近日，实验室博士生张祎（导师廖小飞教授）的论文“Octopus: Efficient Hypergraph Pattern Mining with Practical Processing-in-Memory Architecture”被ACM Special Interest Group on Management of Data（SIGMOD 2026）录用。

超图模式挖掘（Hypergraph Pattern Mining, HPM）是揭示复杂数据中高阶关联关系的关键分析技术。尽管相关算法研究已取得长足进展，现有系统在实际运行中仍难以充分释放硬件计算潜能。这主要源于超图模式挖掘工作负载所具有的内存受限特性与高度不规则性，严重制约了系统的持续吞吐能力。实验分析表明，即便是当前最先进的超图模式挖掘系统，在真实工作负载下，其实际性能利用率仍显著低于理论峰值计算能力。针对上述问题，文章提出首个面向实际 Processing-in-Memory（PIM）硬件的全栈软硬件协同设计 HPM 加速系统Octopus。Octopus 基于新兴商用 PIM 平台 UPMEM 构建，该平台在标准 DRAM 模块中集成了数千个轻量级内存计算单元（DPU）。为充分发挥 UPMEM 的大规模并行性与高带宽优势，并适应其严格的体系结构约束，Octopus 设计了两个紧密协同的核心组件：（1）跨 DPU 协同框架，实现紧凑数据划分与负载均衡分配；（2）DPU 内部挖掘引擎，支持高效的超边级候选生成与异步多线程执行。在真实 UPMEM 平台和多个真实超图数据集上开展的实验评估表明，与当前最先进的超图挖掘系统 HGMatch 和 OHMiner 相比，Octopus 分别实现了最高 55.37× 和 19.80× 的性能提升。

SIGMOD是数据库领域的顶级学术会议之一，致力于展示和分享数据库管理系统和数据管理领域的最新研究成果。

（通讯员：张祎）