当前位置：首页 > article >正文

巧用时间换空间：解读 ArcGraph 如何灵活应对有限内存下的图分析

article 2024/10/2 5:28:50

导读：ArcGraph 是一款云原生架构、存查分析一体化的分布式图数据库。本文将详细解读 ArcGraph 如何灵活应对有限内存下的图分析。

01 引言

在图分析技术广泛应用的当下，学术界和各大图数据库厂商热衷于提升图分析技术的高性能指标。然而，追求高性能计算的过程中，常采用“以空间换时间”的方式，即通过增大内存使用量来加速计算。但现阶段外存图计算尚不成熟，图分析仍依赖全内存计算，这导致高性能图计算引擎对大内存产生强依赖，内存不足时图分析任务将无法执行。

我们从过往诸多客户案例中发现，客户投入到图分析中的硬件资源通常是固定且有限的，测试环境的资源则比生产环境更有限。客户对图分析的时效性要求通常为 T+1，属于典型的离线分析需求。因此，客户期望图计算引擎降低对 CPU 和内存等资源的需求量，而不过于追求算法高性能，只要满足 T+1 即可。这对于大部分图计算引擎而言是一个不小的挑战。CPU 的需求量相对较容易控制，而内存需求则很难在较短研发周期内大幅优化。

ArcGraph 同样面临以上挑战，但我们通过在客户交付实践中的不断总结和打磨，使其图计算引擎具备了在时间与空间上平衡处理的灵活性。目前，ArcGraph 内置的图计算引擎在图分析性能指标方面处于业界领先地位，并还在持续优化与提升。接下来，我们将从引擎底层的数据结构到上层算法的调用等多角度，解读 ArcGraph 如何巧用时间换空间应对有限内存下的图分析。

02 点 ID 的类型的选择

ArcGraph 图计算引擎支持三种点 ID 类型：string、int64、int32。string点类型的支持，可提高对源数据的兼容性，但相对于 int64 而言，因为需要在内存中维护一份 string 到 int64 的点 id 映射表，会增加内存使用量。若指定点类型为 int64，则 ArcGraph 会将源数据中的 string 类型点 ID 生成一份 int64 映射表，并置于外存中，内存中只保留映射后的int64 类型点边数据。待计算完成后，再将映射表读入内存做 string id 还原。因此，使用 int64 类型的点 ID，会增加用于映射表在外存与内存间交换的额外时间消耗，但也会显著降低整体的内存使用量，节省的内存大小取决于原始 ID 的长度及点数据量。

此外，ArcGraph 图计算引擎还对 int32 做了支持，对于源数据总点数在 4000 万以下的场景，相较于 int64 可进一步降低约 30%的内存使用量。

以下为在 ArcGraph 的执行图算法 API 中指定载图点 ID 类型的示例：

curl -X 'POST'   'http://myhost:18000/graph-computing?reload=true&use_cache=true'   -H 'accept: application/json'   -H 'Content-Type: application/json'   -d '{
    "algorithmName": "pagerank",
    "graphName": "twitter2010",
    "taskId": "pagerank",
    "oid_type": "int64", 
    "subGraph": {
      "edgeTypes": [
        {
          "edgeTypeName": "knows",
          "props": [],
          "vertexPairs": [
            {
              "fromName": "person",
              "toName": "person"
            }
          ]
        }
      ],
      "vertexTypes": [
        {
          "vertexTypeName": "person",
          "props": []
        }
      ]
    },
    "algorithmParams": {
    }
  }'

03 开启 Varint 编码

Varint 编码用于对整数进行压缩和编码，是一种可变长度的编码方法。以 int32 为例，正常存储一个数值需要 4 个字节。而常规 Varint 编码中，每个字节用后 7 位表示数据，最高位为标志位。

如果最高位为 0，表示到当前字节的后 7 位即为该数据的全部，后续字节与该数据无关。例如上图中的整数 1，仅需要一个字节表示：00000001，而后续字节则不属于整数 1 的数据。
如果最高位为 1，表示后续字节依然是该数据的一部分。例如上图中的整数 511，需要 2 个字节来表示：11111111 00000011，后续字节则是 131071 的数据。

利用这种思想，32 位的整数均可用 1-5 个字节表示。相应的，64 位整数可用 1-10 个字节表示。在实际使用场景中，小数字的使用率远远高于大数字，尤其对于 64 位整数而言。因此，通过 Varint 编码通常能起到明显的压缩效果。Varint 编码有多个变种，开源实现也有多种。

ArcGraph 图计算引擎支持使用 Varint 编码来压缩内存中的边数据存储（主要为 CSR/CSC）。当开启 Varint 编码后，边数据所占内存可显著降低，实测可达 50%左右。同时，因编解码带来的性能损耗也会高达 20%左右。因此，在开启前，需要清晰了解使用场景和客户需求，确保因节省内存而带来的性能损耗在可接受范围内。

以下为在 ArcGraph 的载图 API 中开启图计算的 Varint 编码示例：

curl -X 'POST'   'http://localhost:18000/graph-computing/datasets/twitter2010/load'   -H 'accept: application/json'   -H 'Content-Type: application/json'   -d '{
    "oid_type": "int64",
    "delimeter": ",",
    "with_header": "true",
    "compact_edge": "true"
  }'

04 开启 Perfect HashMap

Perfect HashMap 于其他 HashMap 的区别在于其采用了 Perfect Hash Function（PHF）。函数 H 将 N 个 key 值映射到 M 个整数上，这里 M>=N，且满足 H（key1）≠ H（key2）∀key1，key2，则该函数是完美哈希函数。如果 M=N，则 H 是最小完美哈希函数（Minimal Perfect Hash Function，简称 MPHF）。此时 N 个 key 值会被映射到 N 个连续的整数上。

图(a) 为PHF，图 (b)为MPHF

上图是两级哈希的 FKS 策略。首先将数据通过第一级哈希映射到 T 空间中，然后冲突的数据随机选取新的哈希函数映射到 S 空间中，且 S 空间的大小 m 是冲突数据的平方（例如，T2 中有三个数字产生冲突，则映射到 m 为 9 的 S2 空间中），此时可以容易找到避免碰撞的哈希函数。适当选择哈希函数减少一级哈希时的碰撞，则可以使预期存储空间为 O（n）。

ArcGraph 图计算引擎在内存中会维护一份原始点 id 到内部点 id 的映射，内部点是连续的长整形类型，便于做数据压缩以及向量化优化。该映射本质是一个 hashmap，但在底层实现上 ArcGraph 提供了两种方式：

Flat HashMap - 优势是构建速度快，劣势是通常需要更大的内存空间，以减少频繁的 hash 碰撞。
Perfect HashMap - 优势是可用较少的内存保证最坏情况为 O（1）效率的查询，而劣势是事先需要知道所有 key，且构建时间长。

因此，开启 Perfect HashMap 也可以达到以时间换空间的目的。根据测试发现，对于原始点到内部点 id 的映射集，Perfect HashMap 的内存占用通常仅为 Flat HashMap 的 1/5 左右，但相应的，其构建时间也是其 2-3 倍。

以下为在 ArcGraph 的载图 API 中开启图计算的 Perfect HashMap 示例：

curl -X 'POST'   'http://localhost:18000/graph-computing/datasets/twitter2010/load'   -H 'accept: application/json'   -H 'Content-Type: application/json'   -d '{
    "oid_type": "int64",
    "delimeter": ",",
    "with_header": "true",
    "compact_edge": "true",
    "use_perfect_hash": "true"
  }'

05 优化算法实现与结果处理

算法实现层面的内存使用取决于算法的具体逻辑，我们从实践中总结出以下几点，可达到以时间换空间的目的：

适当减少算法中的多线程处理以及 ThreadLocal 对象的使用。算法中经常会涉及临时点边集合的存储，这些存储如果出现在多线程逻辑中，则整体内存会随线程数增加而增加。适当降低线程并发数量，或减少 ThreadLocal 大对象的使用，都会有助于内存的降低。
适当增加内外存的数据交换。根据算法的具体逻辑，将暂时不用的大对象序列化到外存中，而在使用该对象时，以流式读取的方式读入内存，以避免多个大对象同时占据大量内存。

以下为体现以上两点做法的一个算法实现示例：

void IncEval(const fragment_t& frag, context_t& ctx,
               message_manager_t& messages) {
    ...
    ...    
    if (ctx.stage == "Compute_Path"){  
        auto vertex_group = divide_vertex_by_type(frag);

        //此处采用单线程for循环而非多线程并行处理，意在防止多个path_vector同时占内存导致OOM。
        for(int i=0; i < vertex_group.size(); i++){

            //此处path_vector是每个group中任意两点间的全路径，可理解为一个超大对象
            auto path_vector = compute_all_paths(vertex_group[i]);

            //拿到该对象后不会在当前stage使用，所以先序列化到外存中。
            serialize_path_vector(path_vector, SERIALIZE_FOLDER);
        }
        ...
        ...
    }
    ...
    ...
    if (ctx.stage == "Result_Collection"){

        //在当前stage中，将之前stage生成的多个序列化文件合并为一个文件，并把文件路径返回。
        auto result_file_path = merge_path_files(SERIALIZE_FOLDER);
        ctx.set_result(result_file_path);
        ...
        ...
    }
    ...
    ...
 }

计算结束后，结果写入外存并释放图计算引擎的相关内存。某些场景下，结果处理程序会运行在图计算集群服务器上，读取图计算结果并进一步处理。如果图计算引擎内存一直未释放出计算结果，最坏情况下将会导致当前服务器内存中有两份结果数据。而在大数据量场景下，一份结果数据就会占用非常高的内存。因此，在该类场景中需优先考虑将计算结果写入外存，并及时释放图计算引擎内存。

同时，对于高性能和低资源占用的“既要又要”，ArcGraph 团队也将继续挑战，联合学术界与业界合作伙伴，对载图内存与计算效率做进一步打磨，实现技术的进一步突破。

查看全文

http://www.kler.cn/news/328449.html