图分析Rapids cuGraph

图分析Rapids cuGraph

英伟达（Nvidia）建立的新的开源库可能是推进分析和使图形数据库更快的秘密要素。

在Nvidia GPU上进行并行处理。

Nvidia很久以前就不再只是“仅仅”一家硬件公司。由于其硬件是支持AI火爆的大部分计算运行的要素，因此Nvidia承担了为软件铺路的最后一步。Nvidia通过开发和发布库来实现这一点，软件开发人员和数据科学家可以使用这些库将GPU功能集成到他们的工作中。

 

前提很简单：不是每个人都是并行性方面的专家或想成为一个并行性专家。并行编程很难。但是，这是利用GPU功能并提高软件和分析性能的要求。因此，Nvidia提供了人们可以用来构建软件的库，而无需了解所有实现和硬件细节。

自2007年以来，英伟达一直在CUDA上进行此操作。自那时以来，英伟达已经发布了40多个 Nvidia CUDA-X 库，最近的一个是 Rapids，这是一个开放源数据科学平台，在该平台下，诸如Dask之类的多项调度都在其中或XGBoost用于数据科学已经发展。 

 

Nvidia现在发布了Rapids cuGraph 0.9，该库的目标是使图形分析无处不在。这可能是图分析和图数据库重大发展的基础。Graph是一直密切关注的领域，但不再是唯一的领域，这也不是认为这很重要的唯一原因。

Striods类固醇的图形分析

简短的摘录摘自 Gartner关于为什么图形将在2020年代统治世界的分析：

“到2022年，图形处理和图形数据库的应用将以每年100％的速度增长，以不断加速数据准备并实现更复杂和适应性更强的数据科学。”

但是，Brad Rees一直在做很久之前就已经做好了。

Rees在1980年代开始从事图形编程和分析，数据科学和AI的研究。历经数年和专案，里斯（Rees）于2017年加入英伟达（Nvidia），这是英伟达（Nvidia）内部的新生。如今，布拉德·里斯（Brad Rees）是Nvidia的AI基础架构经理，负责将图形分析和算法推向世界。

Rees在CUDA 2.0发布时就对GPU编程产生了兴趣。正如其他人也指出的那样，图形处理中使用的网格是图形处理的自然匹配：每个节点代表一个概念，每个边缘代表一个关系。

图形和图形驱动的算法和分析将成为2020年代的关键技术

因此，GPU可以加速图形处理的事实并没有引起人们的注意。当Rees加入Nvidia时，已经有一些GPU上的图形算法实现。但是，正如Rees所解释的那样，这些功能不是非常系统化，也没有很好地集成到Nvidia生态系统中。随着算法融合的增长以及图的发展，cuGraph诞生了，Rees成为项目负责人。

 

CuGraph是在Nvidia GPU上实现的图形算法的集合。如果不熟悉图算法，这听起来可能并不多，因此，将其放到上下文中，可以说Google建立其帝国的著名算法PageRank也是图算法。 

周围有很多图形算法，每种算法都可以为不同的数据分析方案提供见解。cuGraph的第一个正式版本0.6发布，已经包含许多算法，包括PageRank。该初始版本侧重于提供基础，并包括针对单GPU分析进行了优化的几种算法。

也可以看看

• 物联网：进展，风险和机遇（免费PDF）

随着0.9版的发布，Nvidia cuGraph向1.0迈进了一步。正如Rees解释的那样，目标不仅是继续向cuGraph添加算法，而且还使它们能够在多个GPU上工作。现在已经为PageRank实现了。但是，即使在0.6版中，cuGraph也已经比NetworkX快2000倍。 

NetworkX是cuGraph建模的Python图形分析框架，可完成NetworkX在GPU上所做的所有工作。选择NetworkX，它是数据科学家使用的最受欢迎的图形框架。在类固醇上使用NetworkX已经是一项壮举，但愿景远不止于此，其含义也很有趣。

NVIDIA CUGRAPH的愿景

5G数据中心基础架构的5个关键考虑因素

5G将对的数据基础架构产生越来越多的新需求，因此现在是规划部署的时候了。

由Vertiv赞助 

Rees指出cuGraph的开发将缓慢地朝着提高易用性，互操作性以及与Nvidia的Rapids库的其余部分集成的方向发展。

Rees在博客中继续解释了cuGraph如何利用属性图范例，以及数据框如何成为与Rapids互操作性的关键。里斯说，数据可用于构建图形，在这些图形上运行算法，然后获取这些算法产生的数据，并根据需要将其添加到原始数据中。 

CuGraph的路线图还包括添加动态数据结构。这些在分析图形随时间变化时会派上用场。随着数据的流进，可以监视和报告网络结构的变化。

Nvidia的cuGraph库旨在加快图形处理速度，看起来就象标记一样

同样重要的是在分析中使用动态结构。在许多情况下，结果集的大小是先验未知的。能够即时折叠，扩展，添加和减少图形或结果是一项强大的技术。

Rees指出cuGraph将添加最新的图形分析框架，例如GraphBLAS和Hornet，同时关注所有新开发并将其无缝集成在cuGraph下供开发人员使用。

对属性图的引用引发了更多投机性讨论，该讨论不仅涉及算法，还涉及数据库。属性图是对图进行建模的两种更广泛的方法之一。几个图形数据库都采用了它，这是它的重点W3C正在进行的标准化图形数据库的工作。

想知道cuGraph和图数据库之间的相互作用是什么。首先，应该强调两者之间的区别：cuGraph是一个分析框架，已针对加载数据和运行算法进行了优化。另一方面，数据库也应该存储数据。尽管cuGraph并不适合于此，但cuGraph可以通过几种方式影响图形数据库并受其影响。

图查询和图数据库

一直在看到提供图分析框架的数据库，无论它们是否是图数据库。例如，可能具有关系数据库建模并将数据存储在表中，该数据库与框架捆绑在一起，该框架允许以图形查询语言（例如Cypher）查询数据。因此，如果可以做到，cuGraph是否也应该这样做？

Rees指出，例如增加对Cypher的支持是可行的。然而，是否或何时完成这是一个不同的故事。这样做的实用性很重要：与使用API​​相比，甚至在交互式环境中，将处理表示为查询的一部分也很容易（甚至在交互环境中也是如此）。后者需要编程技巧；分析人员也可以做到前者。

许多图形数据库已经开始提供现成的图形算法实现。由于运行图算法是一种常见的用例，将它们与cuGraph集成以提高其性能是否有意义？完全可以。