头版Folia Daily Briefing
← 返回头版
科技人工智能

开发者用 DataFusion 在 10GB 内存下处理十亿级图算法

开发者 Semyon Sinchenko 利用 Apache DataFusion 实现了一套 Map-Reduce 图计算框架,突破了传统图算法库的内存限制,在仅 10GB 内存约束下成功处理十亿级规模的图数据。[1] 该方案通过将数据溢出到磁盘、采用面向批量扫描而非随机访问的算法设计,实现了在极限资源条件下的大规模图处理。[1]

在 PageRank 算法测试中,使用图 500-26 数据集(包含 10 亿条有向边),仅耗用 5GB 内存,完成 15 次迭代用时约 30 分钟。[1] 弱连通分量(WCC)识别任务处理了 twitter_mpi 数据集,该数据集包含 20 亿条边(CSV 格式原始大小 30GB),使用 10GB 内存在 22 次迭代内完成计算。[1] 图对称化后,WCC 前处理阶段边数增至 32.28 亿条,但首次迭代后又降至 8.4 亿条。[1]

NetworkX 和 Igraph 等现有图算法库无法处理这一规模的数据,通常需要借助 Apache Spark 和 GraphFrames 等分布式框架。[1] 本方案的计算结果与 Graphalytics 提供的基准真值实现了 100% 匹配,验证了其精度和可靠性。[1]


Apache DataFusion图算法大规模数据处理PageRank连通分量