近日，实验室博士生张祎（导师廖小飞教授）的论文“Cheetah: Accelerating Dynamic Graph Mining with Grouping Updates”被ACM Transactions on Architecture and Code Optimization (TACO) 期刊录用。

图模式挖掘对于研究复杂网络至关重要。在现实生活中，图的结构往往是动态的，会随着时间的推移而改变，为此需要更新结果以反映图的结构变化。传统方法采用细粒度的增量计算的方式，从而避免每次更新图的结构后都对全图重新挖掘，但这样细粒度的方式忽略了更新之间的关联性，从而使得在对每个更新边扩展的过程中出现了大量的冗余操作。为此，文章提出了利用探索域来粗粒度的处理更新的动态图挖掘系统Cheetah。首先，Cheetah提出了探索域的概念，通过利用真实图的社群结构来发掘数据重用的机会。其次，Cheetah通过一个域管理模块动态地构建探索域，该模块可以在图的结构发生变化时识别并维护探索域。此外，通过对域内的更新进行分组，并采用以邻居为中心的扩展策略，Cheetah最大限度地减少了冗余数据访问。在多个应用负载上的实验表明，与当前最先进的动态图挖掘系统相比，Cheetah实现了平均2.63倍的性能提升。

ACM Transactions on Architecture and Code Optimization是计算机体系结构领域的顶级期刊之一，属于中国计算机学会CCF A类期刊，当前影响因子为1.5。

（通讯员：张祎）