[论文解读] 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 5

一句话总结

GraphMineSuite (GMS) 是一个高性能、可编程的图挖掘基准测试套件，利用集合代数操作（如交集和差集）对复杂算法进行模块化和优化。通过统一平台系统性地评估和加速最先进的基线算法，结合新颖的性能指标和并发性分析，该工具在最大团列举任务中实现最高9倍的加速，在子图同构任务中实现最高2.5倍的加速。

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.

研究动机与目标

• 解决图挖掘算法缺乏标准化、高性能评估框架的问题。
• 通过支持模块化实验，降低算法设计选择（如图表示、重排和数据结构）的复杂性。
• 提供一个可移植、可扩展的平台，支持性能基准测试和理论并发性分析。
• 通过集合代数抽象的系统性优化，加速最先进的图挖掘算法。
• 引入一种新颖的性能指标——“算法吞吐量”，以超越原始运行时间，提供更具洞察力的评估。

提出的方法

• 基于对代表性图挖掘问题、算法和数据集的全面文献综述，设计基准规范。
• 实现一个软件平台，通过集合代数操作支持对图表示、算法子程序和优化的细粒度实验。
• 提供40多个基线算法的并行实现，包括Bron-Kerbosch算法、退化重排和子图同构算法的优化变体。
• 将集合代数原语（如交集、差集）作为一等抽象，将复杂算法分解为可组合、可测试的组件。
• 开发一种新颖的性能指标——“算法吞吐量”，用于评估挖掘效率，且独立于输入规模和硬件规模。
• 开展理论并发性分析，以深入理解算法在不同架构上的可扩展性和可移植性。

实验结果

研究问题

• RQ1 如何在一个标准化、高性能的框架中系统性地评估和比较图挖掘算法？
• RQ2 集合代数操作在多大程度上可作为设计和优化多样化图挖掘工作负载的统一抽象？
• RQ3 一个模块化、可组合的平台是否能显著减少探索图表示和算法组件之间设计权衡所需的工作量？
• RQ4 所提出的“算法吞吐量”指标如何在超越传统时钟运行时间的基础上，提升评估的洞察力？
• RQ5 在统一的基准测试环境中，通过系统性优化（如近似退化重排和结果缓存）可实现多大的性能提升？

主要发现

• 通过近似退化重排和结果缓存等优化，Bron-Kerbosch算法在最大团列举任务中实现了最高9倍的加速。
• 与基线实现相比，退化重排使Bron-Kerbosch算法的运行时间减少了两倍以上。
• 使用GMS优化的变体，子图同构性能最高提升了2.5倍，且理论工作量边界更优。
• k-团列举算法实现了1.1倍的加速，表明该平台即使在性能提升不显著的情况下也具有实用价值。
• 新颖的“算法吞吐量”指标通过归一化输入规模和硬件规模，实现了更具洞察力的性能比较。
• 理论并发性分析为算法可扩展性提供了更深入的见解，支持在多种并行架构间的可移植性。