Katana Graph optimiert Analyse-Engine auf Intel Xeon der 3. Generation

Katana Graph, ein Startup für Hochgeschwindigkeits-Grafikanalysen, das sich auf die Verarbeitung großer unstrukturierter Datensätze konzentriert, gab bekannt, dass es seine Grafik-Engine für die neuen skalierbaren Prozessor- und Speichersysteme von Intel Xeon der dritten Generation optimiert hat.

Die Katana Graph-Engine (KGE) ist eine Plattform für Hochgeschwindigkeits-Graphanalyse, Pattern-Mining und Abfragen in heterogenen Clustern von CPUs und GPUs und bietet nach Angaben des Unternehmens unübertroffene Rechenkapazitäten für die Verarbeitung selbst größter Graphen wie Web-Crawling-Graphen mit Milliarden von Scheitelpunkten und Billionen von Kanten. Es extrahiert umsetzbare Erkenntnisse aus massiven unstrukturierten Datensätzen mit leistungsstarken Graphalgorithmen. Scale-out bietet mehr Rechenleistung und DRAM für die Analyse der Eigenschaften größerer Graphen, als dies auf einem einzelnen Computer möglich wäre.

Das KGE mit begleitenden Partitionierungs-, Kommunikations-, Virtualisierungs- und Speichertechnologiemodulen ist der Höhepunkt von mehr als einem Jahrzehnt fortschrittlicher Forschung in Graphtechnologie und Hochleistungsrechnen der Mitbegründer Chris Rossbach und Keshav Pingali. Das KGE basiert auf Forschungen der Intelligent Software Systems Group von Pingali an der University of Texas in Austin, die an parallelen Programmiermodellen, Compilern und Laufzeitsystemen für Anwendungen mit großen, unstrukturierten Daten arbeitet.

Auf CPUs optimiert das Katana-Laufzeitsystem die Programmausführung, um die NUMA-Lokalität (non-uniform memory access) auszunutzen; Beispielsweise führt es einen NUMA-fähigen dynamischen Lastenausgleich durch, um sicherzustellen, dass die Rechenlast gleichmäßig zwischen den Kernen der CPU verteilt wird. Auf GPUs enthält die Katana-Graph-Engine Leistungsoptimierungen, um den Overhead von Kernel-Starts und atomaren Operationen zu reduzieren.

Für die Ausführung in Clustern partitioniert der KGE Graphen zwischen den Maschinen im Cluster mit einer Vielzahl von Graph-Partitionierungsrichtlinien, einschließlich Edge-Cuts und Vertex-Cuts. Anwendungsspezifische Richtlinien zur Diagrammpartitionierung können im Katana-Grafikpartitionierer implementiert werden.

Die Kommunikation ist häufig der Leistungsengpass bei der Ausführung von Graphanalyseprogrammen im verteilten Speicher. Um dies zu vermeiden, verfügt die Katana Graph Engine über eine Kommunikationslaufzeit, die für Graph Computing optimiert wurde.

Die Katana-Kerngrafikbibliotheken bieten hoch skalierbare gleichzeitige Datenstrukturen wie gleichzeitige Grafikdarstellungen und gleichzeitige Arbeitslisten, um arbeitseffiziente Algorithmen zu implementieren. Diese Bibliotheken können von Datenwissenschaftlern verwendet werden, um neue Anwendungen in Python zu schreiben, wobei es dem zugrunde liegenden System überlassen wird, das Programm für die verteilte, heterogene Ausführung zu optimieren.

Hochleistungsanalysen auf Intel Xeon

Die Plattform kann jetzt die Vorteile der skalierbaren Intel Xeon-Prozessoren der neuesten Generation und der persistenten Speichertechnologie Intel Optane nutzen, um massive Grafiken auf viel kleineren Clustern zu verarbeiten. Dies wird Organisationen mit riesigen unstrukturierten Datensätzen und Grafiken, einschließlich Online-Händlern, Finanzinstituten und Identitätsverwaltungsunternehmen, besser dabei unterstützen, ihre Kunden, Abläufe und Möglichkeiten zu verstehen.

Die Plattform von Katana Graph ist sofort einsatzbereit auf skalierbaren Intel Xeon-Prozessoren der 2. und 3. Generation mit Intel Deep Learning-Boost, ohne dass zusätzliche Modifikationen erforderlich sind. Auf skalierbaren Xeon-Prozessoren der 3. Generation bietet die Lösung von Katana Graph eine deutliche Verbesserung der Geschwindigkeit in Kombination mit der Möglichkeit, viel größere Datensätze mit weniger Maschinen zu verarbeiten.

„Wir sind stolz darauf, dass unsere Katana Graph Engine auf den skalierbaren Intel Xeon-Prozessoren der 3. -Gründer und Geschäftsführer. „Unsere Kunden brauchen die leistungsstarken Analysefunktionen, die wir durch die enge Zusammenarbeit mit Intel freisetzen.“

Im Namen von Intel sagte Wei Li:„Katana Graph hat die innovative Architektur des skalierbaren Intel Xeon-Prozessors der 3. Li, Vice President und General Manager of Machine Learning Performance in der Architecture, Graphics and Software Group bei Intel, fügte hinzu:„Unsere gemeinsamen Kunden werden direkt von unserer engen Zusammenarbeit profitieren, wenn wir die Herausforderungen im Zusammenhang mit der Verarbeitung riesiger Datensätze angehen.“

Neben der höheren Geschwindigkeit und der Möglichkeit, riesige Datenmengen zu verarbeiten, werden Endbenutzer auch erhebliche Einsparungen in Bezug auf die Clustergröße und die Verwaltungskosten erzielen. Katana Graph sagte, dies sei Teil seiner Mission, den besten Graph-Software-Stack bereitzustellen, damit Unternehmen schneller tiefere Einblicke aus ihren unstrukturierten Daten gewinnen und diese umsetzbaren Informationen nutzen können, um ihr Geschäft auszubauen und das Wachstum zu beschleunigen.

Intel Capital führt 28,5 $ Finanzierungsrunde an

Katana Graph wurde 2020 von Pingali und Rossbach gegründet, die Professoren an der University of Texas in Austin waren. Sie erkannten die Synergien, die durch Forschungsdurchbrüche in den Bereichen Graphalgorithmen, Speicher und Hardwarebeschleunigung möglich wurden, die es Entwicklern ermöglichen, mit unregelmäßigen und unstrukturierten Daten in massiv gesteigertem Umfang und Effizienz zu arbeiten.

Anfang dieses Jahres hat das Unternehmen eine Serie-A-Finanzierungsrunde in Höhe von 28,5 Millionen US-Dollar unter der Leitung von Intel Capital unter Beteiligung von WRVI Capital, Nepenthe Capital, Dell Technologies Capital und Redline Capital abgeschlossen.

Anthony Lim, Managing Partner von Intel Capital, sagte:„Die Plattform von Katana Graph hilft großen Unternehmen, ihre großen unstrukturierten Datensätze zu verstehen, und wir sehen diese Nachfrage in einer Vielzahl von Branchen, von sozialen Netzwerken bis hin zu biomedizinischer und pharmazeutischer Forschung. Wir freuen uns, die neue Finanzierungsrunde von Katana Graph basierend auf unserer Zusammenarbeit im letzten Jahr zu leiten, bei der die Technologie von Katana Graph für Intel Xeon-Prozessoren und Xeon-basierte Cluster optimiert wurde.“

Scott Darling, Präsident von Dell Technologies Capital, sagte, die Katana-Plattform sei eine bahnbrechende Lösung, die Datenaufnahme, Abfragen und Analysen mit beispielloser Größe und Leistung integriert, um das Problem der Datenflut bei unstrukturierten Diagrammdaten anzugehen. Er fügte hinzu:„Wir freuen uns auch, das Unternehmen angesichts der gemeinsamen Wurzeln von Dell Technologies und Katana Graph in der University of Texas in Austin zu unterstützen.“

Unterdessen sagte der Branchenveteran und Investor Lip-Bu Tan, der Gründungsgeschäftsführer von WRVI Capital:„Ich freue mich und fühle mich geehrt, Startkapital bereitzustellen und mit Professor Keshav Pingali und Professor Chris Rossbach zusammenzuarbeiten, um die umfassendste Plattform für große - Scale Data Mining, Abfragen und Analysen."

Katana Graph hat letztes Jahr eine wachsende Zahl von Unternehmenskunden in den Bereichen Pharma, Fintech, Identität, Sicherheit und EDA sowie eine starke Dynamik im Big Data Analytics-Markt gewonnen. Das Unternehmen wurde zwar von Forschern gegründet, hat aber auch ein kommerziell ausgerichtetes Führungsteam mit Erfolgsbilanzen in der Führung erfolgreicher Technologieunternehmen oder -abteilungen hinzugefügt, darunter Farshid Sabet, Chief Business Officer, der GM von Edge AI bei Intel war. Darüber hinaus traten N. R. Narayana Murthy, Gründerin von Infosys, und Amy Chang, Vorstandsmitglied bei Procter &Gamble und Cisco, als Vorstandsberater für Katana hinzu.

Das wichtigste Wertversprechen von Katana Graph ist die Fähigkeit, massive unstrukturierte Daten zu verarbeiten und komplexe Pattern-Mining-Workloads in große Unternehmensdatensätze und Wissensgraphen zu integrieren, mit überlegener Leistung für komplexe Graph-KI-, Graph-Pattern-Mining- und Graph-Analysealgorithmen. Es unterstützt heterogene Cluster von Computerressourcen, einschließlich x86-CPUs, Arm-CPUs, GPUs und anderen Beschleunigern. Seine Plattform ermöglicht die Entwicklung leistungsstarker Graph-KI-, Graph-Pattern-Mining- und Graph-Analytics-Anwendungen sowie die nahtlose Integration mit Graph-Abfragen.