学位论文简介

图神经网络广泛应用于推荐系统、交通预测和社交网络分析等领域。随着图规模和特征维度不断增长，其推理与训练面临计算复杂、数据访问开销大及负载不均衡等问题。本文面向大规模图神经网络高效执行需求，围绕计算架构、存储系统和训练运行时开展软硬件协同优化研究，主要创新如下：

1. 针对图神经网络推理中位级稀疏性利用不足和负载不均衡问题，提出 BEAST-GNN，通过统一稀疏位矩阵计算、列重叠图划分和负载均衡机制，提高数据复用率与推理效率。

2. 针对大规模训练中节点特征数据量大、存储访问和数据搬运开销高的问题，提出 Reduce-GNN，结合拓扑感知增量降维与混合精度差分编码，在存储侧减少特征数据访问与传输。

3. 针对采样式训练中 GPU 缓存利用率低及 NUMA 远程访存开销大的问题，提出 PrefGNN，通过未来节点访问感知缓存管理和 NUMA 感知任务调度，减少重复数据传输和远程内存访问。

本文形成了覆盖计算、存储和运行时调度的图神经网络跨层次优化方法，为大规模图神经网络的高性能、高能效推理与训练提供了技术支撑。

主要学术成果

1. Yunzhen Luo, Yan Ding, Zhuo Tang, Keqin Li, Kenli Li, Chubo Liu. BEAST-GNN: A united bit sparsity-aware accelerator for graph neural networks [J]. IEEE Transactions on Computers, 2025, 74(7): 2402-2416. (CCF A类期刊, 本人第一作者)

2. 罗云臻, 胡廷坤, 刘楚波, 谭光华, 李胜利, 李肯立. Edge-AIFlow: 一种面向多AI模型并发的调度引擎[J]. 软件学报, 2026. (已录用, CCF A类中文期刊, 本人第一作者)

3. Deyu Zhang, Yunzhen Luo, Yaobo Wang, Xiaoyan Kui, Ju Ren. BatOpt: Optimizing GPU-based deep learning inference using dynamic batch processing [J]. IEEE Transactions on Cloud Computing, 2024, 12(1): 174-185. (CCF B类期刊, 本人第二作者)

4. Yunzhen Luo, Chubo Liu, Yikun Hu, Yan Ding, Keqin Li, Kenli Li. Reduce-GNN: An accelerator for reducing feature access overhead in graph neural network training [J]. IEEE Transactions on Computers. (under review, CCF A类期刊, 本人第一作者)

5. Yunzhen Luo, Shengyi Ji, Chubo Liu, Keqin Li, Kenli Li. EB-RAG: Evidence-budget-aware retrieval-augmented generation for AIoT systems [J]. IEEE Internet of Things Journal. (under review, SCI 2区, 本人第一作者)