싱글 머신에서 GPU를 활용한 그래프 엔진 :A graph engine using GPU on a single machine

정동규

추천

검색

자료유형: 학위논문

저자정보: 정동규 (한양대학교, 한양대학교 대학원)

지도교수: 김상욱

발행연도: 2020

저작권: 한양대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (2)

2020

싱글 머신에서 GPU를 활용한 그래프 엔진

정동규 컴퓨터·소프트웨어학과 2020.01 학위논문

2018

싱글 머신에서 CPU 기반 및 GPU 기반 그래프 엔진의 성능 평가

정동규 , 장명환 , 김상욱 한국정보과학회 학술발표논문집 2018.12 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

그래프는 다양한 분야에서 폭넓게 사용되는 자료 구조의 형태로 객체 간의 관계를 나타낼 수 있다. 이러한 그래프를 분석하여 가치 있는 정보를 얻고자 다양한 그래프 알고리즘들이 연구되어 왔다. 웹, 소셜 네트워크 등 사용자들 간에 관계망이 형성되는 서비스의 증가로 인해 그래프 데이터의 크기가 급격하게 증가하고 있다.
그래프 처리의 효율성이 대두됨에 따라 그래프 알고리즘을 더욱더 빠르고 효과적이게 처리하고자 그래프 엔진에 대한 연구들이 이뤄지기 시작했다. 먼저, 분산 시스템 기반의 그래프 엔진의 등장으로 여러 대의 머신을 사용하여 대용량 그래프를 효과적이고 빠르게 처리할 수 있게 되었다. 하지만 분산 시스템 기반의 그래프 엔진은 사용자가 분산 시스템 환경에 대한 배경 지식이 필요하여 접근에 어려움이 존재한다. 또한 여러 대의 머신을 사용하여 머신 간의 커뮤니케이션 오버헤드가 잦게 발생한다는 비효율성이 대두되기 시작했다. 하드웨어의 발전으로 메인 메모리 크기가 커지고 SSD, NVMe 같은 빠른 입출력 속도를 가진 보조 기억 장치가 등장하면서 싱글 머신 기반의 그래프 엔진들이 제안되기 시작했다. 싱글 머신 기반의 그래프 엔진에서도 분산 시스템 기반 못지않은 대용량 그래프를 처리할 수 있게 되었고 무엇보다 머신간의 커뮤니케이션 오버헤드가 존재하지 않아 잦은 중간 결과 취합에 용이했다. 사용자 측면에서도 분산 시스템 환경에 대한 배경 지식이 없어도 된다는 편리함이 존재했다.
하지만 연산 측면에서 CPU 대신 GPU를 사용할 경우 성능 개선을 이룰 수 있다는 점이 대두되었다. GPU는 수천 개의 코어로 단순하고 반복적인 연산에 특화된 프로세싱 유닛이다. 이러한 이유로 싱글 머신 기반의 그래프 엔진에 연산 능력이 뛰어난 GPU를 활용하고자 하는 연구들이 시작되었다.
본 논문은 싱글 머신 기반의 그래프 엔진 중 가장 최신인 RealGraph의 환경에서 GPU를 효율적으로 활용하는 RealGraphGPU를 구현했고 결과물을 소개한다. RealGraphGPU는 GPU의 문제점인 전송 오버헤드와 디바이스 메모리 크기 문제점을 해결했다. 실험을 통해 제안하는 전략을 통한 전송 오버헤드 최소화 정도 및 RealGraphCPU와 비교하여 성능 개선 정도 확인한다. 실험 결과에서 RealGraphGPU는 RealGraphCPU 대비 최대 3.4배까지 성능 개선을 할 수 있음을 확인하였다.

Graphs represent relationships between objects in the form of data structures that are widely used in various fields. Various graph algorithms have been studied to obtain valuable information by analyzing such graphs. The size of graph data is rapidly increasing due to the increase of services in which a network is formed between users such as web and social networks.
As the efficiency of graph processing increases, the graph engine has studied to process graph algorithms more quickly and efficiently. First, with the advent of distributed system-based graph engines, large scale graphs can be processed efficiently and quickly using multiple machines. However, the graph engine based on the distributed system has difficulty in access because the user needs background knowledge of a distributed system environment. Besides, using a large number of machines cause frequent communication overhead between machines in inefficiency. Hardware advances have led to the increase of main memory and the advent of fast secondary storage such as SSD and NVMe. The single machine-based graph engine can handle large graphs like distributed system-based, and most of all, there is no communication overhead between machines, making it easy to collect frequent intermediate results. Besides, From the user''s point of view, there was a convenience that there was no need for background knowledge of the distributed system environment.
However, CPUs have dozens of cores and have less computing power than GPUs. In contrast, GPU developed for processing computer graphics, are processing units specialized in simple, repetitive operations with thousands of cores. For this reason, studies have been initiated to utilize GPU with high computing power in single machine-based graph engines.
Therefore, this paper introduces RealGraphGPU which is implemented to effectively utilize GPU while solving the transfer overhead and device memory size problem of GPU in RealGraph environment which is the most recent graph engine based on single machine. Then, we check the performance improvement in comparison with RealGraphCPU. Through experiments, we confirmed that we can minimize the transmission overhead when using the proposed strategies setting technique. Also, we confirmed that the performance improvement can be up to 3.4 times higher than RealGraphCPU through RealGraphGPU.

#컴퓨터공학

제1장 서 론 1
제2장 관련 연구 3
제1절 그래프 엔진 ············································ 3
제2절 RealGraph 개요 ····································· 6
제3장 RealGraphGPU 8
제1절 데이터 전송 및 처리 방법 ························· 8
제2절 애트리뷰트 할당 전략 ····························· 10
제3절 알고리즘 수행 흐름 ································ 12
제4장 성능 평가 13
제1절 실험 환경 ·············································· 13
제2절 제안 기술 실험 결과 ································ 15
제3절 RealGraphCPU와의 비교 실험 결과 ········ 17
제5장 결 론 23
참고문헌 24

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)