[論文レビュー] GraphMineSuite: Enabling High-Performance and Programmable Graph Mining Algorithms with Set Algebra

Maciej Besta, Zur Vonarburg-Shmaria+16 more|arXiv (Cornell University)|Mar 5, 2021

Graph Theory and Algorithms参考文献 201被引用数 5

ひとこと要約

GraphMineSuite (GMS) は、集合代数演算（例：共通部分、差集合）を活用して複雑なアルゴリズムをモジュラー化・最適化する、高性能でプログラマブルなグラフマイニングベンチマークスイートである。統一されたプラットフォーム上で最先端のベースラインを体系的に評価・高速化することで、最大9倍の高速化が maximal clique listing で達成され、2.5倍の高速化が subgraph isomorphism で達成された。

ABSTRACT

We propose GraphMineSuite (GMS): the first benchmarking suite for graph mining that facilitates evaluating and constructing high-performance graph mining algorithms. First, GMS comes with a benchmark specification based on extensive literature review, prescribing representative problems, algorithms, and datasets. Second, GMS offers a carefully designed software platform for seamless testing of different fine-grained elements of graph mining algorithms, such as graph representations or algorithm subroutines. The platform includes parallel implementations of more than 40 considered baselines, and it facilitates developing complex and fast mining algorithms. High modularity is possible by harnessing set algebra operations such as set intersection and difference, which enables breaking complex graph mining algorithms into simple building blocks that can be separately experimented with. GMS is supported with a broad concurrency analysis for portability in performance insights, and a novel performance metric to assess the throughput of graph mining algorithms, enabling more insightful evaluation. As use cases, we harness GMS to rapidly redesign and accelerate state-of-the-art baselines of core graph mining problems: degeneracy reordering (by up to >2x), maximal clique listing (by up to >9x), k-clique listing (by 1.1x), and subgraph isomorphism (by up to 2.5x), also obtaining better theoretical performance bounds.

研究の動機と目的

• グラフマイニングアルゴリズムのための標準化された高性能評価フレームワークの欠如に対処すること。
• グラフ表現、再順序付け、データ構造などのアルゴリズム設計選択の複雑さを、モジュラーな実験を可能にすることで軽減すること。
• パフォーマンスベンチマークと理論的並列性分析の両方をサポートする、ポータブルで拡張可能なプラットフォームを提供すること。
• 集合代数の抽象化を用いた体系的な最適化により、最先端のグラフマイニングアルゴリズムを高速化すること。
• 入力サイズやハードウェアスケールに依存しないマイニング効率を評価するための新規メトリクス「アルゴリズムスループット」を導入すること。

提案手法

• 代表的なグラフマイニング問題、アルゴリズム、データセットを網羅的にレビューした上で、ベンチマーク仕様を設計すること。
• 集合代数演算を介して、グラフ表現、アルゴリズムサブルーチン、最適化の細粒度な実験を可能にするソフトウェアプラットフォームを実装すること。
• Bron-Kerbosch、degeneracy reordering、サブグラフ同型写像など、40以上のベースラインアルゴリズムの並列実装を提供し、最適化されたバージョンを含むこと。
• 共通部分、差集合など、集合代数プリミティブ（例：intersection, difference）を第一級の抽象化として統合し、複雑なアルゴリズムを合成可能でテスト可能なコンポonentに分解すること。
• 入力サイズやハードウェアスケールに依存しないマイニング効率を評価するための新規メトリクス「アルゴリズムスループット」を開発すること。
• 理論的並列性分析を実施し、アルゴリズムのスケーラビリティと異なるアーキテクチャ間でのポータビリティに関する洞察を提供すること。

実験結果

リサーチクエスチョン

• RQ1 どのようにして標準化され、高性能なフレームワーク内でグラフマイニングアルゴリズムを体系的に評価・比較できるか？
• RQ2 集合代数演算は、多様なグラフマイニングワークロードの設計と最適化のための統一的抽象化としてどの程度有効に機能するか？
• RQ3 モジュラーかつ合成可能なプラットフォームは、グラフ表現やアルゴリズムコンポーネントの設計トレードオフを検討するための工学的作業を顕著に軽減できるか？
• RQ4 提案された「アルゴリズムスループット」メトリクスは、従来のウォールクロックランタイムを超えて、どのような洞察を提供するか？
• RQ5 統一されたベンチマーク環境内で体系的な最適化（例：近似degeneracy再順序付け、結果キャッシュ）を適用することで、どの程度のパフォーマンス向上が達成できるか？

主な発見

• 近似degeneracy再順序付けと結果キャッシュの最適化により、Bron-Kerboschアルゴリズムは最大9倍の高速化が達成された。
• degeneracy再順序付けにより、Bron-Kerboschアルゴリズムの実行時間はベースライン実装と比較して2倍以上短縮された。
• GMS最適化バージョンを用いることで、サブグラフ同型写像のパフォーマンスは最大2.5倍向上し、理論的作業バウンズも改善された。
• k-clique listingアルゴリズムでは1.1倍の高速化が達成され、本プラットフォームが顕著な向上効果が得られないケースに対しても有効であることが示された。
• 新規の「アルゴリズムスループット」メトリクスにより、入力サイズやハードウェアスケールに依存しないより洗練されたパフォーマンス比較が可能になった。
• 理論的並列性分析により、アルゴリズムのスケーラビリティに関するより深い洞察が得られ、多様な並列アーキテクチャ間でのポータビリティを支援した。