[論文レビュー] GSmart: An Efficient SPARQL Query Engine Using Sparse Matrix Algebra -- Full Version

Yuedan Chen, M. TAMER ÖZSU+3 more|arXiv (Cornell University)|Jun 26, 2021

Graph Theory and Algorithms参考文献 40被引用数 5

ひとこと要約

GSmart は、スパース行列代数を活用して、異種 HPC アーキテクチャ上で RDF クエリ処理を高速化する高性能な SPARQL クエリエンジンです。グループ化されたインcidentエッジ評価、行列ベースのクエリプランナ、および LSpM やツリー型の結果格納といった最適化されたデータ構造を用いることで、GSmart は単一の CPU+GPU ノード上で既存のエンジンと比較して最大 46,920 倍の高速化を達成し、Tianhe-1A において 2 から 16 ノードに拡張した際の強スケーリング性能は 6.90 倍にのぼります。

ABSTRACT

Efficient execution of SPARQL queries over large RDF datasets is a topic of considerable interest due to increased use of RDF to encode data. Most of this work has followed either relational or graph-based approaches. In this paper, we propose an alternative query engine, called gSmart, based on matrix algebra. This approach can potentially better exploit the computing power of high-performance heterogeneous architectures that we target. gSmart incorporates: (1) grouped incident edge-based SPARQL query evaluation, in which all unevaluated edges of a vertex are evaluated together using a series of matrix operations to fully utilize query constraints and narrow down the solution space; (2) a graph query planner that determines the order in which vertices in query graphs should be evaluated; (3) memory- and computation-efficient data structures including the light-weight sparse matrix (LSpM) storage for RDF data and the tree-based representation for evaluation results; (4) a multi-stage data partitioner to map the incident edge-based query evaluation into heterogeneous HPC architectures and develop multi-level parallelism; and (5) a parallel executor that uses the fine-grained processing scheme, pre-pruning technique, and tree-pruning technique to lower inter-node communication and enable high throughput. Evaluations of gSmart on a CPU+GPU HPC architecture show execution time speedups of up to 46920.00x compared to the existing SPARQL query engines on a single node machine. Additionally, gSmart on the Tianhe-1A supercomputer achieves a maximum speedup of 6.90x scaling from 2 to 16 CPU+GPU nodes.

研究の動機と目的

• 大規模な RDF データセットに対する効率的な SPARQL クエリ処理の増大するニーズに対応すること。
• 現代の異種 HPC アーキテクチャを効果的に活用できない、従来のリレーショナルおよびグラフベースの SPARQL エンジンの限界を克服すること。
• GPU および CPU リソースの利用を最大化する、行列代数に基づくクエリ実行モデルを設計すること。
• RDF ワークロードおよび大規模なクエリ実行に特化した、メモリおよび計算効率の良いデータ構造を開発すること。
• マルチレベルの並列処理およびプリーニング技術を活用して、高スルーレートかつ通信量が少ない並列クエリ実行を実現すること。

提案手法

• すべての未評価エッジを一度に処理するグループ化されたインシデントエッジ評価を採用し、行列演算を用いてクエリ制約を活用し、探索空間を縮小する。
• クエリグラフにおける頂点の評価順序を最適化することで、計算オーバーヘッドを最小限に抑えるグラフクエリプランナを導入する。
• RDF データを効率的に格納するため、軽量スパース行列（LSpM）フォーマットを採用し、メモリ使用量を削減し、キャッシュの局所性を向上させる。
• 中間および最終的なクエリ結果を効率的に管理するため、メモリ割り当てのオーバーヘッドが小さいツリー型の結果表現を実装する。
• インシデントエッジ操作を異種 HPC ノードにマッピングするためのマルチステージデータパーティショナを設計し、タスクレベルおよびデータレベルの並列処理を可能にする。
• 細粒度の処理、事前プリーニング、ツリー型プリーニング技術を備えた並列実行エンジンを導入し、ノード間通信を最小限に抑え、スルーレートを最大化する。

実験結果

リサーチクエスチョン

• RQ1 スパース行列代数は、現代の HPC システム上で優れたパフォーマンスを達成するために、SPARQL クエリ評価に効果的に適用可能か？
• RQ2 行列演算を用いたグループ化されたインシデントエッジ処理は、解空間をどのように縮小し、クエリ効率を向上させるか？
• RQ3 異種アーキテクチャ上で行列ベースの SPARQL 実行を最適化するうえで、クエリプランニングが果たす役割は何か？
• RQ4 LSpM やツリー型の結果格納といったメモリ効率の良いデータ構造は、パフォーマンスおよびスケーラビリティをどの程度向上させるか？
• RQ5 マルチステージのパーティショニングおよび並列実行戦略は、GPU アクcelerated HPC クラスタ上で強スケーリングおよび弱スケーリングをどのように実現するか？

主な発見

• GSmart は、単一の CPU+GPU ノード上で、既存の SPARQL エンジンと比較して最大 46,920 倍の実行時間の高速化を達成した。
• Tianhe-1A スーパーコンピュータ上では、2 から 16 個の CPU+GPU ノードに増加した際、6.90 倍の強スケーリング性能を示した。
• 行列演算を用いたグループ化されたインシデントエッジ評価は、中間結果の数を顕著に削減し、クエリ処理を高速化した。
• LSpM ストレージフォーマットは、メモリ使用量を削減し、データアクセスパターンを改善し、大規模な RDF データセットにおける高いパフォーマンスを実現した。
• 実行エンジンにおける事前プリーニングおよびツリー型プリーニング技術は、ノード間通信を削減し、並列処理の効率性を向上させた。
• マルチステージのデータパーティショナは、クエリワークロードを異種ノードに効果的にマッピングし、スケーラブルで負荷が均等な実行を可能にした。