通过优化并行处理增强影响力最大化的可扩展性与性能
分布式、并行与集群计算
2024-11-15 v1 数据结构与算法
摘要
影响力最大化（IM）在病毒式营销和生物网络分析中至关重要，用于识别关键影响者。鉴于其 NP-hard 性质，通常采用近似解。本文针对规模扩展共享内存系统中的可扩展性挑战，重点关注最先进的基于鞅的影响力最大化（IMM）基准。为提升当前 IMM 实现的工作效率，我们提出了 EFFICIENTIMM，其关键策略包括新的并行化方案、NUMA 感知内存使用、动态负载均衡和细粒度自适应数据结构。在具有 8 个 NUMA 节点的 128 核 CPU 系统上进行基准测试，EFFICIENTIMM 表现出显著的性能提升，在 8 个多样化的 SNAP 数据集上比原始 Ripples 框架的最佳执行时间平均实现了 5.9 倍加速。此外，在 Youtube 图上，EFFICIENTIMM 相比 Ripples 展示了更好的内存访问模式，L1+L2 缓存未命中减少了 357.4 倍。
引用
@article{arxiv.2411.09473,
title = {Enhancing Scalability and Performance in Influence Maximization with Optimized Parallel Processing},
author = {Hanjiang Wu and Huan Xu and Joongun Park and Jesmin Jahan Tithi and Fabio Checconi and Jordi Wolfson-Pou and Fabrizio Petrini and Tushar Krishna},
journal= {arXiv preprint arXiv:2411.09473},
year = {2024}
}