在我們的 先前的圖分析探索 中，我們使用 NVIDIA cuGraph 揭示了 GPU-CPU 融合的變革力量。基于這些見解，我們現(xiàn)在引入了一種革命性的新架構(gòu)，它重新定義了圖處理的邊界。

圖形處理的發(fā)展

在我們早期涉足圖形分析的過程中，我們在使用的架構(gòu)方面面臨著各種挑戰(zhàn)。這種體系結(jié)構(gòu)雖然有效，但也造成了阻礙設(shè)置和性能的障礙。

圖 1.（以前的體系結(jié)構(gòu)）使用 TigerGraph、cuGraph 和 GSQL 進(jìn)行高性能圖形分析的過程

以前體系結(jié)構(gòu)的挑戰(zhàn)

對磁盤的依賴關(guān)系：我們在 TigerGraph 和 cuGraph 之間使用基于磁盤的數(shù)據(jù)傳輸，這會對可擴(kuò)展性和性能造成限制。組件之間的數(shù)據(jù)傳輸依賴于臨時磁盤，從而引入延遲和潛在的性能瓶頸。

Python 依賴項：使用 Python 運行 cuGraph 將引入開銷和復(fù)雜性，從而影響性能，特別是在圖形處理等計算密集型任務(wù)中。

節(jié)儉層：節(jié)儉的通信會增加復(fù)雜性和開銷，從而可能影響系統(tǒng)的可靠性。

對設(shè)置和性能的影響

這些依賴關(guān)系不僅使設(shè)置過程復(fù)雜化，而且對實現(xiàn)最佳性能也提出了挑戰(zhàn)。對共享磁盤基礎(chǔ)設(shè)施的需求，加上基于 Python 的服務(wù)和 Thrift 通信，造成了一個難以有效配置和擴(kuò)展的系統(tǒng)。

在我們尋求加速圖形分析的過程中，很明顯，范式轉(zhuǎn)變是必要的。進(jìn)入下一代架構(gòu)，這是一種革命性的方法，旨在克服前代架構(gòu)的局限性，開啟圖形處理的新領(lǐng)域。讓我們詳細(xì)探討一下這一突破性的體系結(jié)構(gòu)。

介紹下一代架構(gòu)

在我們尋求徹底改變圖形分析的過程中，我們精心打造了代表圖形處理范式轉(zhuǎn)變的下一代架構(gòu)。該體系結(jié)構(gòu)完全構(gòu)建在 C++中，利用尖端技術(shù)實現(xiàn)了前所未有的性能和可擴(kuò)展性。

理解 TigerGraph 中的 GSQL 查詢執(zhí)行過程

在深入研究我們新體系結(jié)構(gòu)的復(fù)雜性之前，了解 GSQL 查詢傳統(tǒng)上是如何在 TigerGraph 集群中執(zhí)行的至關(guān)重要：

步驟 1：編譯
GSQL 查詢將經(jīng)編譯，然后轉(zhuǎn)換為 C++ 代碼。隨后，編譯這些代碼，并將其與專有的 TigerGraph 庫進(jìn)行鏈接，以便執(zhí)行準(zhǔn)備。

第 2 步：執(zhí)行
編譯后，將使用圖形處理引擎（GPE）在 TigerGraph 集群上執(zhí)行查詢。GPE 負(fù)責(zé)管理集群通信，并協(xié)調(diào)分布式環(huán)境中算法的執(zhí)行。

升級下一代體系結(jié)構(gòu)

在我們的下一代體系結(jié)構(gòu)中，我們對編譯和執(zhí)行階段進(jìn)行了重大升級，利用 GPU 加速的力量并簡化了處理流程：

步驟 1：增強加速的查詢編譯
我們通過將 cuGraph CUDA 庫直接集成到 TigerGraph 中，實現(xiàn)了對 GPU 加速圖形處理功能的無縫訪問。基于 cuGraph 庫，我們開發(fā)了 ZettaAccel，這是一個自定義的 C++ 庫，它公開了在 GSQL 查詢中可用作用戶定義函數(shù)（UDF）的函數(shù)。現(xiàn)在，在查詢編譯過程中，GSQL 查詢被編譯并與 TigerGraph、CUDA cuGraph 和 ZettaAccel 庫鏈接，從而解鎖其核心的加速圖處理能力。

圖 2:加速 GSQL 編譯

步驟 2：通過 GPU 資源管理優(yōu)化執(zhí)行
在執(zhí)行時，我們的體系結(jié)構(gòu)使用 RAPID 生態(tài)系統(tǒng)庫動態(tài)分配 GPU 資源，以確保可用硬件的最佳利用率。圖形數(shù)據(jù)通過 ZettaAccel 庫從 TigerGraph 高效地傳輸?shù)?GPU 內(nèi)存，其中它被無縫轉(zhuǎn)換為可供處理的圖形結(jié)構(gòu)。然后，算法直接在 GPU 上執(zhí)行，利用其并行處理能力獲得無與倫比的性能提升。最后，生成的數(shù)據(jù)被無縫地傳輸回 CPU 和 TigerGraph，以進(jìn)行進(jìn)一步的分析和集成。

圖 3。加速 GSQL 執(zhí)行

下一代架構(gòu)的優(yōu)勢

下一代架構(gòu)代表了圖形處理效率和可擴(kuò)展性的巨大飛躍：

前所未有的性能：通過充分利用 GPU 加速和精簡處理管道，我們的架構(gòu)提供了無與倫比的性能提升，從而能夠快速執(zhí)行復(fù)雜的圖形算法。

簡化的設(shè)置：通過將 cuGraph 和 ZettaAccel 集成到 TigerGraph 中，我們簡化了設(shè)置過程，消除了對復(fù)雜依賴關(guān)系的需求，并減少了配置開銷。

可擴(kuò)展性和靈活性：借助動態(tài) GPU 資源管理和高效的數(shù)據(jù)傳輸機制，我們的架構(gòu)可以輕松擴(kuò)展，以處理大規(guī)模的圖形數(shù)據(jù)集和多樣化的處理工作負(fù)載。

利用加速的 GSQL 構(gòu)造進(jìn)行圖形處理

為了利用加速的 GSQL 構(gòu)造的力量進(jìn)行高效的圖形處理，用戶可以遵循分為三個階段的結(jié)構(gòu)化方法：流式圖形構(gòu)造、算法執(zhí)行和結(jié)果檢索。

讓我們以 pagerank 為例來看看所有三個階段：-

1.流圖構(gòu)建：

在這個階段，用戶通過指定數(shù)據(jù)處理所需的關(guān)系和累加器來定義流圖。

在這里，用戶可以建立初始的圖結(jié)構(gòu)，并積累相關(guān)信息，如圖對象和自定義流功能。這個udf_stream_edges 函數(shù)能夠有效地處理邊緣流并更新圖形結(jié)構(gòu)。

2.執(zhí)行算法：

一旦構(gòu)建了流圖，用戶就可以使用 GSQL 結(jié)構(gòu)高效地執(zhí)行他們想要的算法。

在這個階段，用戶使用加速的 GSQL 構(gòu)造來執(zhí)行像 PageRank 這樣的算法。這個udf_prank_execute函數(shù)可以有效地計算分布在服務(wù)器上的頂點的 PageRank 分?jǐn)?shù)，從而優(yōu)化算法執(zhí)行時間。

3.檢索結(jié)果：

在執(zhí)行算法之后，用戶從圖中取回計算結(jié)果，用于進(jìn)一步分析或可視化。

在這里，用戶檢索在算法執(zhí)行期間計算的 PageRank 分?jǐn)?shù)，并將其存儲為頂點屬性，用于后續(xù)分析或可視化。

通過遵循這三個階段，用戶可以有效地利用加速的 GSQL 構(gòu)造來簡化圖形處理任務(wù)，優(yōu)化算法執(zhí)行，并高效地從圖形數(shù)據(jù)中檢索有價值的見解。

績效基準(zhǔn)和結(jié)果

圖形算法性能比較

該基準(zhǔn)測試在 2 節(jié)點集群上進(jìn)行，每個節(jié)點都具有 4x NVIDIA A100 40GB GPU、AMD EPYC 7713 64 核處理器和 512GB RAM。

基準(zhǔn)數(shù)據(jù)集

Graphalytics 是由鏈接數(shù)據(jù)基準(zhǔn)委員會（LDBC）開發(fā)的綜合基準(zhǔn)套件，旨在評估圖形數(shù)據(jù)庫管理系統(tǒng)（GDBMS）和圖形處理框架的性能。它提供了真實世界的數(shù)據(jù)集、不同的工作負(fù)載和一系列圖形算法，以幫助研究人員和組織評估系統(tǒng)的效率和可擴(kuò)展性。欲了解更多信息，請參閱 LDBC 圖形分析基準(zhǔn)。

表 1。與 cuGraph 加速（Python 和 Native）集成方法相比，基于 TigerGraph CPU 的解決方案

優(yōu)化圖形處理：在 TigerGraph 中集成 cuGraph 的成本分析

在追求增強圖形處理能力的過程中，cuGraph 與 TigerGraph 的集成已被證明是游戲規(guī)則的改變者。通過在 TigerGraph 框架內(nèi)利用 cuGraph 的 GPU 加速功能，我們不僅實現(xiàn)了顯著的速度提高，還顯著降低了總體成本。

機器信息：以下是機器的詳細(xì)信息：

實例名稱：m7a.32xlarge

節(jié)點總數(shù)：2 個

按需時薪：7.41888 美元

vCPU 數(shù)量：128

內(nèi)存大小：512 GiB

實例名稱：p4d.24xlarge

節(jié)點總數(shù)：1 個

按需時薪：$32.77

vCPU 數(shù)量：96

內(nèi)存大小：1152 GiB

GPU 信息：

規(guī)格： NVIDIA A100 GPU

計數(shù)：8

內(nèi)存：320 GB HBM2

表 2。與我們的基準(zhǔn)機器相似的 AWS 機器的成本分析

這些結(jié)果表明，當(dāng)將 cuGraph 與 TigerGraph 集成時，圖形處理的速度顯著提高了 100 倍。同時，成本分析顯示，總體成本大幅降低了 50 倍，顯示了這種集成的效率和成本效益。這種優(yōu)化不僅確保了卓越的性能，而且為圖形分析工作負(fù)載提供了更經(jīng)濟(jì)的解決方案。

總結(jié)

在對圖形分析的全面探索中，我們開始了一段徹底改變處理和分析復(fù)雜圖形數(shù)據(jù)方式的旅程。從傳統(tǒng)架構(gòu)的挑戰(zhàn)到我們下一代解決方案的推出，本文涵蓋了一系列主題，展示了先進(jìn)技術(shù)和創(chuàng)新方法的變革力量。

圖形處理技術(shù)的發(fā)展：

我們首先剖析了傳統(tǒng)圖形處理架構(gòu)的局限性，強調(diào)了對共享磁盤基礎(chǔ)設(shè)施、Python 和 Thrift 通信層的依賴性。這些挑戰(zhàn)凸顯了對圖形分析新方法的需求，這種方法可以釋放新的性能、可擴(kuò)展性和效率水平。

介紹下一代架構(gòu)：下一代架構(gòu)的引入。

進(jìn)入我們的下一代架構(gòu)——圖形處理中改變游戲規(guī)則的范式轉(zhuǎn)變。我們的體系結(jié)構(gòu)完全構(gòu)建在 C++中，利用一系列尖端技術(shù)，包括 cuGraph、Raft、NCCL 和 ZettaAccel，將圖形分析加速到前所未有的高度。

關(guān)鍵進(jìn)展和創(chuàng)新：

通過我們的新體系結(jié)構(gòu)，我們徹底改變了圖形處理的編譯和執(zhí)行階段。通過將 cuGraph 和 ZettaAccel 直接集成到 TigerGraph 中，我們簡化了編譯過程，消除了復(fù)雜的依賴關(guān)系，并解鎖了 GPU 加速的圖形處理的核心。我們的體系結(jié)構(gòu)的動態(tài) GPU 資源管理和精簡的數(shù)據(jù)傳輸機制確保了各種圖形處理任務(wù)的最佳性能和可擴(kuò)展性。

前所未有的性能和可擴(kuò)展性：無與倫比的計算能力和靈活的架構(gòu)設(shè)計。

結(jié)果不言自明——我們的下一代架構(gòu)提供了無與倫比的性能提升，實現(xiàn)了復(fù)雜圖形算法的快速執(zhí)行和處理大規(guī)模數(shù)據(jù)集的無縫可擴(kuò)展性。通過利用 GPU 加速和創(chuàng)新 C++技術(shù)的力量，我們重新定義了圖形分析的邊界，使組織能夠釋放新的見解，推動不同領(lǐng)域的創(chuàng)新。

未來的發(fā)展方向和機遇：

當(dāng)我們展望未來時，可能性是無限的。隨著 GPU 技術(shù)、算法優(yōu)化以及與新興框架的集成的不斷進(jìn)步，我們的體系結(jié)構(gòu)將繼續(xù)發(fā)展，突破圖形分析的極限。

開始使用

如果你渴望利用加速圖形處理的力量，以下是你如何開始你的旅程：

檢查您的要求：確保您的 TigerGraph 版本 3.9.X 和 NVIDIA GPU 配備了 RAPID 支持。這些先決條件對于釋放加速圖形處理的潛力至關(guān)重要。

表達(dá)您的興趣：如果您對探索加速圖形處理感興趣，請聯(lián)系 TigerGraph 或Zettabolt。無論您是經(jīng)驗豐富的數(shù)據(jù)科學(xué)家還是圖形分析的新手，他們的團(tuán)隊都會隨時為您提供幫助。

指導(dǎo)和支持：一旦您表達(dá)了興趣，TigerGraph 或 Zettabolt 的專家將指導(dǎo)您完成最初的步驟，為您提供所有必要的信息，以啟動您的加速圖形處理之旅。從設(shè)置基礎(chǔ)架構(gòu)到微調(diào)性能，他們的支持確保了實施的順利和成功。

審核編輯 黃宇