ATLAS：面向十亿级图神经网络的核外高效推理
摘要
在十亿级图上进行图神经网络（GNN）推理对金融科技和推荐系统等领域至关重要。在分布式环境中，由于高昂的通信开销，以及在基于磁盘的核外（OOC）环境中由于高昂的 I/O 开销，在这些大图上进行全图推理极具挑战性。现有的跨磁盘与内存运行的 OOC 系统主要针对 GNN 训练，由于严重的读取放大、不规则的 I/O 以及内存压力，其在全图推理上表现不佳。我们提出了 ATLAS，一个基于磁盘的 GNN 推理框架，能够在拓扑、特征和中间嵌入超过单机可用内存的图上实现高效的全图逐层推理。ATLAS 用基于广播的模型取代了基于收集的执行模式，实现了对每层特征和嵌入的顺序单次流式读取。具有最小挂起消息驱逐机制的分层内存-磁盘存储层次结构、图重排序以及 GPU 加速流水线，在 GiB RAM 和 TiB SSD 的配置下维持了高吞吐量。在包含高达 B 条边和 GiB 特征的核外图以及多种 GNN 架构上，ATLAS 在单工作站上将端到端推理时间相比最先进的（SOTA）OOC 基线提升了 --，而在特征可装入内存时，其性能偏差保持在 以内。
引用
@article{arxiv.2605.09402,
title = {ATLAS: Efficient Out-of-Core Inference for Billion-Scale Graph Neural Networks},
author = {Pranjal Naman and Yogesh Simmhan},
journal= {arXiv preprint arXiv:2605.09402},
year = {2026}
}
备注
Preprint of paper to appear in the proceedings of the 35th International Symposium on High-Performance Parallel and Distributed Computing (HPDC 26): Pranjal Naman and Yogesh Simmhan, "ATLAS: Efficient Out-of-Core Inference for Billion-Scale Graph Neural Networks", in International Symposium on High-Performance Parallel and Distributed Computing (HPDC), 2026