CNCC | 第三届高能效图计算架构和系统软件论坛，邀您共论图计算相关技术，助力图计算技术发展和生态成熟

张宇

华中科技大学副教授/博导

华中科技大学计算机学院副教授，主要研究高性能图计算技术，在ISCA、HPCA、ASPLOS、SC、DAC、USENIX ATC等CCF A/B类和IEEE/ACM Transactions上发表论文60余篇，获CCF A类会议USENIX ATC 2018最佳论文提名和最佳存储相关论文等，成果应用于华为等多家龙头企业，获评CCF高性能计算“卓越青年”、ACM中国新星奖（全国奖）等。

廖小飞

CCF分布式计算与系统专委会主任

华中科技大学教授/博导

华中科技大学计算机学院教授、学校科学技术发展院院长，主要从事内存计算、运行时系统、图计算等研究工作。主持国家杰出青年科学基金、国家自科基金优青项目、国家重点研发计划项目（首席）等项目。在重要期刊和会议上发表100余篇论文，获国家自然科学二等奖1项、国家科技进步二等奖1项、教育部技术发明一等奖2项、教育部自然科学一等奖1项，获2017年度CCF-IEEE CS青年科学家奖。

袁野

北京理工大学教授

CCF高级会员，CCF数据库专委常委、大数据专委委员，现为北京理工大学计算机学院教授、博士生导师、国家杰青和优青基金获得者。主持国家自然基金重点项目，科技部重点研发项目。曾获中国电子学会自然一等奖，教育部和辽宁省科技进步一等奖、全国优秀博士论文提名奖、CCF优博。袁博士是IEEE、ACM高级会员。香港科技大学、香港中文大学、英国爱丁堡大学访问学者。主要研究方向为大数据管理与分析，在SIGMOD、VLDB、ICDE、VLDB Journal、IEEE Trans. TKDE、IEEE Trans. TPDS等上发表论文100余篇。

面向大数据联邦的管理与分析

数字经济时代海量多源异构数据指数增长，管理和分析这些数据的基础设施从传统数据库、数据仓库到如今的数据中台、数据湖和跨域数据平台快速迭代。这些新型基础设施具有数据异构、数据自治、数据变化和数据隐私等特点，被统称为“大数据联邦”。本报告首先结合实际应用，阐述大数据联邦的特点、以及管理和分析大数据联邦带来的研究挑战。其次，介绍我们提出的一套大数据联邦管理和分析框架。最后，总结并展望大数据联邦。 

邹磊

北京大学教授

北京大学王选计算机所教授，大数据分析与应用技术国家工程实验室（北京大学）知识集成和智能决策中心主任。邹磊教授的研究包括图数据库，知识图谱，尤其是基于图的知识图谱数据管理，面向知识图谱的自然语言问答，图分析与机器学习，以及大数据系统；他已在计算机领域的顶级国际学术期刊和会议上发表论文50余篇，包括SIGMOD, VLDB, ICDE, TODS, TKDE, VLDB Journal等。邹磊教授曾获得NSFC优秀青年基金，国家重点研发计划项目资助。另外，还获得了英国皇家学会的牛顿高级访问学者基金的资助。2017年获得教育部自然科学二等奖（获奖项目“大规模图结构数据管理”，排名第一）。

FASI：FPGA友好的大图上的子图同构

子图同构在许多应用中发挥着重要作用，例如：社交网络和生物信息学。然而，由于其固有的NP难度，在大规模真实世界图中高效实现子图同构很具有挑战性。许多研究人员试图借助新的硬件来解决这个问题。然而，他们大多专注于GPU。本报告将介绍一种有效的FPGA友好的子图同构算法FASI。与现有的基于FPGA的方法不同，我们采用了最坏情况下基于最优连接的流水线设计。实验结果表明，在合成图和真实图上，FASI在CPU、GPU和FPGA上的性能都优于现有最先进的子图匹配算法。 

张岩峰

东北大学教授/博导

CCF数据库专委、分布式计算与系统专委、信息系统专委的执行委员，东北大学与美国麻省州立大学联合培养博士，国家级青年人才计划入选者。研究方向为分布式数据库和分布式图计算系统等。承担或参与国家自然科学基金、国家重点研发计划等多项国家级科研项目，承担华为、阿里巴巴、百度等校企合作项目。在SIGMOD、VLDB、ICDE、PPoPP、SOCC等国际重要期刊会议上发表论文30余篇。曾获ACM SOCC、NDBC、CCF BigData、APWEB-WAIM等会议的论文奖、CCF-华为创新研究计划年度优秀项目奖、辽宁省科技进步奖等奖励。。

Neutron图神经网络训练系统

图神经网络将深度学习的学习能力和图结构的关联关系抽象能力结合起来，可以更好地利用网络结构进行精细建模和深度推理，成为人工智能领域的研究热点和各大企业未来布局的关键技术。由于GNN训练所涉及的计算复杂度非常高，加之社交网络、金融网络等真实图数据规模非常庞大，所以GNN训练非常耗时，急需支持大规模GNN训练的系统软件来支撑大规模GNN模型的训练。本报告将分享在构建大规模GNN训练系统中的一些经验和研究工作，包括分布式GNN训练NeutronStar、动态GNN训练NeutronStream、单机GPU训练NeutronOrch、微批量采样训练NeutronOnce、和GNN训练评测NeutronBench等工作。

洪春涛

蚂蚁集团图平台负责人

洪春涛博士于2011年毕业于清华大学计算机系，主要从事并行计算和高性能计算研究；后加入微软亚洲研究院从事分布式系统和大规模机器学习研究；2016年联合创建了北京费马科技有限公司，研发了TuGraph图数据库；2020年加入蚂蚁集团，目前负责主持蚂蚁图数据库、图平台研发。

大规模图计算的工业应用与挑战

图计算能挖掘关联数据的深层信息，因此在安全，风控，推荐等领域得到广泛应用。蚂蚁集团拥有大量关联数据，为服务业务，自研了一套大规模图计算系统，并在300多个不同业务中深度应用。在这个报告中，我们将介绍蚂蚁集团图计算部分典型应用场景，以及我们遇到的技术挑战。

严明玉

中国科学院计算技术研究所副研究员

2020年于中科院计算所获得工学博士学位，并留所工作。主要研究方向为图算法的”软硬兼施“加速。作为负责人或核心骨干参与了国家重点研发计划项目、国家自然科学基金青年项目、中科院先导C专项课题、中科院青年团队计划项目等项目。项目研究成果被MICRO、HPCA、AAAI、IJCAI、IEEE TC、IEEE TCAD等计算机领域顶级会议或期刊收录。入选了CCF青年人才发展计划、中科院青促会、中科院青年团队计划，曾获得北京市技术发明一等奖、CCF优秀博士学位论文等荣誉。

图算法的“软硬兼施”加速

图是描述和分析实体之间关系/交互的通用语言，被广泛应用于表示各种日常生活数据和科学研究数据，例如地铁路线图、分子拓扑、知识图谱等等。图算法具有超强的图数据处理能力，已经被应用于路线导航、蛋白质功能预测、知识推理等重要场景。例如，图神经网络算法就已经被应用于许多知名企业的推荐系统中。随着图数据规模的不断增大，图算法的运行时间也不断增长。因此，图算法的加速执行就变得尤为重要。该报告将会介绍我们团队通过”软硬兼施“的研究路线加速图算法的相关工作。