} | x=(x1,…,xd), y=(b,x1,…,xd-1), b 2 {0,1} beliebig}

Wir brauchen: dynamische Form des de Bruijn Graphen (Peers gehen rein / raus)

00

01

10

11




• Betrachte (x1,…,xd) als 0.x1 x2…xd 2 [0,1), d.h. 0.101 = 1 ¢ (1/2) + 0 ¢ (1/4) + 1 ¢ (1/8)

• Setze d ! 1




Ergebnis für d ! 1:• V = [0,1)• E = { {x,y} 2 [0,1)2 | y=x/2, y=(1+x)/2 }


Kontinuierlicher de Bruijn Graph:

• V = [0,1)

• E = { {x,y} 2 [0,1)2 | y=x/2, y=(1+x)/2 }

Wie verwenden wir das für ein skalierbares Informationssystem?

Kontinuierlich-diskrete Methode! [NW03]

Kontinuierlich-Diskrete Methode

0 1

Peers

Jedem Peer wird zufälliger Punkt in [0,1) zugewiesen

Peers teilen [0,1) in Regionen auf

v

R(v)=[v,succ(v))

Kontinuierlich-Diskrete Methode

Kontinuierlicher de Bruijn Graph:• V = [0,1)• E = { {x,y} 2 [0,1)2 | y=x/2, y=(1+x)/2 }

0 1

Seien f0(x)=x/2 und f1(x)=(1+x)/2.Betrachte R0(v)=f0(R(v)) und R1(v)=f1(R(v)).

R1(v)R(v)R0(v)

Kontinuierlich-diskrete Methode

Verknüpfungsregel:• Kreiskanten: Peer v verbindet sich mit pred(v) und

succ(v) in [0,1)• De-Bruijn Kanten: Peer v verbindet sich mit allen Peers

w, für die R0(v) oder R1(v) mit R(w) überlappt.

Updates sehr einfach:• Join(v):

– Kreiskanten:

– De Bruijn Kanten:

pred(v) succ(v) pred(v) succ(v)v

0 1

pred(v) succ(v)v

R(v)

Kontinuierlich-diskrete Methode

Verknüpfungsregel:• Kreiskanten: Peer v verbindet sich mit pred(v) und

succ(v) in [0,1)• De-Bruijn Kanten: Peer v verbindet sich mit allen Peers

w, für die R0(v) oder R1(v) mit R(w) überlappt.

Updates sehr einfach:• Leave(v):

– Kreiskanten:

– De Bruijn Kanten:

pred(v) succ(v)pred(v) succ(v)v

0 1

pred(v) succ(v)v

R(v)

Datenzuweisung

0 1

Daten

Peers

Verwende konsistentes Hashing von [KLL+97]

(pseudo-)zufällige Hashfunktion

Robuste Informationssysteme

Skalierbarkeit ist nicht alles!

Robustheit gegenüber gegnerischemVerhalten immer drängender!!

InternetInternet InternetInternet

Ideale Welt

Vier Gebote:

1. Du sollst nicht schlafen

2. Du sollst nicht lügen

3. Du sollst nicht stehlen

4. Du sollst nicht töten

Maßnahmen bei Verletzungen:

Nicht so einfach wie es scheint…

!

Übersicht

• Methoden gegen Verletzungen von1. Du sollst nicht schlafen (fail-stop)2. Du sollst nicht lügen (Gegner)

• Methoden gegen Verletzungen von4. Du sollst nicht töten (DoS-Attacken)

Grundlegender Ansatz

Peers/Server formen einen Kreis

gegnerische Peersehrliche Peers

Zustände dem System nicht bekannt!

Robustheit

Gegenmaßnahmen zu:

1. Du sollst nicht schlafen

2. Du sollst nicht lügen Forme lokale Quoren

Halte gegn. Peers gut verteilt

Robustheit

Statische Menge von Peers:

Wähle zufällige Permutation für Anordnung

Robustheit

Dynamische Menge von Peers:

Zwei Operationen: Join und Leave

Join-Leave Robustheit

Problem: finde zustandslose Join und Leave Operationen, so dass für jede (selbst adaptive) Join-Leave Sequenz gegnerischer Peers die gegnerischen Peers im Kreis gut verteilt sind.


Modell:• n ehrliche Peers• n gegnerische Peers, <1• Zeit unterteilt in Runden• In jeder Runde kann Gegner Join oder Leave

Operation für einen gegnerischen Peer aufrufen

Ziel: finde Join und Leave Operationen, so dass für alle Folgen F von c log n Peers auf Kreis gilt:

Mehrheitsbedingung: die ehrlichen Peers in F sind in der Mehrheit.


Join-Operation:k-Rotation [Sch05]:- neuer Peer zunächst positionslos- vertausche (k-1)-mal hintereinander positionslosen mit zufälligem Peer im Kreis

- füge positionslosen Peer zufällig ein


Theorem: Solange < 1-2/k ist, gilt Mehr-heitsbedingung für poly viele Runden m.h.W., egal was der Gegner macht.

Analyse der k-Rotationsregel

Unterteile Regel in Stufen:• Stufe 0: neuer Peer ist obdachlos

• Stufe i 2 {1,…,k-1}: Position p wird uniform zufällig gewählt, obdachloser Peer wird in p plaziert, Peer vorher in p wird neuer obdachlose Peer

• Stufe k: obdachloser Peer wird in neuer zufälliger Position plaziert

Analyse der k-RotationsregelKonzentration auf einzelne Position p:• Zustandsraum: {(0,0),(0,1),(1,0),(1,1)}• Stufe 0: (0,0) ! (0,1), (1,0) ! (1,1)• Stufe i 2 {1,…,k-1}:

• Stufe k: {(0,0),(0,1)}!(0,0), {(1,0),(1,1)}!(1,0)

0,0 0,1 1,0 1,1

1-n/N

(n-1)/N

1/N

1/N

1-(n+1)/N

n/N

N: Anzahl Peers, n: ehrliche (blaue) Peers

n/N 1-n/N

n/N1-n/N

0: blau, 1: rot

(p,h)


Konzentration auf einzelne Position p:

• Anfangs hat p Verteilung (x,0,y,0), x+y=1

• Am Ende hat p Verteilung (x’,0,y’,0) mit

• Stationäre Verteilung: y’=y, N=(1+)n


Theorem: Für k>2 ist die worst-case Wahr-scheinlichkeitsverteilung der Zahl der roten Peers in einer Folge der Größe s=(log n) nach oben & unten beschränkt durch eine Binomialverteilung mit E.wert


Problem: viele Peer-to-Peer Systeme platzieren Peers in virtuellen Raum


Problem: viele Peer-to-Peer Systeme platzieren Peers in virtuellen Raum

Einfachster virtueller Raum: [0,1)-Intervall

0 1


• n ehrliche Peers, n gegn. Peers, <1

• Jeder Peer hat Punkt in [0,1)

0 1


Ziel: Für jedes Interval I ½ [0,1) der Größe (c log n)/n, c konstant, gilt:

• Balancierung: (log n) Peers in I

• Mehrheit: ehrliche Peers in Mehrheit in I

0 1I

Wie sind Bedingungen zu erfüllen?

Chord: verwendet kryptographische Hashfunktion, um Peers Punkte in [0,1) zuzuweisen

• zufällige Verteilung der ehrlichen Peers• keine zufällige Verteilung der gegnerischen Peers

01


CAN: weist den Peers zufällige Punkte in [0,1) zu


Group Spreading [AS04]:

• Weise Peers zufällige Punkte in [0,1) zu

• Begrenze die Lebenszeit der Peers

Zu teuer!


k-Kuckuck-Regel [AS06]:

leere k/n-Region

n ehrlich n gegnerisch

< 1-1/k

Analyse der k-Kuckucksregel

• k-Region: Region der Größe k/n• Alter einer k-Region: Anzahl Runden seit

letztem Treffer in Kuckucksregel.• R: feste Region aus (c log n) k-Regionen• Alter von R: Alter seiner k-Regionen• Neuer Peer: noch nicht replaziert• >0: kleine Konstante

Lemma 1: R enthält <=c log n neue Peers.


Lemma 2: R hat Gesamtalter von (1 § ) (c log n)n/k, m.h.W.

Beweis:

• Alter jeder seiner k-Regionen Ri: Pr[Alter(Ri)=t] = (k/n)(1-k/n)t-1

• Alter der k-Regionen quasi-unabhängig, damit Alter von R konzentriert um E[R] = i E[Ri] = i n/k = (c log n)n/k


• R: feste Region aus c log n vielen k-Regionen• T=(/)log2 n• >0: kleine Konstante

Lemma 3: In jedem Zeitintervall der Größe T werden m.h.W. (1§ )kT blaue Peers und <(1+)kT rote Peers umplaziert.

Lemma 4: R hat m.h.W. (1§ )(c log n)k alte blaue Peers und <(1+)(c log n)k alte rote Peers.

Beweis: Übung


# blaue Peers in R: >(1-)(c log n)k

# rote Peers in R:<(1+)(c log n)k + (c log n)

Theorem: Unter der k-Kuckucksregel sind für jedes k>1 und <1-1/k die Balan-cierungs- und Mehrheitsbedingungen m.h.W. erfüllt.

Grenzen der Kuckuck-Regel

• Funktioniert nur für Join-Leave Sequenzen von gegnerischen Peers.

k-flip&cuckoo Regel [AS07]

• Join: wie zuvor (k-Kuckuck-Regel)

• Leave: wähle zufällige k/n-Region unter benachbarten c log n k/n-Regionen, leere & vertausche sie mit zufälliger

k/n-Region

n ehrlich n gegnerisch

Tauschjoin

Übersicht

• Methoden gegen Verletzungen von1. Du sollst nicht schlafen (fail-stop)2. Du sollst nicht lügen (Gegner)

• Methoden gegen Verletzungen von4. Du sollst nicht töten (DoS-Attacken)

• Weitere Probleme und Ausblick

Fundamentales Dilemma

• Skalierbarkeit:Minimiere Ressourcen für Operationen

• Robustheit:Maximiere DoS-Aufwand für Angreifer

Gegner hat Insider-Wissen: keine Chance!!

DoS-resistente Informationssysteme

Past-Insider-Attacke: Gegner kennt alles über System bis (unbekannte) Zeit t0

Ziel: skalierbares Informationssystem, so dass alles, was nach t0 eingefügt oder aktualisiert worden ist, sicher (m.h.W.) gegen jede past-insider DoS Attacke ist, die einen beliebigen -Bruchteil der Server lahmlegen kann (für ein >0)

Sie sind gefeuert!

Past insider DoS-Attacke

Dilemma:• Explizite Datenstruktur: Konsistenzprobleme

unter einer DoS-Attacke• Feste Hashfunktion: Strukturlos, aber trotzdem

leicht zu attackieren• Zufällige Platzierung: schwer zu attackieren,

aber Suche teuer

Kombiniere Hashing mit zufälliger Platzierung!!

Past-insider-resistentes System

hashbasierte Position (davon O(log n) viele)

zufällig gestreute Kopien

[AS07]

Fragen?

Übungen

1. Zeige: maxU=; |(U)|/|U|<=dm/ne + 1 m.h.W. für m> cn log n für eine genügend große Konstante c.

2. Zeige, dass die Zeugenstruktur für die Minimum-Regel sehr unwahrscheinlich für den Fall ist, dass alle Bälle in ihr verschieden sind.

3. Zeige, dass es beim konsistenten Hashing erwartungsgemäß mindestens eine Region Ri gibt mit |Ri|<=1/n2 und mindestens eine Region Ri gibt mit |Ri|>=(log n)/n.

Übungen

4. Zeige: Bei Anwendung von Cut&Paste von 1 nach n Speichern wird jedes Datum höchstens dlog ne–mal umplatziert.

5. Zeige, dass für einen genügend großen Stretch s=(log n) die Anzahl der Invervalle über jeden Punkt in [0,1) innerhalb von (1§ )s m.h.W. ist.

6. Beweise Lemma 4 der Kuckucksregel, d.h. R hat m.h.W. (1§ )(c log n)k alte blaue Peers und <(1+)(c log n)k alte rote Peers. Benutze dazu die vorigen Lemmata.

Randomisierte Algorithmen für Verteilungsprobleme Christian Scheideler Institut für Informatik...

Documents

Transcript of Randomisierte Algorithmen für Verteilungsprobleme Christian Scheideler Institut für Informatik...