[논문 리뷰] A GPU-Based Solution to Fast Calculation of Betweenness Centrality on Large Weighted Networks

Rui Fan, Ke Xu외 1명|arXiv (Cornell University)|2017. 01. 21.

Complex Network Analysis Techniques인용 수 15

한 줄 요약

이 논문은 대규모 가중치가 부여된 네트워크에서 빠른 중앙성 중심성(BC) 계산을 위한 GPU 가속 알고리즘을 제안한다. 작업 효율적인 스레드 스케줄링과 워프 중심 최적화를 활용하여 CPU 기반 Brandes 알고리즘 대비 30×에서 150×의 성능 향상을 달성한다. 이 방법은 CUDA 기반으로 최적화된 단일 소스 최단 경로(SSSP) 계산을 통합하며, 비정규적인 네트워크 구조와 균형 잡히지 않은 로드를 처리하기 위해 특화된 스레드 관리 전략을 적용한다.

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.

연구 동기 및 목표

• 실제 응용에서 더 흔한 가중치가 부여된 네트워크에 대해 효율적인 GPU 기반 BC 계산의 부족을 해결한다.
• 수백만 개의 노드를 가진 네트워크에서 CPU 기반 Brandes 알고리즘이 수 년이 걸릴 정도로 높은 계산 비용을 가진 대규모 네트워크에서의 중앙성 중심성 계산 문제를 해결한다.
• 실제 가중치가 부여된 네트워크에 내재된 비정규적인 구조와 로드 불균형을 효과적으로 처리할 수 있는 병렬 GPU 솔루션을 개발한다.
• 성능을 극대화하기 위해 고도화된 GPU 최적화 기법—작업 효율성 및 워프 중심 기법—을 통합하고 평가한다.
• GPU 가속을 활용하여 노드 및 간선 중심성 중심성을 모두 계산할 수 있는 공개된 오픈소스 도구를 제공한다.

제안 방법

• GPU에서 단일 소스 최단 경로(SSSP) 계산을 위해 Dijkstra 알고리즘을 활용하여 가중치가 부여된 네트워크에 대해 Brandes 알고리즘을 적응시킨다.
• 작업 효율적인 전략을 구현하여 스레드를 활성 프론트 라인 노드에만 동적으로 할당함으로써 비효율적 작업을 줄이고 메모리 연속성을 향상시킨다.
• 소형 워프 크기(예: 4, 8, 16)를 활용한 워프 중심 접근 방식을 적용하여 스레드 분열을 줄이고, 특히 저도수 네트워크에서 노드의 차수와 더 잘 맞춘다.
• 작업 효율 스케줄링과 소형 워프 크기 실행을 조합하여 스레드 낭비를 최소화하고 워프 간 로드 균형을 개선한다.
• 메모리 액세스 패턴과 커널 실행 구성 설정을 최적화하여 GPU 점유율을 향상시키고 비정규적인 그래프 탐색의 지연을 줄인다.
• 모든 노드에서 SSSP 계산을 병렬화하기 위해 CUDA 커널을 사용하며, 동적 로드 밸런싱과 수렴을 위한 조기 종료 기법을 적용한다.

실험 결과

연구 질문

• RQ1 CPU 대비 GPU 기반 알고리즘이 대규모 가중치가 부여된 네트워크에서 중앙성 중심성 계산에 있어 뚜렷한 성능 향상을 이룰 수 있는가?
• RQ2 작업 효율성 및 워프 중심 최적화 전략이 비정규적이고 실제적인 가중치가 부여된 네트워크에서 개별적으로나 함께 적용했을 때 성능에 어떤 영향을 미치는가?
• RQ3 다양한 평균 차수와 구조적 특성을 가진 네트워크에서 워프 크기의 변화가 성능에 어떤 영향을 미치는가?
• RQ4 작업 효율성과 소형 워프 크기 전략의 조합이 다양한 네트워크 유형에서 더 안정적이고 확장 가능한 성능을 제공하는가?
• RQ5 제안된 GPU 알고리즘이 다양한 직경과 차수 분포를 가진 합성 및 실제 가중치가 부여된 네트워크에 효과적으로 적용될 수 있는가?

주요 결과

• 제안된 GPU 기반 BC 알고리즘은 실제 가중치가 부여된 네트워크, 특히 이메일 및 소셜 네트워크에서 최고의 CPU 구현 대비 30×에서 150×의 성능 향상을 달성한다.
• 작업 효율 스케줄링과 소형 워프 크기(예: 워프4) 실행의 조합은 현실적인 네트워크에서 기준 GPU 방법 대비 2.65×의 성능 향상을 달성한다.
• 저도수 네트워크(평균 차수 ≈ 4)에서는 소형 워프 크기 구현이 노드 병렬 처리 및 대형 워프 크기 접근 방식보다 뛰어나며, 특히 작업 효율성과 결합했을 때 성능이 뛰어나다.
• 작업 효율성과 소형 워프 크기의 조합 전략은 실제 네트워크와 Kronecker 그래프를 포함한 다양한 네트워크 유형에서 강건하며 일관된 성능 향상을 보인다.
• 고심도, 저도수 랜덤 그래프에서는 대형 워프 크기를 사용할 경우 알고리즘이 성능이 열악한 편이지만, 소형 워프 크기와 작업 효율성의 조합은 작업 효율성 전용 대비 약간의 향상을 제공한다.
• 최종 구현체는 공개 소스로 제공되며 DOI: 10.6084/m9.figshare.4542405 를 통해 커뮤니티의 사용과 네트워크 과학 응용 분야에서의 확장이 가능하다.