Graph Computing – eine neue Art, die Welt zu verstehen

Im Zeitalter von Big Data sind die Beziehungen zwischen Daten komplex und umfangreich. Die Beziehung zwischen verschiedenen Datenobjekten wird als Vertex und Edge beschrieben, wobei der Vertex das Datenobjekt und die Edge die Beziehung zwischen den Datenobjekten darstellt. Diese Datenstruktur, die die Beziehung von Datenobjekten darstellt, wird Graph genannt. Durch die Analyse des Diagramms können häufig nützliche Informationen gewonnen und auf verschiedene Szenarien angewendet werden.

Graph Computing ist eine Technologie, die die Graphen in der menschlichen Welt untersucht, sie beschreibt, darstellt, analysiert und berechnet. Derzeit ist diese aufstrebende Technologie weit verbreitet, und eine große Anzahl von Graphalgorithmen ist entstanden. Durch die Analyse umfangreicher Diagrammdaten können wichtige Informationen, die in den Diagrammdaten verborgen sind, erhalten werden. Beispiele hierfür sind die epidemiologische Analyse in Echtzeit, die gezielte Werbung und die schnelle Identifizierung von anomalen Verhaltensweisen im Finanzbereich.

Um das Verständnis des Bereichs der Graphanalyse zu erleichtern, fasst das Team von Prof. Dr. Hai Jin von der Huazhong University of Science and Technology den Forschungsstand der Graph-Computing-Schlüsseltechnologien der Implementierung von Softwaresystemen und domänenspezifischen Architekturen zusammen und fasst sie dann zusammen , vergleichen und analysieren Sie die neuesten Forschungsfortschritte unter drei Aspekten: Grundlagentheorie, Systemsoftware und Systemarchitektur. Der Übersichtsartikel wurde am 29. Oktober in veröffentlicht Intelligentes Rechnen.

Graph Analytics umfasst hauptsächlich Graph Processing, Graph Mining und Graph Learning und ist in praktischen Anwendungen sehr weit verbreitet. Da die Menge an Graphdaten weiter zunimmt, steht Graph Computing vor einer Reihe von Herausforderungen.

Die weit verbreitete Einführung von Graphanalyseanwendungen und die allmähliche Zunahme der Größe und Komplexität von Graphdaten bringen erhebliche Herausforderungen für Softwaretechnologien und Hardwarearchitekturen für Graph Computing mit sich. Darüber hinaus besteht eine Lücke zwischen den Merkmalen der Graphanalyse und den Hardwarefunktionen von Allzweckhardware.

Um die Probleme des groß angelegten Graph-Computing anzugehen, haben Forscher in den letzten Jahren umfangreiche Grundlagenforschung und Schlüsseltechnologiestudien durchgeführt.

Auf der Softwareebene wurden Verbesserungen an bestehenden Allzweck-Hardwareplattformen durch Softwaretechniken vorgenommen, wie z. B. Einzelmaschinenplattform und verteilte Plattform; Auf der Hardwareebene wurde die Hardwarebeschleunigung hauptsächlich durch Architekturinnovationen durchgeführt, um die erhebliche Lücke zwischen Allzweckhardware und den einzigartigen Eigenschaften der Graphanalyse zu schließen.

In den letzten Jahren sind neuartige Rechen- und Speichergeräte entstanden, und Softwareoptimierungstechnologien und Hardwarebeschleunigungstechnologien haben signifikante Leistungsverbesserungen erzielt.

Derzeit ist Graph Analytics immer noch ein beliebtes Forschungsthema und steht vor einer Reihe von Problemen, die angegangen werden müssen. Zum Beispiel domänenspezifische High-Level-Synthese, unsichere Muster für das Graph-Mining, große Graphen und Muster für das Graph-Mining, dynamisches Graph-Lernen, Speicherbedarfsbeschränkungen, heterogenes Graph-Lernen und so weiter.

Bereitgestellt von Intelligent Computing