Context-free path querying via tensor product for graph database on GPGPU

Abstract

Все чаще в задачах анализа используются данные, структурированные с использованием графовой модели. Для обработки таких данных используются как графовые базы данных, так и различные средства для вычисления запросов для определения скрытых взаимоотношений между вершинами графа. Запросы с контекстно-свободными ограничениями повсеместно используются в таких задачах как статический анализ кода, биоинформатика, анализ RDF данных и т.д. Однако реальные графовые данные насчитываю десятки миллонов вершин и ребер, поэтому их обработка только на ЦПУ становится неэффективной. В данной работе представлена реализация алгоритма вычисления запросов с контекстно-свободными ограничениями на ГПУ через тензорное произведение. Для его реализации спроектирована и реализована библиотека примитивов разреженной булевой линейной алгебры для вычислений с использованием Nvidia CUDA. Экспериментальное исследование с использованием реальных графовых данных показало, что специализированные для булевых значений операции для вычислений на ГПУ превосходят по производительности операции общего назначения, а реализация алгоритма с использованием этих операций превосходит по производительности подобные алгоритмы, работающие исключительно на ЦПУ.

Increasingly, analysis tasks use data structured using a graph model. To process such data, both graph databases and various tools for queries evaluation are used to find the hidden relationships between the vertices of the graph. Queries with context-free constraints are widely used in tasks such as static code analysis, bioinformatics, RDF data analysis, etc. However, real graph data has tens of millions of vertices and edges, so processing them only on the CPU becomes ineffective. This paper presents the implementation of the algorithm for computing queries with context-free constraints on the GPU through the tensor product. To implement it, a library of sparse Boolean linear algebra primitives was designed and implemented for computations using Nvidia CUDA. An experimental study using real graph data has shown that Boolean-specific operations for GPU computing outperform general-purpose operations, and the implementation of the algorithm using these operations outperforms similar algorithms that run exclusively on the CPU.