[论文解读] Recent Advances in Graph Partitioning

Aydın Buluç, Henning Meyerhenke+3 more|arXiv (Cornell University)|Nov 13, 2013

VLSI and FPGA Design Techniques参考文献 43被引用 64

一句话总结

本文全面综述了图划分领域的最新进展，重点聚焦于平衡划分的实用算法、多级方法、元启发式算法以及并行化技术。文章强调了组合方法、几何方法、谱方法与基于优化的方法的整合，以实现对大规模科学计算、社交网络和高性能计算工作负载至关重要的高质量划分结果。

ABSTRACT

We survey recent trends in practical algorithms for balanced graph partitioning together with applications and future research directions.

研究动机与目标

• 提供近年来在平衡图划分算法方面实用进展的结构化概述。
• 识别最先进的求解器中关键的算法技术及其集成方式。
• 讨论在扩展至百亿亿亿次计算架构和动态工作负载时面临的挑战。
• 弥合图划分领域中理论基础与实际实现之间的差距。
• 识别在粗化策略、并行化和节能划分方面存在的开放性问题。

提出的方法

• 对图划分变体（包括平衡划分、超图划分和聚类公式）进行调研与分类。
• 介绍多级方法：通过匹配对图进行粗化，求解最粗层次的问题，然后通过细化启发式方法逐步恢复。
• 在恢复阶段应用局部搜索和节点交换启发式方法，以提升划分质量。
• 集成元启发式算法（如进化算法），通过组合多次划分运行来优化结果。
• 分析并行与分布式划分策略，包括映射到分层处理器拓扑结构的方法。
• 使用科学模拟、道路网络和社交图等真实工作负载的基准测试评估性能。

实验结果

研究问题

• RQ1 多级图划分方法如何扩展以处理现代复杂网络结构和动态工作负载？
• RQ2 在大规模场景下，实现高质量划分的最有效粗化与细化策略是什么？
• RQ3 如何使图划分在拥有数百万个处理器的百亿亿次系统上保持高效与可扩展？
• RQ4 在复杂网络（如社交网络或网页图）中，传统假设（如切割量最小化与通信量相关）为何失效？
• RQ5 过度划分、动态重划分和面向能效的设计在未来的划分框架中将发挥何种作用？

主要发现

• 多级范式仍是大规模图划分最有效的方法，其结合了粗化、基础层求解与细化过程。
• 高质量的串行划分器在扩展至百亿亿次系统时面临困难，主要因为所需划分块数量巨大。
• 在高质量并行划分方面仍存在开放挑战，尤其是在处理器数量远超划分块数量的情况下。
• 顶级划分器中细粒度的离散计算与现代加速器（如GPU）的数据并行、SIMD式执行模型之间存在不匹配。
• 传统假设中将总切割量最小化等同于通信量最小化的关联性在复杂网络（如社交图或网页图）中已不再成立。
• 未来的图划分必须向动态、自适应和节能策略演进，以支持可塑计算与运行时重构。