[发明专利]一种基于图形处理单元的影响最大化并行加速方法

摘要

本发明公开了一种基于图形处理单元的影响最大化并行加速方法，目的是提出一种新型基于GPU的影响最大化并行方法，利用GPU的并行计算能力加速算法执行、减少执行时间。其特征在于在每次蒙特卡洛模拟中，首先找到网络图中的强连通分量，将同一强连通分量中的所有节点合并为一个节点，其权重为该强连通分量中各节点权重之和；然后采用自底向上遍历的策略，并行计算各节点的影响值；利用GPU的并行计算能力，由各个GPU计算核心采用各自的线程对不同的节点并行计算影响值，得到K个最有影响的节点。本发明将图转化为有向无环图，可以显著减少影响值的计算量，同时通过最大程度地调度各节点在GPU的计算核心中并行计算，降低了整体运行时间。

主权项

一种基于图形处理单元的影响最大化并行加速方法，包括以下步骤：第一步：初始化影响最大化节点集合S为空；第二步：设定当前蒙特卡洛模拟次数Num＝0；第三步：采用蒙特卡洛模拟方法对图进行选边，得到图G′；其特征在于还包括以下步骤：第四步：采用Tarjan算法，基于深度优先搜索寻找图G′中所有的强连通分量SCC_i，i取值从0到j‑1，j为图G′中的强连通分量的个数；第五步：根据图G′的各强连通分量SCC_i，将图G′转变为有向无环图G^*，方法是：5.1：初始化i＝0；5.2：将强连通分量SCC_i用新节点v_n+i代替，其中n是图G′中的节点个数；5.3：i＝i+1，如果i＜j，转5.2；如果i≥j，执行第六步；第六步：从出度为0的节点开始，自底向上遍历有向无环图G^*中所有节点，利用GPU不同线程计算所有节点的影响值，线程号为p的线程负责计算节点v_p的影响值，其中0≤p≤n‑1，具体方法是：6.1：定义和初始化变量，方法是：6.1.1：使用布尔数组Visited[]记录各个节点是否已经被访问过，Visited[v_p]等于true表示节点v_p已经被访问，Visited[v_p]等于false表示节点v_p未被访问，将数组Visited[]全部初始化为false，表示所有节点均未被访问；6.1.2：使用整数数组Count[]记录各个节点已经被访问的子节点个数，其中0≤Count[v_x]≤outdegree[v_x]，0≤x≤n‑1，outdegree[v_x]是节点v_x的出度；将数组Count[]全部初始化为0，表示均未被访问；6.1.3：使用整数数组Inf[]记录各个节点的影响值，其中0≤Inf[v_x]≤n，0≤x≤n‑1，将数组Inf[]全部初始化为0；6.1.4：使用字符串数组Label[]记录各个节点的标签，标签Label[v_x]标记了节点v_x可能同其他节点发生重叠的位置，其中节点v_a及节点v_b重叠于节点v_c当且仅当从节点v_a和v_b均存在至少一条路径可达节点v_c，0≤a，b，c≤n‑1，将数组Label[]全部初始化为NULL；6.1.5：使用布尔变量Stop记录线程计算是否完成，Stop等于true表示该次模拟中所有节点影响值计算已经完成，Stop等于false表示未完成，Stop为全局变量，所有GPU线程均可以修改其内容，初始化Stop为false；6.2：如果停止标志Stop为false，转6.3；如果Stop为true，转第七步；6.3：GPU采用单指令流多数据流的执行方式，以多线程并行的方式计算节点的影响值；多线程并行的方式是指：GPU为每个节点分配一个线程计算影响值，GPU一次由y个线程并行计算y个节点的影响值，y为GPU中的流处理器数目，当GPU当前y个节点的影响值计算完成后，若还有节点影响值未计算，则GPU经过GPU线程调度以多线程并行的方式计算剩余节点的影响值，直至所有节点的影响值计算完毕，GPU的一个线程计算节点v_p影响值的方法是：6.3.1：将停止标志Stop置为true；6.3.2：如果Visited[v_p]等于false，执行6.3.3；否则说明节点v_p已经被访问过，转6.2；6.3.3：如果Count[v_p]等于节点v_p的出度，则说明节点v_p的所有子节点均已被访问，执行6.3.4计算节点v_p的影响值；否则说明节点v_p的子节点中仍有未处理的节点，则将停止标志Stop置为false，转6.2；6.3.4：计算节点v_p的所有子节点影响值的总和Sum，其中out[v_p]是节点v_p所有子节点的集合；6.3.5：计算节点v_p的标签Label(v_p)，节点v_p的标签label(v_p)等于节点v_p的所有子节点对v_p贡献的并集，即其中Con(v_q)是子节点v_q对节点v_p的贡献，子节点v_q对节点v_p的贡献是指：如果子节点v_q的入度大于1，则v_q对节点v_p的贡献为节点v_q自身，即Con(v_q)＝v_q；如果子节点v_q的入度小于等于1，v_q的贡献为节点v_q的标签，即Con(v_q)＝Label(v_q)；6.3.6：计算节点v_p所有子节点的集合out[v_p]重叠的影响值Overlap(out[v_p])，方法是：6.3.6.1：初始化Overlap(out[v_p])为0，初始化重叠范围集合Range为out[v_p]；6.3.6.2：对于任意节点v_a∈Range，如果存在节点v_b∈Range且v_b≠v_a，并且从节点v_a存在路径可达节点v_b，此时重叠发生在节点v_b，故Overlap(out[v_p])＝Overlap(out[v_p])+Inf[v_b]，同时将v_b从Range中删除，即Range＝Range‑v_b；6.3.6.3：使用字符串数组Extra[]记录Range中的重叠项，将Extra[]初始化为空集使用字符串数组Filter[]记录Range中除去重叠项剩余的单一项，将Filter[]初始化为空集对于任意节点v_a∈range，对于任意元素u∈Label(v_a)，如果元素u已经属于Filter，则元素u为重叠项，将u加入Extra中并将其影响值Inf[u]加入到Overlap(out[v_p])，即Extra＝Extra∪u，Overlap(out[v_p])＝Overlap(out[v_p])+Inf[u]；如果u不属于Filter，则将u加入到Filter数组中，即Filter＝Filter∪u；6.3.6.4：由于Extra[]和Filter[]数组中的元素仍然可能存在重复，故最终节点v_p所有子节点的重叠影响值Overlap(out[v_p])需要加上两者重叠值之差，即Overlap(out|v_p])＝Overlap(out[v_p])+(Overlap(Filter)‑Overlap(Extra))；6.3.7：计算节点v_p的影响值Inf[v_p]，Inf[v_p]＝sum+weight(v_p)‑overlap(out[v_p])，其中weight(v_p)是节点v_p的权重；TotalInf[v_p]＝TotalInf[v_p]+Inf[v_p]，其中TotalInf[v_p[是R次蒙特卡洛模拟节点v_p的总影响值；R是总模拟次数，R为正整数；6.3.8：如果节点v_p无父节点，则转6.3.9；否则，对于节点v_p的任意父节点v_s，将其已访问子节点个数Count[v_s]加1，即Count[v_s]＝Count[v_s]+1，并将停止标志Stop置为false；6.3.9：将节点v_p标记为已经被访问，即Visited[v_p]＝true，转6.2；第七步：将蒙特卡洛模拟次数Num加1，判断Num是否小于R，如果Num＜R，转第三步，否则执行第八步；第八步：对集合V‑S中所有节点，选择TotalOnf[]最大的节点v加入到集合S中；第九步：如果集合S的节点个数|S|＜K，K为初始活跃节点集合中的节点个数，转第二步，否则说明已经选定K个最有影响的节点，结束。