یک الگوریتم جستجوی اول سطح کارامد گراف بر روی CPU و GPU
محورهای موضوعی : مهندسی برق و کامپیوتر
پریسا کشاورزی
1
(دانشگاه آزاد اسلامی، واحد مشهد)
حسین دلداری
2
(دانشگاه فردوسی مشهد)
سعید ابریشمی
3
(دانشگاه فردوسی مشهد)
کلید واژه: جستجوی اول سطح پردازنده گرافیکی پردازنده مرکزی کرنل,
چکیده مقاله :
گراف‌ها نمایش داده قدرتمندی هستند که به طور گسترده در حوزه‌های متفاوتی مورد استفاده قرار می‌گیرند. در کاربردهای مبتنی بر گراف یک پیمایش قاعده‌دار از گراف مانند جستجوی اول سطح، غالباً جزء کلیدی در پردازش مجموعه داده‌های بزرگ است. در این مقاله یک روش ترکیبی ارائه شده که برای هر سطح از پیمایش گراف، بهینه‌ترین نسخه از الگوریتم‌های پیاده‌سازی شده بر روی پردازنده مرکزی و پردازنده گرافیکی را انتخاب می‌کند. این روش ترکیبی کارایی خوبی را برای هر اندازه گرافی فراهم می‌کند، در حالی که از کارایی ضعیف روی گراف‌های با میانگین درجه کم و زیاد جلوگیری می‌کند. لازم به ذکر است که این روش بهره سرعت بالاتری نسبت به کارهای پیشین ارائه می‌دهد و نتایج علمی به دست آمده این ادعا را تأیید می‌کنند.
Graphs are powerful data representations used in enormous computational domains. In graph-based applications, a systematic exploration of graph such as a breath first search often is a fundamental component in the processing of the vast data sets. In this paper we presented a hybrid method that in each level of processing of graph chooses the best implementation of algorithms implemented on CPU or GPU, while avoid poor performance on low and high degree graphs. Our method shows improved performance over the current state-of-the-art implementation and our results proves it.
[1] J. Nickolls and W. J. Dally, "The GPU computing era," IEEE Micro, vol. 30, no. 2, pp. 56-69, Mar./Apr. 2010.
[2] T. Coffman, S. Greenblatt, and S. Marcus, "Graph-based technologies for intelligence analysis," Communications of the ACM, vol. 47, no. 3, pp. 45-47, Mar. 2004.
[3] R. Sim and N. Roy, "Global a-optimal robot exploration in slam," in Proc. IEEE Int. Conf. on, Robotics and Automation, ICRA'05, vol. pp. 661-666, Barcelona, Spain, Apr. 2005.
[4] S. Heryrani Nobari, Scalable Data-Parallel Graph Algorithms from Generation to Management, Ph.D. Thesis, University of Singapore, 2012.
[5] U. Brandes, "A faster algorithm for betweenness centrality," the J. of Mathematical Sociology, vol. 25, no. 2, pp. 163-177, 2001.
[6] A. Lumsdaine, D. Gregor, B. Hendrickson, J. Berry, and J. W. Berry, "Challenges in parallel graph processing," Parallel Processing Letters, vol. 17, no. 1, pp. 5-20, 2007.
[7] S. Skiena, The Algorithm Design Manual, Springer, pp. 166-168, 1998.
[8] M. E. J. Newman and M. Girvan, "Finding and evaluating community structure in networks," Physiscal Review E, vol. 69, no. 2, 16 pp., Feb. 2004.
[9] L. Luo, M. Wong, and W. M. Hwu, "An effective GPU implementation of breadth-first search," in Proc. of the 47th Design Automation Conf., pp. 52-55, 2010.
[10] S. Hong, T. Oguntebi, and K. Olukotun, "Efficient parallel graph exploration on multi-core CPU and GPU," in Proc. of the 2011 Inte. Conf. on Parallel Architectures and Compilation Techniques, pp. 78-88, 2011.
[11] https://developer.nvidia.com/about-cuda
[12] P. Harish and P. J. Narayanan, "Accelerating large graph algorithms on the GPU using CUDA," in HiPC, vol. 4873, Springer, Dec. 2007.
[13] S. Xiao and W. C. Feng, "Inter-block GPU communication via fast barrier synchronization," in Proc. IEEE Int. Symp. on Parallel & Distributed Processing, IPDPS'10, 12 pp., 2010.
[14] NVidia, C Best Practices Guide, NVIDIA Corp., Santa Clara, CA, US, 2012.
[15] http://www.dis.uniroma1.it/~challenge9/
[16] Stanford Large Network Dataset Collection, Feb. 2013, http://snap.stanford.edu/data