极端规模幂律图的设计、生成与验证
分布式、并行与集群计算
2018-12-17 v1 离散数学
数据结构与算法
性能
组合数学
摘要
大规模幂律图驱动着诸多领域：宏基因组学、脑图谱绘制、物联网、网络安全以及稀疏机器学习。为处理这些数据而开发新颖算法与系统，需要设计、生成并验证具有精确已知属性的巨型图。此类图可加速对新算法与系统的恰当测试，并且是真实应用取得成功的先决条件。当前存在许多随机图生成器，它们需要实际生成图才能获知其精确属性：顶点数、边数、度分布以及三角形个数。使用这些随机图生成器设计图是一个耗时的试错过程。本文提出一种新方法，利用 Kronecker 积在图生成之前即可精确计算图属性。此外，当需要真实图时，它可在并行计算机上于内存中快速生成，且无需处理器间通信。为测试该方法，在 40000 余核的超级计算机上于 1 秒内生成了具有 条边的图，且与理论预测完全吻合。此外，为展示该方法的可扩展性，在笔记本电脑上于几分钟内模拟了具有多达 条边的十亿亿亿规模图。
引用
@article{arxiv.1803.01281,
title = {Design, Generation, and Validation of Extreme Scale Power-Law Graphs},
author = {Jeremy Kepner and Siddharth Samsi and William Arcand and David Bestor and Bill Bergeron and Tim Davis and Vijay Gadepally and Michael Houle and Matthew Hubbell and Hayden Jananthan and Michael Jones and Anna Klein and Peter Michaleas and Roger Pearce and Lauren Milechin and Julie Mullen and Andrew Prout and Antonio Rosa and Geoff Sanders and Charles Yee and Albert Reuther},
journal= {arXiv preprint arXiv:1803.01281},
year = {2018}
}
备注
8 pages, 6 figures, IEEE IPDPS 2018 Graph Algorithm Building Blocks (GABB) workshop