基于混合着色算法的GPU异步图计算系统-计算机软件与理论专业论文.docxVIP

独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在 文中以明确方式标明。本人完全意识到，本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本论文属于 保密□ ，在 年解密后适用本授权书。 不保密□。 （请在以上方框内打“√”） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 华中科技 大学硕士 学 华 中 科 技 大 学 硕 士 学 位 论 文 I I 摘 要 大规模图数据处理已经成为大数据时代的一个重要组成部分，无论是在社交网 络，还是在 Web 应用、生物信息网络等场景中都有所涉及。图计算系统的研究，也 因此成为了高性能计算领域的热点。随着通用 GPU 技术的发展，GPU 被用来加速图 数据的处理成为了一种趋势。然而通过调研发现，当前的 GPU 图计算系统以同步处 理模型为基础，这种处理模型需要在每次迭代执行之后，同步所有顶点的更新数据， 然而由于数据划分不均衡，导致同步过程开销巨大，也减缓了图算法的收敛速度， 同时不能高效利用 GPU 的并行计算能力。 采用异步处理模型的 GPU 图计算系统 Frog，解决了迭代过程同步开销大、GPU 并行计算能力受限、算法收敛速度慢的问题。首先，Frog 采用异步处理模型，在保 证异步处理过程中数据一致性的同时，避免了当前系统中存在的同步通信开销；其 次，Frog 采用基于混合着色算法的数据划分策略，通过对所有顶点进行混合着色处 理，整合计算任务少的顶点，保证在 GPU 的每个更新窗口中都有足够的计算任务在 执行，从而提高 GPU 的并发资源利用率；最后，Frog 通过加快迭代计算过程中消息 的传递速度，从而使所有顶点都能够访问到最新的更新值，进而加快图算法的收敛 速度。此外，Frog 通过对超出 GPU 内存的图进行分块处理，保证每个数据块都能够 适应 GPU 内存大小，从而有效地处理超大规模的图数据。 Frog 以 CUDA 语言为基础进行编程设计，并提供了开放的 API 接口，使得用户 可以方便地进行 GPU 编程。实验表明，Frog 比现有的 GPU 图计算系统能够获得 3.2 倍以上的性能提升。此外，Frog 系统还能够处理现有的 GPU 图计算系统无法处理的、 超出 GPU 设备内存的大规模图数据，比现有的 CPU 图计算系统能够获得 5.3 倍以上 的性能提升。 关键词：图计算，GPU，数据划分，异步处理模型 II II Abstract Large-scale graph computing has become an important part of big data processing. It can be found whether in the social networks, Web applications, or biological information networks. And research on graph processing systems becomes one of the hot fields of High Performance Computing (HPC). With the development of GPGPU technology, it becomes a trend that GPU is used to accelerate the graph processing. However, current GPU based graph computing systems are developed based on the synchronous pro- cessing model, which needs a barrier to complete the data synchronization after each itera- tion of the execution. These systems cannot make full use of GPU computing resources because of the unbalanced data partitio