論文の概要: Analyzing 10 Petabit/s Network Data with Accelerated Associative (Token) Arrays

• arxiv url: http://arxiv.org/abs/2609.32978v1
• Date: Sat, 26 Sep 2026 22:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 11:30:56.230783
• Title: Analyzing 10 Petabit/s Network Data with Accelerated Associative (Token) Arrays
• Title（参考訳）: 加速アソシエイト(トークン)アレイによる10ペタビット/秒ネットワークデータの解析
• Abstract要約: この研究は、匿名ネットワークセンシングチャレンジの実装を加速したMatchlab D4M GPUのプロトタイプをベンチマークする。 数百のGPUノード上での動作は、10ペタビット/秒ネットワークを潜在的に分析するのに十分な処理速度を達成した。
• 参考スコア（独自算出の注目度）: 4.405458821268369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As networks expand and become an ever more critical infrastructure to modern society the need to analyze these networks with the highest regard for privacy is essential to ensure their proper function. Depending on the level of the network layer to be analyzed, sources and destinations can be any combination of physical, logical, or persona/agentic endpoints, which requires the ability to handle diverse data. Invaluable to these analyses are mathematical tools that enable sophisticated mathematical algorithms to be expressed succinctly while achieving scalable vertical (within a compute node), horizontal (across compute nodes), and temporal (over different generations of hardware) performance. Associative (token) array mathematics and corresponding libraries is one approach that can meet these requirements. Accelerating these libraries with GPUs enables the analysis of the largest networks. The MIT/IEEE/Amazon Anonymized Network Sensing Graph Challenge provides a venue for highlighting the applicability of accelerated associative arrays for these types of problems. The D4M associative library has been implemented in a number of languages. This work benchmarks a prototype Matlab D4M GPU accelerated implementation of the Anonymized Network Sensing challenge across a wide range of CPU and GPU hardware. Scalable performance is demonstrated within and across CPU cores, CPU nodes, and GPU nodes. Horizontal scaling across multiple nodes was linear. Running on hundreds of GPU nodes simultaneously achieved a sustained processing rate sufficient to potentially analyze a 10 Petabit/s network.
• Abstract（参考訳）: ネットワークが拡張し、現代社会にとってより重要な基盤となるにつれ、プライバシーを最も尊重してこれらのネットワークを分析する必要性は、それらの適切な機能を保証するために不可欠である。 分析対象のネットワークレイヤのレベルに応じて、ソースと宛先は物理的、論理的、あるいはペルソナ/エージェントエンドポイントの組み合わせでもよい。 これらの分析には、スケーラブルな垂直(計算ノードを含む)、水平(計算ノードを含む)、時間的(異なる世代のハードウェア)パフォーマンスを実現しながら、洗練された数学的アルゴリズムを簡潔に表現できる数学的ツールが有用である。 連想的(トークン的な)配列数学とそれに対応するライブラリは、これらの要件を満たすことができるアプローチの1つである。 これらのライブラリをGPUで高速化することで、最大のネットワークの分析が可能になる。 MIT/IEEE/Amazon Anonymized Network Sensing Graph Challengeは、これらの問題に対するアクセラレーションされた連想配列の適用性を強調する場を提供する。 D4M連想ライブラリは多くの言語で実装されている。 この研究は、Matlab D4M GPUのプロトタイプをベンチマークし、幅広いCPUとGPUハードウェアにまたがる匿名ネットワークセンシングの課題の実装を加速した。 スケーラブルなパフォーマンスは、CPUコア、CPUノード、GPUノード内および同種である。 複数のノードにわたる水平スケーリングは線形である。 数百のGPUノード上での動作は、10ペタビット/秒ネットワークを潜在的に分析するのに十分な処理速度を達成した。

関連論文リスト

• Accelerating Dynamic Graph Clustering on GPU Architectures with cuGraph [0.9581150516892287]
  この研究は、もともと静的グラフ用に設計されたスペクトルクラスタリングとモジュール性に基づくアルゴリズムのGPU加速拡張を通じて、時間ネットワークにおけるコミュニティ検出に対処する。 我々は,NetworkX-Temporalライブラリを通じてPythonバインディングを含む,フリーでオープンソースなソフトウェアとして実装した。
  論文  参考訳（メタデータ） (2026-08-04T14:01:00Z)
• GPU-Accelerated Algorithms for Graph Vector Search: Taxonomy, Empirical Study, and Research Directions [54.570944939061555]
  本稿では,GPU加速グラフに基づくベクトル探索アルゴリズムについて包括的に研究する。 我々は、GPU最適化戦略の詳細な分類を確立し、アルゴリズムタスクとハードウェア実行ユニット間のマッピングを明確にする。 我々の発見は、スケーラブルで堅牢なGPUベースの近接検索システムを設計するための明確なガイドラインを提供する。
  論文  参考訳（メタデータ） (2026-02-10T16:18:04Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• VersaGNN: a Versatile accelerator for Graph neural networks [81.1667080640009]
  我々は,超効率的なサイストリックアレイベースの多用途ハードウェアアクセラレータである textitVersaGNN を提案する。 textitVersaGNNは平均3712$times$ speedup with 1301.25$times$ energy reduction on CPU、35.4$times$ speedup with 17.66$times$ energy reduction on GPUを達成している。
  論文  参考訳（メタデータ） (2021-05-04T04:10:48Z)
• DistGNN: Scalable Distributed Training for Large-Scale Graph Neural Networks [58.48833325238537]
  大規模グラフの構造を学ぶためにGNN(Graph Neural Networks)のフルバッチトレーニングは、実現可能な数百の計算ノードにスケールする必要がある重要な問題です。 本稿では,CPUクラスタ上でのフルバッチトレーニングのためのDGL(Deep Graph Library)を最適化したGNNについて述べる。 4つの一般的なGNNベンチマークデータセットの結果は、1つのCPUソケットを使用して最大3.7倍のスピードアップ、128のCPUソケットを使用して最大97倍のスピードアップを示す。
  論文  参考訳（メタデータ） (2021-04-14T08:46:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。