GPU上静态与增量图连通性算法的设计空间探索
分布式、并行与集群计算
2020-08-28 v1
摘要
连通分量与生成森林是基础图算法,因其在许多重要应用(如图形聚类与图像分割)中的使用。GPU因其高峰值性能与内存带宽为图算法提供了理想平台。尽管文献中存在若干GPU连通性算法,许多设计选择尚未被探索。在本文中,我们探索了GPU连通性算法中的各种设计选择,包括采样、链接与树压缩,涵盖静态与增量两种设置。我们的各种设计选择带来了超过300种新的GPU连通性实现,其中许多优于当前最优。我们给出了实验评估,并表明相对于现有静态算法我们实现了平均2.47倍的加速。在增量设置中,我们实现了高达每秒482.3亿条边的吞吐量。与使用72核机器的当前最优CPU实现相比,我们使用Tesla V100 GPU在静态连通性上实现了8.26--14.51倍的加速,在增量连通性上实现了1.85--13.36倍的加速。
引用
@article{arxiv.2008.11839,
title = {Exploring the Design Space of Static and Incremental Graph Connectivity Algorithms on GPUs},
author = {Changwan Hong and Laxman Dhulipala and Julian Shun},
journal= {arXiv preprint arXiv:2008.11839},
year = {2020}
}