Gunrock：GPU图分析的强大工具

项目介绍

Gunrock 是一个专为GPU设计的CUDA库，专注于图处理。它采用了一种高层次、批量同步/异步、数据中心抽象的方法，特别关注顶点或边前沿的操作。Gunrock通过结合高性能GPU计算原语和优化策略（特别是在细粒度负载均衡方面），以及一种允许程序员快速开发新图原语的高层次编程模型，实现了性能和表达性之间的平衡。这使得开发者能够轻松地从单个GPU扩展到多个GPU，而无需深入了解GPU编程。

项目技术分析

Gunrock的核心技术在于其高效的GPU计算原语和优化策略。它利用CUDA的并行计算能力，通过高层次的编程模型简化了图算法的实现。Gunrock支持多种图算法，如广度优先搜索（BFS）、单源最短路径（SSSP）等，并且提供了丰富的示例和文档，帮助开发者快速上手。

Gunrock的架构设计灵活，支持从单个GPU到多个GPU的扩展，适用于不同的计算场景。其自动化的依赖管理（如NVIDIA/thrust和NVIDIA/cub）进一步简化了项目的构建和维护。

项目及技术应用场景

Gunrock适用于需要高性能图处理的多种场景，包括但不限于：

• 社交网络分析：快速分析大规模社交网络中的关系和影响力。
• 生物信息学：处理复杂的生物网络，如蛋白质相互作用网络。
• 推荐系统：通过图算法优化推荐系统的准确性和效率。
• 金融风控：分析交易网络中的异常行为和潜在风险。

项目特点

1. 高性能：利用CUDA的并行计算能力，Gunrock在GPU上实现了高效的图处理。
2. 易用性：高层次的编程模型和丰富的文档使得开发者能够快速上手，无需深入了解GPU编程。
3. 灵活性：支持从单个GPU到多个GPU的扩展，适用于不同的计算需求。
4. 自动化依赖管理：自动获取和配置外部依赖，简化了项目的构建和维护。
5. 丰富的示例和文档：提供了多种图算法的示例和详细的文档，帮助开发者快速理解和使用Gunrock。

快速开始

在开始构建Gunrock之前，请确保您的系统上已安装CUDA Toolkit（推荐版本为v11.5.1或更高）。其他外部依赖（如NVIDIA/thrust和NVIDIA/cub）将通过cmake自动获取。

git clone https://github.com/gunrock/gunrock.git
cd gunrock
mkdir build && cd build
cmake .. 
make sssp # 或者使用 make -j$(nproc) 编译所有算法
bin/sssp ../datasets/chesapeake/chesapeake.mtx

实现图算法

Gunrock提供了详细的文档，帮助开发者理解和实现新的图算法。以下是一个简单的示例，展示了如何在GPU上使用Gunrock的数据中心、批量同步编程模型实现广度优先搜索（BFS）。

void prepare_frontier(frontier_t* f,
                      gcuda::multi_context_t& context) override {
  auto P = this->get_problem();
  f->push_back(P->param.single_source);
}

void loop(gcuda::multi_context_t& context) override {
  auto E = this->get_enactor();
  auto P = this->get_problem();
  auto G = P->get_graph();

  auto single_source = P->param.single_source;
  auto distances = P->result.distances;
  auto visited = P->visited.data().get();
  auto iteration = this->iteration;

  auto search = [=] __host__ __device__(
                      vertex_t const& source,
                      vertex_t const& neighbor,
                      edge_t const& edge,
                      weight_t const& weight) -> bool {
    auto old_distance =
      math::atomic::min(&distances[neighbor], iteration + 1);
    return (iteration + 1 < old_distance);
  };

  operators::advance::execute<operators::load_balance_t::block_mapped>(
    G, E, search, context);
}

引用Gunrock

感谢您对Gunrock的关注和支持。如果您在研究中使用了Gunrock，请引用以下文献：

@article{Wang:2017:GGG,
  author =	 {Yangzihao Wang and Yuechao Pan and Andrew Davidson
                  and Yuduo Wu and Carl Yang and Leyuan Wang and
                  Muhammad Osama and Chenshan Yuan and Weitang Liu and
                  Andy T. Riffel and John D. Owens},
  title =	 {{G}unrock: {GPU} Graph Analytics},
  journal =	 {ACM Transactions on Parallel Computing},
  year =	 2017,
  volume =	 4,
  number =	 1,
  month =	 aug,
  pages =	 {3:1--3:49},
  doi =		 {10.1145/3108140},
  ee =		 {http://arxiv.org/abs/1701.01170},
  acmauthorize = {https://dl.acm.org/doi/10.1145/3108140?cid=81100458295},
  url =		 {http://escholarship.org/uc/item/9gj6r1dj},
  code =	 {https://github.com/gunrock/gunrock},
  ucdcite =	 {a115},
}

版权与许可

Gunrock由加利福尼亚大学董事会所有。该库、示例和所有源代码均在Apache 2.0许可下发布。