GPU上图模式挖掘算法的高效策略
分布式、并行与集群计算
2022-12-12 v1
摘要
图模式挖掘（GPM）是一个重要、快速发展且计算需求高的领域。GPM计算依赖于子图枚举，即从输入图中提取匹配给定属性的子图。图形处理单元（GPU）已成为加速众多领域应用的有效平台。然而，子图枚举的不规则性导致难以在GPU上高效执行，其典型问题包括非合并内存访问、分支发散与负载不均。遗憾的是，先前工作未能充分解决这些方面。因此，本工作提出了在GPU上高效设计与实现子图枚举的新策略。我们支持一种深度优先搜索风格的搜索（DFS-wide），在最大化内存性能的同时提供足以被GPU利用的并行度，并配合以warp为中心的设计以最小化执行发散并提升计算能力利用率。我们还提出了一种低开销负载均衡层，以避免空闲并在GPU的线程warp间重新分配工作。我们的策略已部署于名为DuMato的系统中，该系统提供简单的编程接口以便高效实现GPM算法。我们的评估表明，DuMato通常比最先进的GPM系统快一个数量级，且能挖掘更大的子图（最多12个顶点）。
引用
@article{arxiv.2212.04551,
title = {Efficient Strategies for Graph Pattern Mining Algorithms on GPUs},
author = {Samuel Ferraz and Vinicius Dias and Carlos H. C. Teixeira and George Teodoro and Wagner Meira},
journal= {arXiv preprint arXiv:2212.04551},
year = {2022}
}
备注
Accepted for publication on IEEE 34th International Symposium on Computer Architecture and High Performance Computing (SBAC-PAD'22)