近日，实验室硕士生梁宇轩（导师张宇副教授）的论文“EGraph: Efficient Concurrent GPU-based Dynamic Graph Processing”被 IEEE Transactions on Knowledge and Data Engineering (TKDE) 录用。

为获得动态图变化过程中不同时间点的计算结果，动态图分析应用通常需要生成大量时序迭代图计算（Timing iterative Graph Processing, TGP）任务来处理动态图的不同快照。为了保证此类应用的高吞吐率，在GPU上同时运行TGP任务是一个有效途径。尽管最近已经开发了许多基于GPU的图计算系统，但是对于GPU核外动态图处理，由于CPU和GPU之间的大量数据传输以及并发运行任务之间的干扰，现有并发执行方式面临着高昂的数据访问开销，最终导致GPU利用率低。由于不同快照之间的大部分图数据是相同的，只有少量图数据随时间变化，论文观察到TGP任务在访问不同快照的图数据时具有极强的时间和空间相似性。

基于以上观察，论文设计了基于GPU的动态图处理系统EGraph，它能够集成到现有的 GPU 核外静态图处理系统中，使其能够高效利用GPU资源来有效地支持TGP任务对动态图不同快照的并发处理。与现有方法不同， EGraph 提出了一种有效的加载-处理-切换执行模型。其通过充分利用TGP任务之间的数据访问相似性来有效降低CPU-GPU之间的数据传输开销，并保证更高的GPU利用率，从而实现TGP任务的高效执行。实验结果表明，在支持TGP任务时，现有的 GPU图计算系统在与EGraph 集成后能够获得2.3-3.5倍的性能提升。

IEEE Transactions on Knowledge and Data Engineering期刊每年出版12期，主要关注知识发现和数据挖掘等领域的前沿研究，是计算机领域数据挖掘方向的顶级期刊，2021年影响因子是6.977，属于中国计算机学会CCF A类期刊。

（通讯员：赵进）