Joseph E.Gonzalez、Yucheng Low、Haijie Gu和Danny Bickson,卡内基·梅隆大学;卡洛斯·盖斯特林,华盛顿大学
大规模图形结构计算是从目标广告到自然语言处理等任务的核心,并导致了包括Pregel和GraphLab在内的多个图形并行抽象的开发。然而,现实世界中常见的自然图具有高度扭曲的幂律度分布,这挑战了这些抽象所做的假设,限制了性能和可伸缩性。
在本文中,我们描述了在现有的图并行抽象的背景下,自然图计算面临的挑战。然后我们介绍了PowerGraph抽象,它利用图形程序的内部结构来解决这些挑战。利用PowerGraph抽象,我们引入了一种新的分布式图布局和表示方法,该方法利用幂律图的结构。我们将PowerGraph与两种流行的图形并行系统进行了详细的分析和实验评估。最后,我们描述了PowerGraph的三种不同实现策略,并通过对大规模实际问题的实证评估,讨论了它们的相对优点,这些问题证明了数量级增益。
USENIX致力于开放访问我们活动上展示的研究。活动开始后,所有人都可以免费获得论文和会议记录。活动结束后发布的任何视频、音频和/或幻灯片也免费向所有人开放。支持USENIX以及我们对开放存取的承诺。
下载音频