大规模图数据处理已经成为大数据时代的一个重要组成部分,无论是在社交网络,还是在Web应用、生物信息网络等场景中都有所涉及。图计算系统的研究,也因此成为了高性能计算领域的热点。随着通用GPU技术的发展,GPU被用来加速图数据的处理成为了一种趋势。然而通过调研发现,当前的GPU图计算系统以同步处理模型为基础,这种处理模型需要在每次迭代执行之后,同步所有顶点的更新数据,然而由于数据划分不均衡,导致同步过程开销巨大,也减缓了图算法的收敛速度,同时不能高效利用GPU的并行计算能力。采用异步处理模型的GPU图计算系统Frog,解决了迭代过程同步开销大、GPU并行计算能力受限、算法收敛速度慢的问题。首先,Frog采用异步处理模型,在保证异步处理过程中数据一致性的同时,避免了当前系统中存在的同步通信开销;其次,Frog采用基于混合着色算法的数据划分策略,通过对所有顶点进行混合着色处理,整合计算任务少的顶点,保证在GPU的每个更新窗口中都有足够的计算任务在执行,从而提高GPU的并发资源利用率;最后,Frog通过加快迭代计算过程中消息的传递速度,从而使所有顶点都能够访问到最新的更新值,进而加快图算法的收敛速度。此外,Frog通过对超出GPU内存的图进行分块处理,保证每个数据块都能够适应GPU内存大小,从而有效地处理超大规模的图数据。Frog以CUDA语言为基础进行编程设计,并提供了开放的API接口,使得用户可以方便地进行GPU编程。实验表明,Frog比现有的GPU图计算系统能够获得3.2倍以上的性能提升。此外,Frog系统还能够处理现有的GPU图计算系统无法处理的、超出GPU设备内存的大规模图数据,比现有的CPU图计算系统能够获得5.3倍以上的性能提升。