近日，博士生吴文超（导师金海教授）的论文“TurboMGNN: Improving Concurrent GNN Training Tasks on GPU with Fine-grained Kernel Fusion”被分布式系统领域顶级期刊 IEEE Transactions on Parallel and Distributed Systems（IEEE TPDS）录用。
随着图神经网络（Graph Neural Network，GNN）在多个领域（例如节点分类，链路预测等）取得了优异性能表现，并发多任务GNN训练，作为一个新的场景，在网路结构搜索（Network Architecture Search, NAS）中变得越发常见和重要。现有的GNN系统工作主要集中于单个GNN训练任务优化，忽略了并发任务之间的共性，造成大量的冗余计算和内存访问。鉴于此，论文首次提出了针对并发GNN训练的多任务协调机制，通过基于稀疏矩阵乘法的细粒度算子融合，正反向算子融合以及运行时动态分组和调度机制，从而有效消除并发任务之间的冗余计算和访存开销，提升kernel执行性能，并减少无序的资源竞争。论文从kernel（单个内核）性能和端到端执行时间两个角度，在常用的数据集和模型上评估了提出的方法的有效性。
IEEE TPDS期刊是计算机系统结构/并行与分布计算领域顶级学术期刊，是中国计算机学会（CCF）推荐的A类期刊。
（通讯员：吴文超）
