[論文レビュー] A GPU-Based Solution to Fast Calculation of Betweenness Centrality on Large Weighted Networks

Rui Fan, Ke Xu+1 more|arXiv (Cornell University)|Jan 21, 2017

Complex Network Analysis Techniques被引用数 15

ひとこと要約

本稿では、大規模な重み付きネットワークにおける高速なバーテックス中央性（BC）計算のためのGPUアクセラレートアルゴリズムを提示する。作業効率の良いスレッドスケジューリングとワープ中心の最適化を活用し、CPUベースのBrandesアルゴリズムに比べて30×から150×の高速化を達成した。本手法は、CUDA上で最適化された単一ソース最短経路（SSSP）計算にDijkstraのアルゴリズムを統合し、不規則なネットワーク構造と負荷の不均衡に対処するための特化したスレッド管理を実装している。

ABSTRACT

Recent decades have witnessed the tremendous development of network science, which indeed brings a new and insightful language to model real systems of different domains. Betweenness, a widely employed centrality in network science, is a decent proxy in investigating network loads and rankings. However, the extremely high computational cost greatly prevents its applying on large networks. Though several parallel algorithms have been presented to reduce its calculation cost on unweighted networks, a fast solution for weighted networks, which are in fact more ubiquitous than unweighted ones in reality, is still missing. In this study, we develop an efficient parallel GPU-based approach to boost the calculation of betweenness centrality on very large and weighted networks. Comprehensive and systematic evaluations on both synthetic and real-world networks demonstrate that our solution can arrive the performance of 30x to 150x speedup over the CPU implementation by integrating the work-efficient and warp-centric strategies. Our algorithm is completely open-sourced and free to the community and it is public available through https://dx.doi.org/10.6084/m9.figshare.4542405. Considering the pervasive deployment and declining price of GPU on personal computers and servers, our solution will indeed offer unprecedented opportunities for exploring the betweenness related problems in network science.

研究の動機と目的

• 重み付きネットワークにおける効率的なGPUベースのBC計算の欠如に応えること。これは、無重みネットワークよりも現実応用で一般的である。
• 数百万ノードを有するネットワークで、CPUベースのBrandesアルゴリズムが数年もかかるような大規模ネットワークにおけるバーテックス中央性の高い計算コストを克服すること。
• 現実世界の重み付きネットワークに内在する不規則な構造と負荷の不均衡を効率的に処理できる並列GPUソリューションを開発すること。
• 作業効率性とワープ中心の最適化戦略を統合し、多様なネットワークトポロジーでパフォーマンスを最大化すること。
• GPUアクセラレーションを用いてノードおよびエッジのバーテックス中央性を計算するための公開可能かつオープンソースのツールを提供すること。

提案手法

• Dijkstraのアルゴリズムを用いてGPU上で単一ソース最短経路（SSSP）を計算することで、重み付きネットワークにおけるBrandesアルゴリズムを適応する。
• 作業効率の良い戦略を実装し、スレッドをアクティブなフロントランジットノードに動的に割り当てることで、無駄な作業を低減し、メモリのコalescingを向上させる。
• 小さなワープサイズ（例：4, 8, 16）を用いたワープ中心のアプローチを適用し、スレッドの分岐を低減し、特に低次数のネットワークにおいてノード次数に適切に一致させる。
• 作業効率スケジューリングと小さなワープサイズ実行を組み合わせることで、スレッドの浪費を最小限に抑え、ワープ間の負荷をバランスさせる。
• 不規則なグラフ走査におけるGPUの占有率を向上させ、遅延を低減するため、メモリアクセスパターンとカーネル起動設定を最適化する。
• CUDAカーネルを用いて全ノードにわたるSSSP計算を並列化し、動的負荷分散と収束のための早期終了を実装する。

実験結果

リサーチクエスチョン

• RQ1 GPUベースのアルゴリズムは、CPU実装に比べて大規模な重み付きネットワークにおけるバーテックス中央性計算で顕著な高速化を達成できるか？
• RQ2 作業効率性とワープ中心の最適化戦略は、不規則で現実的な重み付きネットワークにおいて、個別および統合的にどのようにパフォーマンスを向上させるか？
• RQ3 ワープサイズを変化させた場合、平均次数や構造的特徴が異なるネットワークにおいてパフォーマンスに与える影響は何か？
• RQ4 作業効率性と小さなワープサイズ戦略の組み合わせは、多様なネットワークタイプにおいてより安定的かつスケーラブルなパフォーマンスを実現するか？
• RQ5 提案されたGPUアルゴリズムは、直径や次数分布が異なる合成的および現実世界の重み付きネットワークに効果的に適用可能か？

主な発見

• 提案されたGPUベースのBCアルゴリズムは、実世界の重み付きネットワーク（電子メールネットワークやソーシャルネットワーク含む）において、最良のCPU実装に比べて30×から150×の高速化を達成した。
• 作業効率スケジューリングと小さなワープサイズ（例：warp4）実行の組み合わせにより、現実的なネットワークでベースラインGPU手法に比べ2.65×の高速化が達成された。
• 低次数ネットワーク（平均次数 ≈ 4）では、小さなワープサイズを用いた実装が、ノード並列および大きなワープサイズアプローチを上回り、特に作業効率性と組み合わせた場合に顕著な優位性を示した。
• 作業効率性と小さなワープサイズの統合戦略は、現実世界ネットワークおよびKroneckerグラフを含む多様なネットワークタイプに対して頑健であり、一貫したパフォーマンス向上を示した。
• 高深さ・低次数のランダムグラフでは、大きなワープサイズを用いた場合にアルゴリズムのパフォーマンスが著しく低下したが、小さなワープサイズに加えて作業効率性を適用することで、作業効率性単体よりもわずかな改善が得られた。
• 最終的な実装はオープンソースとして公開され、DOI: 10.6084/m9.figshare.4542405 を通じてコミュニティの利用と拡張が可能となり、ネットワーク科学の応用分野に貢献している。