CCF Computility 2024 | 廖小飞教授、魏晓辉教授和袁野教授邀你共话分布式图计算技术

魏晓辉，教育部“长江学者”特聘教授、国家百千万人才工程入选者 、教育部新世纪人才、英国工程技术学会会士（IET Fellow）、教育部计算机类教学指导委员会委员、中国计算机学会常务理事、吉林省计算机学会理事长、吉林大学唐敖庆特聘教授，现担任林大学大数据和网络管理中心主任。科研上主要从事分布式系统调度、分布式流数据处理以及高性能应用软件的研究，研究工作涵盖基础理论、关键技术和软件原型，获吉林省科技进步一等奖2 项（排名：第1/第2）、中国商业联合会一等奖1 项（排名：第1）。教学上担任国家级一流本科课程负责人，国家精品课主讲教师，组建了两个国家教学示范中心，获国家教学成果二等奖3项（排名：第1/第1/第2）。

赵进，之江实验室/华中科技大学助理研究员，2022年9月在华中科技大学获得博士学位，主要研究图计算体系结构和系统软件，相关成果在ISCA、SC、Eurosys、DAC、ACM TOS/TACO、IEEE TC/TKDE/TBD等会议和期刊上发表论文20余篇，入选CCF A类期刊IEEE TC的Featured Paper of the Month等，入选第九届中国科协青年人才托举工程，博士论文入选2023年度“CCF优秀博士学位论文激励计划”和2023年度“CCF体系结构优秀博士学位论文激励计划”。

岳恒山，吉林大学准聘副教授，2022年6月博士毕业于吉林大学计算机科学与技术学院。主要研究方向为计算机体系结构与系统可靠性。近年来，以负责人身份主持国家自然科学基金、国家重点研发计划子课题、中国博士后科学基金面上资助等项目；以责任作者（一作/通讯）在SC、TCAD、TACO、DATE、JSA、FGCS等期刊/会议共发表学术论文近20篇；连续两年获KSEM最佳论文奖。曾入选“吉林省博士后科研人员择优资助计划”及“吉林大学鼎新学者支持计划”。博士论文获“吉林省优秀博士论文”及“ACM中国优秀博士论文奖”。

廖小飞，华中科技大学教授、博士生导师，国家杰出青年基金获得者，中组部“万人计划”科技创新领军人才入选者。主要从事大数据处理系统的设计与研发工作，主持国家重点研发计划、863、国家自然科学基金等项目，与华为等企业和研究机构建立了多个联合实验室。带领团队研发的图数据计算加速器技术入选科技部“十三五”科技创新成就展，获2021年、2022年全球图计算挑战赛冠军，三项关键指标位列国际知名排行榜全球第一，成果应用于芯片设计EDA软件处理、金融风控、电商交易、电网状态分析等诸多领域。获国家自然科学二等奖1次、国家科技进步二等奖1次，教育部自然科学一等奖1次，教育部技术发明一等奖2次，获2017年度CCF-IEEE CS青年科学家奖。

报告题目：图计算加速器系统设计

报告摘要：图是数据关联属性的最佳表达方式，图计算已成为巨量、稀疏、超维关联挖掘和分析的使能技术。近年来，图计算应用需求和数据类型日益复杂多样化，与图计算执行环境通用化诉求之间存在矛盾，对现有图计算体系结构和系统软件设计带来巨大挑战。本报告将探讨图计算的关键挑战，报告在图计算加速器及其相关软件研究方面的研究实践，并面向图计算、图挖掘、图学习等综合应用探讨了一体化加速器及其配套软件的设计思路。

袁野，北京理工大学计算机学院教授/博导、数据科学与工程研究所所长，CCF高级会员，CCF数据库专委常委、大数据专委委员、学术工委委员，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优秀博士论文奖。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等重要学术会议和期刊上发表CCF A类论文100余篇。

报告题目：多模态知识图谱的管理与分析

报告摘要：随着人工智能技术的不断发展，知识图谱作为人工智能领域的知识支柱，以其强大的知识表示和推理能力，在语义搜索、问答、知识管理等领域得到了广泛的应用。多模态知识图谱整合了来自不同数据源的多种类型数据，如文本、图像、音频等，为知识的表示和推理提供了全新的可能性。本报告将结合实际应用，阐述多模态知识图谱的研究背景、以及知识图谱具有的多模态特点。并从多模态为知识图谱带来的新查询和新推荐两个方面，介绍多模态知识图谱管理与分析关键技术。

邹磊，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；他已经发表了50余篇计算机领域的顶级国际学术期刊和会议（CCF-A）上，包括SIGMOD, VLDB, ICDE, TODS, TKDE, VLDB Journal等。邹磊教授曾获得中国自然科学基金（NSFC）优秀青年基金，国家重点研发计划项目的资助。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）。

报告题目：Processing SPARQL Queries Over Distributed RDF Graphs—A Partial Evaluation and Assembly Approach

报告摘要：We propose techniques for processing SPARQL queries over a large RDF graph in a distributed environment. We adopt a “partial evaluation and assembly” framework. Answering a SPARQL query Q is equivalent to finding subgraph matches of the query graph Q over RDF graph G . Based on properties of subgraph matching over a distributed graph, we introduce local partial match as partial answers in each fragment of RDF graph G. For assembly, we propose two methods: centralized and distributed assembly.

张岩峰，东北大学教授，博士生导师，东北大学与美国麻省州立大学联合培养博士，CCF数据库专委会、分布式计算与系统专委会、信息系统专委会的执行委员，CCF大数据专委会通讯执行委员。研究方向为数据库系统、图计算系统、机器学习系统等。承担国家重点研发计划课题、国家自然科学基金等多项国家和省部级科研项目，承担华为2012实验室、阿里巴巴达摩院、百度等校企合作项目。在SIGMOD、VLDB、ICDE、PPoPP、SOCC等国际顶级会议期刊上发表论文30余篇。曾获中国计算机学会自然科学二等奖、云计算国际会议ACM SOCC杰出论文奖、华为年度优秀项目奖、辽宁省科技进步二等奖等奖励。

报告题目：大模型的图检索增强生成技术

报告摘要：大语言模型（LLMs）以其强大的通用知识和语言处理能力而闻名，但它们在特定领域的知识准确性和可靠性方面存在局限性。与此同时，知识图谱（KGs）以其结构化和准确性而受到重视，但它们缺乏处理自然语言的能力。大模型的图检索增强生成技术充分发挥大模型和知识图谱的互补优势，以专业知识图谱作为检索数据源，提供包括实体信息、实体关系、推理路径在内的多粒度信息增益。讲者将分享其团队在大模型的图检索增强生成技术方面的总结、思考、与研究进展，通过优化图数据管理提升大模型推理生成质量和速度。

甘新标，国防科技大学副研究员，军队高层次人才青年科技英才，天图系统（TianheGraph）的设计者和完成人，相关技术创新成果被新华社、人民日报、解放军报等100+主流媒体报道，图计算优化相关技术创新以第一作者身份已陆续发表于TPDS、ICDE、SC、PPoPP、ICS、ACM MM、TACO等CCF推荐期刊与会议；领导课题组设计开发的大规模流场可视化系统TianheVis已广泛应用于大规模装备数值模拟可视化应用领域。

报告题目：TianheGraph：面向天河超算的大规模图计算优化

报告摘要：图计算已经广泛应用于各个领域，引起工业界与学术界的广泛关注，天河超算作为国产超算的践行者，在大规模图处理发展与研究过程中面临诸多挑战。报告将结合天河超算工程经验交流大规模图计算评测与优化应用过程中面临的挑战以及可能的解决方案。

孙世轩，上海交通大学计算机科学与工程系长聘教轨副教授。此前，在新加坡国立大学从事博士后研究员工作（2020-2023）。孙世轩于香港科技大学获得博士学位（2015-2020），同济大学获得本科和硕士学位（2007-2014）。他的主要研究方向是大数据系统和并行计算，目前专注于高性能图数据处理的研究；研究成果发表在SIGMOD、VLDB、ASPLOS、ICDE等顶级会议。他入选了国家级青年人才引进计划，上海市青年人才引进计划等项目。

报告题目：面向新兴计算架构的高效图数据处理

报告摘要：作为有效建模和分析实体间关联关系的方式，图被广泛用于社交网络、在线支付、互联网等实际应用中。然而，图数据的海量性、稀疏性和异构性，以及图计算负载的多重动态性，为大规模图计算的性能和硬件资源的有效利用带来巨大挑战。为了应对上述挑战，我们着重研究面向新兴计算架构的图数据处理，基于图数据和计算负载特性，挖掘新兴计算架构的优势，提升系统的高效性。本次报告将介绍我们在基于Serverless架构和GPU加速的图数据处理方面的进展。

汪睿，浙江大学软件学院平台研究员，博导。主要研究方向为图计算系统、图学习框架、存储系统等。在计算机系统领域和数据领域的国际核心会议和期刊 IEEE/ACM MICRO、USENIX ATC、ACM EuroSys、IEEE SC、ACM TOS、IEEE TKDE等发表论文十余篇，主持中国博士后科学基金面上资助项目。

报告题目：面向大规模图数据的计算与存储系统

报告摘要：随着图数据规模的不断增大，传统基于内存的图处理系统难以支持大规模图数据的分析计算。而基于外存的图计算系统则面临计算同步开销和I/O开销等效率问题。本报告将介绍我们在大容量存储设备上的计算与存储系统，包括应用状态感知的外存图计算框架、持久内存友好的动态图访存系统，以及基于NVMe SSD的图表示模型。通过这些系统的优化设计和实现，我们可以有效地提高在大规模图数据上分析计算的性能和可扩展性。