面向 GPU 优化的并行 Louvain 社区检测

社区检测如今在众多基于图的应用中是一项重要操作。它用于揭示真实世界网络中存在的群体，而不对社区集合施加先验的规模或基数约束。尽管潜力巨大，对并行计算机的支持却相当有限。原因主要在于算法的不规则性以及底层启发式方法隐含了顺序本质。本文提出了一种基于 GPU 的 Louvain 方法的并行化版本。Louvain 方法是一种用于模块度优化的多阶段迭代启发式方法。它最初由 Blondel 等人（2008）提出，因能以快速且内存高效的方式检测高模块度社区划分而日益流行。所使用的并行启发式方法首先由 Hao Lu 等人（2015）引入。由于 Louvain 方法本质上是顺序的，它限制了可扩展使用的可能性。得益于所提出的并行启发式方法，我观察到该方法在 GPU 上的表现。为评估，我使用 CUDA 在 GeForce GTX 980 GPU 上实现了该启发式方法，并采用来自 CERN 开发的 Collaboration Spotting 项目的组织图谱进行测试，该项目涉及专利与出版物以可视化其合作者间技术的关联。与在同一台配备所用 GPU 的机器上运行于 8 线程的并行 Louvain 实现相比，CUDA 实现能够产生与 CPU 生成结果相当的社区输出，同时使用 GeForce GTX 980 消费级 GPU 提供了高达 30 倍的绝对加速比。