[논문 리뷰] Fast Gunrock Subgraph Matching (GSM) on GPUs

Leyuan Wang, John D. Owens|arXiv (Cornell University)|2020. 03. 01.

Graph Theory and Algorithms참고 문헌 23인용 수 8

한 줄 요약

이 논문은 GPU 최적화된 부분그래프 이sovomorphism 알고리즘인 GSM(Gunrock Subgraph Matching)을 제안한다. 이 알고리즘은 광범위한 병렬 처리를 위해 너비 우선 탐색(BFS)을 사용하며, 정점 제거와 압축을 통해 메모리 압박을 줄인다. 중간 결과의 최소화와 압축을 통해 이전 GPU 최고 수준의 성능 대비 최대 4배의 성능 향상을 달성하며, 대규모 그래프와 고라벨 데이터셋에서도 확장 가능한 매칭을 가능하게 한다.

ABSTRACT

In this paper, we propose a GPU-efficient subgraph isomorphism algorithm using the Gunrock graph analytic framework, GSM (Gunrock Subgraph Matching), to compute graph matching on GPUs. In contrast to previous approaches on the CPU which are based on depth-first traversal, GSM is BFS-based: possible matches are explored simultaneously in a breadth-first strategy. The advantage of using BFS-based traversal is that we can leverage the massively parallel processing capabilities of the GPU. The disadvantage is the generation of more intermediate results. We propose several optimization techniques to cope with the problem. Our implementation follows a filtering-and-verification strategy. While most previous work on GPUs requires one-/two-step joining, we use one-step verification to decide the candidates in current frontier of nodes. Our implementation has a speedup up to 4x over previous GPU state-of-the-art implementation.

연구 동기 및 목표

• CPU 기반 깊이 우선 백트래킹 알고리즘의 GPU에서의 비효율성(낮은 병렬성과 워프 분산)을 해결하기 위해.
• 스마트한 정점 제거와 압축을 통해 중간 결과 생성을 최소화하여 부분그래프 매칭에서 GPU 메모리 제약을 극복하기 위해.
• 그래프 색인 기반 방법과 달리 사전 처리 없이 대규모 그래프와 고라벨 데이터셋에서도 확장 가능한 부분그래프 매칭을 가능하게 하기 위해.
• 기존 GPU 및 CPU 부분그래프 매칭 솔루션보다 빠르고 확장성 있는 GPU 친화적인 알고리즘을 설계하기 위해.
• k-look-ahead와 one-step 검증의 효과성을 입증하기 위해.

제안 방법

• GSM은 전통적인 CPU 기반 깊이 우선 백트래킹과 대비하여 GPU에서 광범위한 병렬 처리를 가능하게 하는 BFS 기반 탐색 전략을 사용한다.
• 후보 정점 매핑을 검증하기 위해 one-step 검증을 포함한 필터링-검증 파이프라인을 사용하여 불필요한 계산을 줄인다.
• k-look-ahead 정점 제거를 통해 불리한 후보를 조기에 제거하며, 특히 도로 중심 그래프와 같은 저도 그래프에서 뛰어난 성능을 발휘한다.
• 압축과 정점 제거 기법을 통해 메모리 사용을 매칭된 부분그래프 크기와 선형적으로 유지하여 메모리 폭주를 방지한다.
• 사전 처리 없이 CSR 형식의 데이터 그래프를 처리하여 대규모 그래프에서 동적 쿼리 지원이 가능하다.
• 최적화로는 레이블 기반 정점 제거와 효율적인 메모리 코ales싱을 통해 지연 시간을 줄이고 GPU 점유율을 향상시킨다.

실험 결과

연구 질문

• RQ1 BFS 기반 부분그래프 매칭 알고리즘이 중간 결과 생성이 많음에도 불구하고, CPU 기반 깊이 우선 방법보다 GPU에서 더 빠를 수 있는가?
• RQ2 GPU 부분그래프 매칭에서 메모리 압박을 어떻게 완화할 수 있을까? 이를 통해 더 큰 그래프와 더 높은 라벨 수를 지원할 수 있는가?
• RQ3 one-step 검증과 k-look-ahead 정점 제거가 다양한 그래프 워크로드에서 성능과 확장성에 어느 정도 기여하는가?
• RQ4 기존 GPU 방법과 비교해, GSM은 증가하는 쿼리 그래프 크기와 정점/간선 라벨 수에 대해 어떻게 확장되는가?
• RQ5 메모리 집약적이고 대규모 부분그래프 매칭 워크로드에서, GpSM과 GSI와 같은 GPU 최적화 이전 솔루션보다 GSM이 더 뛰어난 성능을 낼 수 있는가?

주요 결과

• GSM은 Enron과 Gowalla를 포함한 다양한 데이터셋에서 이전 GPU 최고 수준의 성능 대비 최대 4배의 성능 향상을 달성한다.
• road_central 그래프에서 k-look-ahead 정점 제거는 저도 그래프에서 불리한 후보를 줄여 1.38배의 성능 향상을 이끌어냈다.
• Enron과 Gowalla에서 GSM은 최대 13개 정점의 쿼리 그래프를 성공적으로 처리할 수 있었고, GSI는 4개 정점 초과 쿼리에서 메모리 한계로 실패했다.
• Gowalla 데이터셋에서 GSM의 런타임은 20에서 100까지의 라벨 수에 따라 선형적으로 감소하다가, 병렬화 효율 감소로 인해 수평선을 그린다.
• 합성 delaunay 그래프에서 GSM은 GSI 대비 3배 이상 뛰어난 성능을 유지하며 2^20 정점까지 확장 가능하지만, GSI는 2^15에서 메모리 고갈로 실패한다.
• kron 그래프에서 6개 정점 쿼리 그래프에 대해 GSM은 확장성 면에서 뛰어나며, GSI는 메모리 고갈로 완전히 실패하는 동안 성공적으로 실행된다.