[论文解读] 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 5

一句话总结

GSmart 是一个高性能的 SPARQL 查询引擎，利用稀疏矩阵代数在异构 HPC 架构上加速 RDF 查询处理。通过采用分组入边评估、基于矩阵的查询规划器以及 LSpM 和基于树的结果存储等优化数据结构，GSmart 在单个 CPU+GPU 节点上相比现有引擎实现了高达 46,920 倍的加速，在天河-1A 超算系统上从 2 个节点扩展到 16 个节点时实现了 6.90 倍的强可扩展性。

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.

研究动机与目标

• 解决大规模 RDF 数据集上高效 SPARQL 查询处理日益增长的需求。
• 克服传统关系型和基于图的 SPARQL 引擎在利用现代异构 HPC 架构方面的局限性。
• 设计一种基于矩阵代数的查询执行模型，以最大化 GPU 和 CPU 资源的利用率。
• 开发针对 RDF 工作负载和大规模查询执行量身定制的内存与计算高效的数据结构。
• 通过多层次并行化和剪枝技术，实现高吞吐量、低通信量的并行查询执行。

提出的方法

• 采用基于分组入边的评估方法，将某个顶点的所有未评估边通过矩阵运算一次性处理，以利用查询约束并减少搜索空间。
• 引入一种图查询规划器，用于确定查询图中顶点的最优评估顺序，以最小化计算开销。
• 使用轻量级稀疏矩阵（LSpM）格式高效存储 RDF 数据，降低内存占用并提升缓存局部性。
• 实现基于树的结果表示，以低内存分配开销高效管理中间和最终查询结果。
• 设计多阶段数据分区器，将入边操作映射到异构 HPC 节点上，实现任务级和数据级并行。
• 部署具有细粒度处理、预剪枝和树剪枝技术的并行执行器，以最小化节点间通信并最大化吞吐量。

实验结果

研究问题

• RQ1 稀疏矩阵代数能否有效应用于 SPARQL 查询评估，以在现代 HPC 系统上实现卓越性能？
• RQ2 通过矩阵运算实现的分组入边处理在多大程度上能减少解空间并提升查询效率？
• RQ3 查询规划在优化异构架构上基于矩阵的 SPARQL 执行中扮演何种角色？
• RQ4 像 LSpM 和基于树的结果存储这样的内存高效数据结构能在多大程度上提升性能与可扩展性？
• RQ5 多阶段分区与并行执行策略如何在 GPU 加速的 HPC 集群上实现强可扩展性和弱可扩展性？

主要发现

• 在单个 CPU+GPU 节点上，GSmart 相比现有 SPARQL 引擎实现了最高达 46,920 倍的执行时间加速。
• 在天河-1A 超算系统上，当节点数从 2 个增加到 16 个时，GSmart 展现了 6.90 倍的强可扩展性加速。
• 采用矩阵运算的分组入边评估显著减少了中间结果数量，加速了查询处理。
• LSpM 存储格式降低了内存使用量并改善了数据访问模式，从而在大规模 RDF 数据集上实现了高性能。
• 执行器中采用的预剪枝和树剪枝技术减少了节点间通信，提升了并行效率。
• 多阶段数据分区器有效将查询工作负载映射到异构节点上，实现了可扩展且负载均衡的执行。