[发明专利]一种基于GPU的多分区强连通图检测方法

说明书

本发明提出一种基于GPU的多分区强连通图检测方法，包括以下步骤：加载图数据并统一存储格式；在图数据上基于GPU进行第一剪枝操作，检测出1‑SCC；在除1‑SCC外的部分上选取中心点，从中心点开始并行地前向和后向遍历，更新状态得到SCC和多个分区；在未被检测的图数据上基于GPU进行第二剪枝操作，检测出2‑SCC；在未被检测的图数据上检测弱连通区域，并在弱连通区域上每个选取中心点，从中心点开始前向遍历；在弱连通区域的中未被前向遍历到的区域随机选取保存的最后一个顶点做为副中心点，从中心点与副中心点开始后向遍历，再进行第一剪枝操作，再次更新状态得到SCC和分区；通过上述步骤获得全部的SCC。

技术领域

本发明属于异构系统上的图计算领域，具体涉及一种在配置GPU设备的异构系统上进行多分区的强连通图检测的方法。

背景技术

随着大数据、物联网等技术的蓬勃发展，所能获取的数据越来越多，并且这些数据之间存在着错综复杂的联系。图计算可以对这些复杂的信息进行简化研究，而强连通图(Strongly Connected Components，SCC)检测是图计算中的一个重要的基础算法。早期的强连通图检测的研究中有很多经典的并且效果很好的强连通图检测方案，这些方案大多为串行算法。然而随着图数据规模的不断增大，串行算法的检测时间会呈现线性上升的趋势。随着GPU技术的成熟，在GPU上进行强连通图检测的并行算法得到广泛研究，并且这些算法在大图上的检测效果明显优于经典的串行算法。

基于GPU的并行强连通图检测方案可以分类FB算法、Colouring算法、OBF算法这三类，其中效果最好并且研究较多的是FB算法。研究人员在FB算法上提出了多种的改进方案，但是这些算法并没有改变FB算法整体的算法思路，即：选取中心点并对其进行前向和后向的广度优先遍历，根据所有顶点被遍历到的情况得到一个强连通图和三个分区，然后在每个分区中继续迭代检测。这一方案结合剪枝与弱连通区域检测等方法能够在生成图中能取得很好的检测效果，但是在真实图中存在很多的中等大小的强连通图，这些强连通图在数目上小于由一个顶点组成的强连通图(1-SCC)和由两个顶点组成的强连通图(2-SCC)，在强连通图所包含顶点数目上远小于最大强连通图的顶点个数，然而由于FB算法的整体思路只能保证每次检测出的强连通图个数是上一次检测的3倍，所以需要很多次检测才能将这些中等大小的强连通图全部检测出来。因此，如何加速中等大小的强连通图的检测速度成为提高真实图上强连通图检测效率的关键。此外，传统的FB算法中的中心点选取与弱连通区域检测的过程都有提速的空间。

发明内容

本发明提出了一种基于GPU的多分区强连通图检测方法，在配备GPU的异构系统上进行多分区的强连通图检测，通过增加每次检测产生的分区个数减少算法的检测次数，从而达到提升算法执行效率的目的。

为实现上述目的，本发明采用的技术方案如下：

一种基于GPU的多分区强连通图检测方法，包括以下步骤：

加载图数据并统一存储格式；

在图数据上基于GPU进行第一剪枝操作，检测出由单个顶点组成的强连通图1-SCC；

在除1-SCC外的部分上选取中心点，从中心点开始并行地前向和后向遍历，更新状态得到强连通图SCC和多个分区；

在未被检测的图数据上基于GPU进行第二剪枝操作，检测出由两个顶点组成的强连通图2-SCC；

在未被检测的图数据上检测弱连通区域，并在弱连通区域上每个选取中心点，从中心点开始前向遍历；

在弱连通区域的中未被前向遍历到的区域随机选取保存的最后一个顶点做为副中心点，从中心点与副中心点开始后向遍历，再进行第一剪枝操作，再次更新状态得到SCC和分区；

通过上述步骤获得全部的SCC。

进一步地，加载图数据并统一存储格式具体包括以下步骤：