AGF：一种基于子图和模型划分的自适应图神经网络（Adaptive GNN）框架，用于边缘分析

《ACM Transactions on Internet Technology》：AGF: Adaptive GNN Framework via Subgraph and Model Partitioning for Edge Analysis

AGF框架通过子图与模型分区、可扩展硬件架构和设计空间探索解决图神经网络在边缘计算中的可扩展性和效率问题，实验显示相比GPU加速器性能提升4.54-53.17倍，FPGA实现中模型执行延迟降低1.16-33.6倍，端到端延迟降低1.09-2.37倍。

　　

摘要

人工智能在边缘分析领域得到了广泛应用，深度神经网络能够有效地处理和分析数据。某些应用需要处理诸如图这样的非结构化数据。这类非结构化数据的复杂性和多样性给传统的深度神经网络模型带来了挑战。因此，图神经网络（Graph Neural Networks, GNN）应运而生，成为一种重要的解决方案。然而，在边缘分析场景中，GNN 面临两个主要问题：可扩展性和效率。这些问题主要是由于不同图和模型之间的结构差异造成的。为了解决这些问题，我们提出了 AGF（Adaptive GNN Framework，自适应 GNN 框架）。AGF 包含三个组成部分：子图划分与模型划分、可扩展的硬件架构以及设计空间探索。子图划分与模型划分将复杂多样的 GNN 转换为统一的计算流程和子图结构，这些结构可以直接映射到硬件内核上，从而利用 GNN 的特性实现并行计算。硬件架构基于多层次处理单元结构，可以根据划分结果高效地对子图和顶点进行并行处理。设计空间探索则根据硬件、数据集和模型选择合适的内核分配策略和配置。我们使用六个数据集和三种 GNN 模型对 AGF 进行了验证，结果表明，与基于 GPU 的 GNN 框架相比，我们的框架实现了 4.54 到 53.17 倍的性能提升；与其他基于 FPGA 的 GNN 加速器相比，AGF 在模型执行方面的延迟减少了 1.16 到 33.6 倍，在端到端场景中的延迟减少了 1.09 到 2.37 倍。