论文导读 | 加速GPU上的三角形计数算法

 

北京大学 胡琳

 

编者按：

北京大学数据管理实验室胡琳博士关于三角形计数的论文《Accelerating triangle counting on GPU》被SIGMOD2021接收。

三角形计数是图上的重要算子，近年来三角形计数算法在GPU上获得了很好的加速效果。我们提出了轻量级的预处理策略，使得这种策略对于许多当前最优的GPU三角形计数算法都有提升。我们通过在许多算法中总结相同的计算模式，并从中抽取出分析模型，总结常见的预处理策略是如何对于GPU上的工作负载均衡和资源使用均衡产生影响的。我们证明这些问题的求解是NP难的，进而给出我们的解决方案。最终我们的算法在许多当前最优的算法上都有显著的性能提升。

 

背景介绍

 

 

 

三角形计数算法是图上一个重要的图算子，是许多其他算法（例如k-truss）的基础，同时在计算图的聚集系数，垃圾邮件的检测，推荐算法等方面也有许多实际的应用。

随着要处理的图的规模的增加，CPU逐渐显示出处理和运算能力的不足，因而拥有更高计算能力和更高带宽的GPU越来越受到人们的青睐。GPU设计之初是进行图像的处理，但是由于其出色的性能，许多图算法都迁移到GPU上做，例如BFS算法[1],单源最短路径[2]和子图匹配[3]等算法，都在GPU上实现了非常好的加速效果。

本文中我们研究的也是在GPU上设计的三角形计数算法。目前已经有很多GPU三角形计数实现，这里我们不是提出一种新的算法，而是设计一个对于许多当前算法都有效的方案。我们通过对于原始图数据的处理，包括边的导向和点的重标号，使图能够更加适应GPU的底层架构；从而在不改变三角形计数实现的情况下，对于许多当前主流的三角形计数算法都有提升。

目前GPU上进行图算法（包括三角形计数算法）的处理，主要存在两个问题。首先由于图的不规则性，不同的线程在获得不同的任务单元的时候（例如处理一个点或者一条边的相关任务），很难避免地会出现获得的任务不均衡的情况，由于GPU底层架构中SIMD的特性，这种任务的不均衡会导致整体