开源软件名称:GraphMapReduce
开源软件地址:https://gitee.com/wdfnst/GraphMapReduce
开源软件介绍:
#GraphMapReduce: 基于MapReduce编程模型的图计算框架 (名词约束: 顶点Vertex-图中顶点;节点Process-计算单元节点),目录说明: 代码主要包含四个文件: gmr.cpp gmr.h algorithms.h graph.h |__graph/---------#此目录包含测试用的图例数据 |__include/-------#此目录包含所使用到的第三方库的头文件(目前只用到了ParMetis,去掉了GKlib) |__lib/------------#包含了使用到的第三方库 |__gmr.cpp------#程序的main函数入口和迭代循环 |__gmr.h---------#包含主要的计算过程函数computing()和计算结果更新函数updateGraph() |__algorithm.h---#常用图算法的MapReduce实现 |__graph.h-------#定义了图数据结果和常用的集中图操作函数
一、 编译和运行1. 编译gmrmake clean && make 2. 运行gmr单机运行 | |
---|
命令 | ./startgmr.sh [algorithm] [partition] [graphfile] | 支持 | ./startgmr.sh [pagerank 或 sssp 或 trianglecount] [random 或 metis] [small 或 4elt 或 mdual] | 举例1 | ./startgmr.sh | 举例2 | ./startgmr.sh pagerank | 举例3 | ./startgmr.sh sssp random | 举例4 | ./startgmr.sh sssp metis 4elt | 举例5 | ./startgmr.sh pagerank metis small | 或者直接mpirun运行 | mpirun -np 3 gmr pagerank; ii.) mpirun -np 3 sssp random; iii.)mpirun -np 3 trianglecount metis 4elt. |
集群运行 | |
---|
命令 | ./startgmr.sh cluster hosts [algorithm] [partition] [graphfile] | 支持 | ./startgmr.sh [pagerank 或 sssp 或 trianglecount] [random 或 metis] [small 或 4elt 或 mdual] | 举例1 | ./startgmr.sh cluster hosts | 举例2 | ./startgmr.sh cluster hosts pagerank | 举例3 | ./startgmr.sh cluster hosts sssp random | 举例4 | ./startgmr.sh cluster hosts sssp metis 4elt | 举例5 | ./startgmr.sh cluster hosts pagerank metis small | 或者直接mpirun运行 | i.) mpirun -machinefile hosts -np 10 gmr; ii.) mpirun -machinefile hosts -np 10 gmr pagerank random; iii.)mpirun -machinefile hosts -np 10 gmr pagerank trianglecount metis 4elt |
注: i.)如果使用metis分图方式, 需要先使用metis分图工具将图文件分图, gpmetis工具位于目录pathtogmr/include/metis/,根据平台不同可能需要编译;ii.)使用random分图格式的图文件格式,文件每行记录from_vid to_vid.
3. (non-mandatory)切图目前提供了两种分图方式: - 随机切分方式
MPI进程按照其进程号依次等分的读取图文件的顶点,切分文件的时候,一个顶点只分配给一个MPI进程。(调用gmr启动脚本startgmr.sh默认采用这种分图方式。) - Metis分图方式为了最大的保留图内顶点的链接信息,不仅可以减少MPI进程之间的传输量,还能最大化保持图内顶点生成的键值对的局部性,从而减少Map、Reduce、Sort的工作量。所以,GMR另外还提供metis工具进行切图(需要重新编译metis代码,然后运行"gpmetis graphfilename partsnumber"), 或者直接采用切好的示例图库(graph/)中的图进行测试(small.subgraph.* 4elt.graph.* mdual.graph.*分别为不同规模的图例).目前切图工具采用了metis库,其源码和说明位于include/metis中,其编译使用可参考include/metis/README.md。
二. 框架的基础1. MPI:结算进程之间通信通过MPI实现; 2. MapReduce编程模型3. 图划分:目前采用两种方式的输入图格式: 普通图文件格式: from_vid to_vid这种输入图格式,在运行程序的时候需要选择"random"的partition方式(分图方式)。程序的各个进程将会并行且均分的读取文件的相应部分。(这种方式会导致迭代计算过程中信息交换量急剧增加.) metis输出的子图格式为了将全图的不同部分放到不同的计算节点进行并行计算,需要将原图划分为若干子图。划分工具采用开源的Parmetis进行(为方便使用,正在进行整合)。Parmetis是基于MPI进行大规模的子图划分,为了方便和适应我们的算法,我们对Parmetis的输出结果进行了重写,每个输出的节点的格式如下:
节点id | 节点权重 | 邻居1的id | 邻居1所在进程 | 邻居1所在边权重 | ... | 邻居N的id | 邻居N所在进程 | 邻居N所在边权重 |
---|
vertex_id | vertex_weight | neighbor1 | neighbor1.location | edge1.weight | ... | neighborN | neighborN.location | edgeN.weight |
为方便测试,测试数据目录graph/目录中已经分好了三个不同规模的图small、4elt、mdual,定点数和边数从几十个到几百万个。 三、迭代计算过程1. 数据交换:第一步,先遍历自己计算的子图graph与其他子图的邻居情况,并收集需要向其他节点发送的字节数,并申请发送缓冲区; 第二步,通过MPI_Alltoall()与其他节点交换其他节点需要接受的字节数,每个节点收到信息后,各自计算和申请接受数据需要的空间。 第三步,再次遍历自己计算的子图graph,并将需要发往其他节点的顶点信心拷贝到发送缓存char *sb; 第四部,调用MPI_Alltoallv(),将发送缓存中的数据发往各节点. 2. 计算1th/2:map将子图graph和接受缓冲区中的数据实例化为顶点Vertex,再调用业务逻辑函数map将Vertex生成key/value list。 3. 对生成key/value list进行排序: sort4. 计算2th/2:reduce将排序好的key/value list按照业务逻辑函数reduce进行规约. 5. 将reduce计算的结果更新到graph中6. (non-mandatory)为兼容非图结构的MapReduce计算, 框架(将)在Map与Reduce之间实现除局部排序意外的全局排序。图结构的MapReduce计算和非图结构的MapReduce计算在计算步骤上并不一样,其异同如下图所示,框架为了同时支持非图结构数据的MapReduce计算,在Map、Reduce之间同时(将)实现了全局排序。
四. 例子4.1 PageRank4.1.1. 如下包含10个顶点的简单图,划分之后包含三个子图subgraphs[3]:4.1.2. 迭代过程- 每个子图现将自己的边界顶点发送给其所连接的邻居节点,采用MPI_Alltoall()实现;
- 在每个计算节点的内部,将每个顶点<id, loc, [neighbors]执行map函数, value>映射为若干键值对:> {key, value1},其中key in [neighbors], value1 = value / neighbors.size()
void map(Vertex &v, std::list<KV> &kvs){ int neighbor_count = 0; while(v.neighbors[neighbor_count] != 0)neighbor_count++; float value = v.value / neighbor_count; for (int i = 0; i < neighbor_count; i++) kvs.push_back({v.neighbors[i], value});} - 在每个节点内将map生成的键值对按键值进行排序
- 根据键值,对键值相同的键值组执行reduce函数
KV reduce(std::list<KV> &kvs) { float sum = 0.0; for (auto kv : kvs) { sum += kv.value; } /*Pagerank=a*(p1+p2+…Pm)+(1-a)*1/n,其中m是指向网页j的网页j数,n所有网页数*/ sum = 0.5 * sum + (1 - 0.5) / (sizeof(vs) / sizeof(Vertex) - 1); return {kvs.front().key, sum};} 4.2.3 PageRank终止点问题和陷阱问题上述上网者的行为是一个马尔科夫过程的实例,要满足收敛性,需要具备一个条件:图是强连通的,即从任意网页可以到达其他任意网页:互联网上的网页不满足强连通的特性,因为有一些网页不指向任何网页,如果按照上面的计算,上网者到达这样的网页后便走投无路、四顾茫然,导致前面累 计得到的转移概率被清零,这样下去,最终的得到的概率分布向量所有元素几乎都为0。假设我们把上面图中C到A的链接丢掉,C变成了一个终止点,得到下面这个图: 另外一个问题就是陷阱问题,即有些网页不存在指向其他网页的链接,但存在指向自己的链接。比如下面这个图: 上网者跑到C网页后,就像跳进了陷阱,陷入了漩涡,再也不能从C中出来,将最终导致概率分布值全部转移到C上来,这使得其他网页的概率分布值为0,从而整个网页排名就失去了意义。 4.2 单源最短路算法SSSP(DJ算法)4.3 TriangleCount4.4 并行广度优先搜索算法的MapReduce实现4.5 二度人脉算法:广度搜索算法五、对比实验Processor\Platform | GMR | Spark | GraphX | GraphLab | Pregel |
---|
1 | | | | | | 3 | | | | | | 8 | | | | | | 16 | | | | | | 32 | | | | | | |
请发表评论