[논문 리뷰] GraphMineSuite: Enabling High-Performance and Programmable Graph Mining Algorithms with Set Algebra

Maciej Besta, Zur Vonarburg-Shmaria외 16명|arXiv (Cornell University)|2021. 03. 05.

Graph Theory and Algorithms참고 문헌 201인용 수 5

한 줄 요약

GraphMineSuite (GMS)는 집합 대수 연산(예: 교차, 차집합)을 활용하여 복잡한 알고리즘을 모듈화하고 최적화하는 고성능 프로그래머블 기반 그래프 마이닝 벤치마크 툴킷이다. 통합된 플랫폼을 통해 최신 기반 알고리즘을 체계적으로 평가하고 가속화함으로써 최대 9배의 성능 향상을 이룬다. 최대 클리크 목록 작성에 대해 9배, 부분 그래프 이sovomorphism에 대해 2.5배의 성능 향상을 달성하였으며, 새로운 성능 메트릭과 동시성 분석을 통해 실현하였다.

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.

연구 동기 및 목표

• 그래프 마이닝 알고리즘을 위한 표준화되고 고성능인 평가 프레임워크의 부족을 해결하기 위해.
• 그래프 표현, 재정렬, 데이터 구조와 같은 알고리즘 설계 선택의 복잡성을 줄이기 위해 모듈러한 실험을 가능하게 하기 위해.
• 성능 벤치마킹과 이론적 동시성 분석을 모두 지원하는 이식성 있고 확장 가능한 플랫폼을 제공하기 위해.
• 집합 대수 추상화를 활용한 체계적 최적화를 통해 최신 기반 그래프 마이닝 알고리즘을 가속화하기 위해.
• 입력 크기와 하드웨어 스케일에 관계없이 효율성을 평가할 수 있는 새로운 성능 메트릭인 '알고리즘 스루풋'을 도입하기 위해.

제안 방법

• 대표적인 그래프 마이닝 문제, 알고리즘, 데이터셋에 대한 종합적인 문헌 조사 기반으로 벤치마크 사양을 설계하기 위해.
• 집합 대수 연산을 통해 그래프 표현, 알고리즘 서브루틴, 최적화 방법에 대한 세밀한 실험을 지원하는 소프트웨어 플랫폼을 구현하기 위해.
• Bron-Kerbosch, 탈성 재정렬, 부분 그래프 이sovomorphism 등 최적화된 버전 포함 40개 이상의 기반 알고리즘에 대한 병렬 구현을 제공하기 위해.
• 집합 대수 원시 연산(예: 교차, 차집합)을 일급 추상화로 통합하여 복잡한 알고리즘을 조합 가능하고 테스트 가능한 컴포onent로 분해하기 위해.
• 입력 크기와 하드웨어 스케일에 영향을 받지 않는 마이닝 효율성을 평가하기 위한 새로운 성능 메트릭인 '알고리즘 스루풋'을 개발하기 위해.
• 알고리즘의 확장성과 다양한 아키텍처 간 이식 가능성에 대한 통찰을 제공하기 위해 이론적 동시성 분석을 수행하기 위해.

실험 결과

연구 질문

• RQ1 어떻게 표준화되고 고성능인 프레임워크를 통해 그래프 마이닝 알고리즘을 체계적으로 평가하고 비교할 수 있는가?
• RQ2 집합 대수 연산은 다양한 그래프 마이닝 워크로드의 설계 및 최적화를 위한 통합 추상화로 얼마나 효과적인가?
• RQ3 모듈러하고 조합 가능한 플랫폼은 그래프 표현과 알고리즘 컴포넌트의 설계 트레이드오프를 탐색하기 위한 엔지니어링 노력의 감소에 얼마나 기여하는가?
• RQ4 제안된 '알고리즘 스루풋' 메트릭은 기존의 벽시계 런타임을 넘어서 성능 평가에 어떤 통찰을 제공하는가?
• RQ5 통합된 벤치마킹 환경 내에서 약간의 최적화(예: 근사 탈성 재정렬, 결과 캐싱)를 적용할 경우 어떤 성능 향상을 달성할 수 있는가?

주요 결과

• Bron-Kerbosch 알고리즘은 근사 탈성 재정렬과 결과 캐싱 최적화를 통해 최대 클리크 목록 작성에서 최대 9배의 성능 향상을 달성하였다.
• 탈성 재정렬은 기반 구현 대비 Bron-Kerbosch 알고리즘의 런타임을 2배 이상 감소시켰다.
• GMS 최적화 버전을 사용한 부분 그래프 이sovomorphism 성능은 최대 2.5배 향상되었으며, 이는 더 나은 이론적 워크 바운드를 제공하였다.
• k-클리크 목록 알고리즘은 1.1배의 성능 향상을 기록하여, 플랫폼이 성능 향상이 크지 않은 경우에도 유용함을 입증하였다.
• 새로운 '알고리즘 스루풋' 메트릭은 입력 크기와 하드웨어 스케일에 따라 정규화함으로써 더 통찰력 있는 성능 비교를 가능하게 하였다.
• 이론적 동시성 분석은 알고리즘의 확장성에 대한 깊은 통찰을 제공하였으며, 다양한 병렬 아키텍처 간의 이식 가능성에 대한 지원을 제공하였다.