[论文解读] Gunrock: GPU Graph Analytics

Yangzihao Wang, Yuechao Pan+9 more|arXiv (Cornell University)|Jan 4, 2017

Graph Theory and Algorithms参考文献 62被引用 11

一句话总结

Gunrock 是一个高性能、基于 GPU 加速的图分析框架，采用以数据为中心、聚焦前沿的编程模型，可高效实现图原语。通过围绕顶点和边前沿抽象计算并集成 GPU 特定优化，Gunrock 在保持高层可编程性和最低 GPU 编程技能要求的同时，实现了与手写优化的 GPU 内核相当的性能。

ABSTRACT

For large-scale graph analytics on the GPU, the irregularity of data access and control flow, and the complexity of programming GPUs, have presented two significant challenges to developing a programmable high-performance graph library. "Gunrock", our graph-processing system designed specifically for the GPU, uses a high-level, bulk-synchronous, data-centric abstraction focused on operations on a vertex or edge frontier. Gunrock achieves a balance between performance and expressiveness by coupling high performance GPU computing primitives and optimization strategies with a high-level programming model that allows programmers to quickly develop new graph primitives with small code size and minimal GPU programming knowledge. We characterize the performance of various optimization strategies and evaluate Gunrock's overall performance on different GPU architectures on a wide range of graph primitives that span from traversal-based algorithms and ranking algorithms, to triangle counting and bipartite-graph-based algorithms. The results show that on a single GPU, Gunrock has on average at least an order of magnitude speedup over Boost and PowerGraph, comparable performance to the fastest GPU hardwired primitives and CPU shared-memory graph libraries such as Ligra and Galois, and better performance than any other GPU high-level graph library.

研究动机与目标

• 解决基于 GPU 的图分析中的不规则内存访问和控制流问题。
• 弥合 GPU 图处理中高性能与可编程性之间的差距。
• 在极少 GPU 编程经验的前提下，实现对多样化图原语的高效实现。
• 将先进的 GPU 优化（如负载均衡、内核融合和优先队列）集成到高层抽象中。
• 为数据科学家、算法设计师和研究人员提供一个高性能、开源的框架，用于在 GPU 上开发和基准测试图算法。

提出的方法

• 采用以顶点和边前沿为主要计算单元的批量同步、以数据为中心的抽象。
• 提供高层 API，允许程序员表达‘要对前沿执行什么操作’，而无需指定‘如何并行化或优化’。
• 在运行时透明地集成底层 GPU 优化技术——内核融合、推送-拉取遍历、幂等遍历以及两级优先队列。
• 通过动态负载均衡和工作高效策略，管理 GPU warp 和 block 之间的不规则工作分布。
• 通过数据重组织和边列表分组优化内存访问，减少非合并内存事务。
• 通过仅将必要信息加载到 GPU 上，支持顶点和边上的丰富数据，从而支持复杂图查询和分析。

实验结果

研究问题

• RQ1 GPU 图分析的高层编程模型能否实现与手写优化、硬连线 GPU 内核相当的性能？
• RQ2 以数据为中心的前沿抽象在多大程度上能有效支持多样化的图原语，包括基于遍历、排序和计数的算法？
• RQ3 GPU 特定优化在多大程度上可以被抽象化并自动应用，而不会牺牲性能或需要低层编码？
• RQ4 Gunrock 的性能与基于 CPU 的共享内存图库及其他 GPU 可编程框架相比如何？
• RQ5 该框架能否在支持增量图更新和丰富顶点/边数据的同时，保持效率和可扩展性？

主要发现

• 在单个 GPU 上，Gunrock 在多种图原语上相较 Boost 和 PowerGraph 至少实现了数量级的速度提升。
• Gunrock 的性能与最快的硬连线 GPU 原语相当，并匹配或超过基于 CPU 的共享内存库（如 Ligra 和 Galois）的性能。
• 在性能方面，Gunrock 超过了所有其他 GPU 高层图库，证明了其作为通用 GPU 图分析框架的有效性。
• 该框架仅需数百行代码和极少的 GPU 编程知识即可实现新型图原语，显著降低了开发开销。
• 将优化策略（如推送-拉取遍历和两级优先队列）集成到高层抽象中，实现了高性能与灵活性的统一。
• Gunrock 以 Apache 2.0 许可证开源，网址为 http://gunrock.github.io/，已成为 GPU 图处理的基准参考。