.png){kind=icon}
返回
GraphDelta: A distributed incremental framework for efficient dynamic graph computing in edge intelligence
.png){kind=icon}
PRE
AI
DOI：10.1016/j.sysarc.2026.103834.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着大型语言模型迁移至边缘智能，底层动态图的高效处理对于低延迟推理和资源受限执行变得至关重要。然而，现有分布式系统在处理动态图数据时往往存在冗余计算和收敛速度不一的问题。为解决这些问题，我们提出GraphDelta统一框架，结合了批间和批内优化。批间增量更新模型复用历史结果并应用剪枝函数以减少顶点删除的影响，而批内增量执行策略选择性更新活跃顶点。此外，我们基于广泛使用的分布式图计算平台GraphX设计和实现了GraphDelta，并使用代表性基准测试（PageRank、Connected Components和SSSP）在四个不同图数据集上进行了实验。实验结果表明，当图更新规模为|ΔG|=100k时，GraphDelta比GraphX平均加速39.11倍；当图更新规模为|ΔG|={1%,5%,10%,15%,20%}|G|时，其性能超过其他增量图处理系统，平均加速4.96倍。
Keyword:
GraphDelta
dynamic graph computing
edge intelligence
incremental processing
distributed systems
期刊
IF:
4.1
论文数:
3.0K
被引数:
4.2K
机构
引用论文
An Incremental Iterative Acceleration Architecture in Distributed Heterogeneous Environments With GPUs for Deep Learning面向深度学习的gpu分布式异构环境增量迭代加速架构
.png){kind=icon}
PREAI
分享收藏ASSG: Enhanced Workload Balancing via Adaptive State Scheduling Granularity Approach for Stateful Distributed Stream ProcessingASSG：基于自适应状态调度粒度方法的状态感知分布式流处理工作负载平衡增强
PREAI
分享收藏A Comprehensive Survey of Dynamic Graph Neural Networks: Models, Frameworks, Benchmarks, Experiments and Challenges动态图神经网络的综合综述：模型、框架、基准、实验与挑战
PREAI
分享收藏
MC-DSC: A Dynamic Secure Resource Configuration Scheme Based on Medical Consortium BlockchainMc-dsc: 一种基于医联体区块链的动态安全资源配置方案
PREAI
分享收藏A Real-Time Partition Generation Mechanism for Data Skew Mitigation in Spark Computing Environment
PREAI
分享收藏
查看更多内容