HPC赋能大图数据处理 | ChinaData

国防科技大学计算机学院副研究员

甘新标，国防科技大学副研究员， 军队高层次人才青年科技英才，天图系统（TianheGraph）的设计者和完成人，相关技术创新成果被新华社、人民日报、解放军报等100+主流媒体报道，图计算优化相关技术创新以第一作者身份已陆续发表于PPoPP、SC、TPDS、TACO、VLDB、WWW等CCF推荐期刊与会议；领导课题组设计开发的大规模流场可视化系统TianheVis以及国产虚拟渲染引擎TianheVE已广泛应用装备数值模拟可视化与大规模场景渲染应。

清华大学交叉信息研究院长聘副教授

报告题目：利用近存计算架构加速复杂图计算：图模式匹配与近似最近邻搜索

报告嘉宾简介： 高鸣宇现为清华大学交叉信息研究院长聘副教授，博士生导师。于美国斯坦福大学获得博士学位。研究方向为计算机体系结构与系统，尤其关注针对人工智能和大数据分析等数据密集型应用的新型存储架构、专用计算系统、硬件系统安全等方面。已发表多篇国际顶级学术会议（ISCA、ASPLOS、MICRO、HPCA、OSDI、SIGMOD、VLDB等）论文，也常年担任ISCA、ASPLOS、MICRO、HPCA等多个顶级会议的程序委员会成员。

报告摘要：当前近存计算架构体现出较强的分布式特点。整个系统中含有大量内存模块，如DRAM rank或bank等，而每个内存模块附近配属一定的本地计算单元。如何在上述分布式的近存计算单元上高效支持不规则的复杂图计算任务成为一个较大的挑战。本报告以图模式匹配和基于图索引的近似最近邻搜索两个算法为例，介绍近存计算架构上针对复杂图计算的软硬件优化方法，包括任务划分、计算早停、负载均衡、数据布局等技术。上述工作分别发表于SIGMOD 2024和ISCA 2025。

北京航空航天大学，教授

报告题目：高效能图神经网络系统研究探索

报告嘉宾简介：杨海龙，北京航空航天大学，教授，博士生导师，副院长。国家优秀青年科学基金获得者，国家重点研发计划项目负责人，CCF杰出会员。主要研究方向为高性能计算、性能调优工具、编译优化技术、模型训推系统等。目前已在SC、PPoPP、ASPLOS、ISCA、TPDS、TC、TACO等国际会议和期刊上发表100余篇学术论文，TC论文获评IEEE CS亮点论文。担任CLUSTER’21体系结构领域共同主席，THPC期刊青年编委。担任北航本科生超算队教练，指导团队获得国内外赛事奖项二十余项。指导学生获CCF体系结构专业委员会博士学位论文激励计划、CCF高性能计算专业委员会博士学位论文激励计划、ACM SIGHPC优秀博士学位论文奖。获2025年CCF-IEEE CS青年科技奖。

报告摘要：图神经网络GNN因其在非欧几里得数据上的强大建模能力，已成为机器学习领域的重要研究方向。然而，现有GNN训推系统在计算效率、扩展性、资源利用等方面仍存在显著不足。本报告介绍了研究组在GNN训练、推理和评测方面的研究成果，系统性探讨提升GNN训练与推理性能的关键技术。在训练系统方面，提出了一套GNN任务并发调度和弹性训练框架，通过任务队列管理和显存占用预估，以及结合图重分区算法和成本感知调度策略，实现了高效的资源动态分配，提升了GPU资源利用率；在推理系统方面，通过记忆更新与聚合操作解耦，提出了高效的计算图重构方法及依赖优化策略，提升了模型推理性能；在评测系统方面，提出了一套跨框架的性能分析工具，基于统一的领域特定语言，实现了不同GNN框架间的有效性能评测和瓶颈诊断。本报告希望在高效能图神经网络系统研究方向为听众提供参考和借鉴。

中国科学院计算机网络信息中心 研究员

报告题目：面向图神经网络的稀疏矩阵计算加速和并行优化技术

报告嘉宾简介：王珏，中国科学院计算机网络信息中心 研究员。入选国家高层次人才计划，长期从事超算应用底层适配，具有性能模型、自动调优相关软件和应用的研发经历；高性能计算和智能优化的研究成果在能源、材料等多个领域进行应用和落地。国内外重要会议和刊物IEEE TSE、IEEE TFS、PPoPP、SC、DAC、AAAI、IJCAI等发表论文100余篇；授权专利50余项，美国专利2项；专著2部。获得SC 23最佳论文和最佳学生论文双提名，KSEM 22最佳学生论文。近5年获得国防技术发明二等奖、国防科技进步二等奖、北京市技术发明二等奖、中核技术发明一等奖（2次）、中核技术发明二等奖和国家电网科技进步三等奖。

报告摘要：稀疏矩阵和稠密矩阵乘法运算SpMM（Sparse Matrix-Matrix Multiplication）在图神经网络、稀疏线性代数求解器、科学计算仿真等领域广泛应用。当前Tensor Core是GPU上矩阵计算的核心单元。为了解决Tensor Core上稀疏矩阵存储开销大、访存模式不规则、数据加载和计算掩盖不充分等问题，研发了Acc-SpMM算法库，并设计了系统化的优化策略，包括新的稀疏矩阵压缩存储格式、数据重排算法、流水线和自适应负载均衡算法。实验证明 Acc-SpMM 在多类数据集上性能高于cuSPARSE。全批次图神经网络的分布式训练仍面临严重负载不平衡和高通信开销等挑战，设计了高效全批次训练系统ParGNN。该系统采用了一种由负载均衡器指导的自适应负载均衡方法，并结合图过划分策略有效缓解了计算负载不平衡的问题。ParGNN实现了新型子图流水线算法，使得计算和通信过程得以重叠，从而在不影响GNN训练精度的前提下大幅提高了效率。

华中学者卓越特聘教授

报告题目：高性能动态图计算技术研究

报告嘉宾简介：张宇，华中学者卓越特聘教授，博士生导师，国家级青年人才计划入选者，主要研究高性能计算、体系结构和系统软件，主持国家重点研发青年科学家项目、国家自然科学基金面上项目、青年项目、湖北省重点研发计划项目、之江实验室重大科研攻关项目、华为项目、CCF-蚂蚁科研项目等，相关工作发表在ISCA、MICRO、HPCA、ASPLOS、DAC、SC、EuroSys、USENIX ATC等CCF A/B类和IEEE/ACM Transactions上，成果应用于华为、支付宝等多家企业，曾获CCF高性能计算“卓越青年”、ACM中国新星奖（全国奖）、DeepTech中国智能计算科技创新人物、英特尔中国学术英才计划荣誉学者等。

报告摘要：图计算是分析事物之间关联关系的重要工具，是人工智能和大数据分析的重要基石。随着国务院在《新一代人工智能发展规划》中提出了面向2030年我国新一代人工智能发展的指导思想和战略目标，图计算日益受到关注，广泛应用于经济建设、国防安全、社会生活、科学发现等重要领域，已成为国际前沿热点以及各国政府和企业争夺的关键技术。然而，动态图计算在现有计算机体系结构上的高效执行仍然面临诸多挑战。开展高性能动态图计算理论、方法和技术研究，对关联数据的分析和产业化起到一定推动作用。本次报告将介绍最近在高性能动态图计算方向的一点研究进展。

博士，现任上海交通大学计算机学院长聘教轨副教授

报告题目：面向新兴计算架构的高效图数据处理系统研究

报告嘉宾简介：孙世轩，博士，现任上海交通大学计算机学院长聘教轨副教授。2020年于香港科技大学获得博士学位，2020年至2023年于新加坡国立大学从事博士后研究员工作，2023 年入职上海交通大学工作至今。申请人长期从事并行计算、大数据系统、机器学习系统等方面的研究，入选了国家高层次青年人才计划和上海市海外高层次青年人才计划，博士期间获得香港政府奖学金 HKPFS。在SIGMOD、VLDB、ICDE、ASPLOS等数据库/体系结构CCF-A 类刊物发表论文三十余篇。受邀担任了 VLDB、ICDE、SC、EuroSys等数据库、高性能计算和系统领域 CCF-A 类会议的程序委员会委员。

报告摘要：图作为建模和分析实体关系的重要手段，已广泛应用于社交网络、在线支付、互联网等实际场景。然而，图数据本身的海量性、稀疏性和异构性，以及图处理过程中的数据动态性、负载动态性和计算动态性，给大规模图计算中的性能优化与硬件资源高效利用带来了严峻挑战。为应对这些问题，我们聚焦于面向多核 CPU、GPU 和Serverless 等新兴计算架构的图数据处理研究，结合图数据与计算负载特性，采用算法与系统协同设计的方法，充分挖掘底层架构的性能潜力，提升整体系统效率。本次报告将重点介绍我们在两方面的最新进展：一是面向多核CPU高并发场景的动态图内存存储技术；二是面向Serverless架构的弹性图计算系统设计。

华中科技大学博士后（副研究员资格）

报告题目：Graph×AI: 图赋能高性能智算系统

报告嘉宾简介：方鹏，华中科技大学博士后（副研究员资格）及新加坡国立大学博士后研究员，2023年博士毕业于华中科技大学计算机系统结构专业，期间于新加坡南洋理工大学完成博士联合培养，主要研究领域为面向AI的高性能异构存算系统。在VLDB、ICDE、USENIX ATC、IEEE TC、IEEE TKDE等高水平会议和期刊上发表论文20余篇；主持国自然青年基金、博士后面上、湖北省博士后创新人才、华为昇腾课题等科研项目；入选国家资助博士后研究人员计划、CCF信息存储技术专委优秀博士激励计划；研究成果获IEEE BESC十年研究贡献奖。

报告摘要：随着深度神经网络、图学习及大语言模型等智能计算（智算）应用持续演进，其模型复杂度和数据规模不断扩大，智算系统正同时面对来自应用侧对任务精度的更高需求，以及系统侧对存算效率的更严格要求。由存算力鸿沟形成的“存储墙”已成为制约系统性能的关键瓶颈，具体表现为异构算力资源利用率低、层次化存储资源访问慢以及智算运行机制与存算资源适配性差。本报告提出“Graph×AI，图赋能智算”的系统化范式，通过融合智算应用数据特征、运行时信息及存算资源特性，构建面向异构存算资源的高性能智算系统，旨在提供高并行大吞吐计算引擎和高带宽低延迟存储服务，为大规模智算应用提供坚实系统支撑。