Katana Graph ускоряет аналитику больших графов на 3-м поколении Intel Xeon с двукратным приростом скорости

Katana Graph, стартап высокопроизводительной графовой аналитики, объявил, что его флагманский движок Katana Graph Engine (KGE) полностью оптимизирован для масштабируемых процессоров Intel 3-го поколения Xeon и сопровождающей платформы постоянной памяти Optane. Обновление доставляет почти двукратное увеличение скорости для графовых нагрузок на новом железе, позволяя обрабатывать более крупные наборы данных на меньших кластерах.

KGE — распределенная среда выполнения, объединяющая CPU и GPU в единую когерентную платформу. Она поддерживает передовые графовые аналитику, майнинг паттернов и запросы на массивных, нерегулярных наборах данных — включая веб-краул графы с миллиардами вершин и триллионами ребер. Используя как горизонтальное масштабирование, так и память с высокой пропускной способностью, движок может анализировать графы, неосуществимые на одной машине.

Разработанный за более чем десятилетие исследований сооснователями Крисом Россбахом и Кешавом Пингали, движок включает передовой техники в графовом партиционировании, NUMA-aware балансировке нагрузки и оптимизации GPU-ядер. Партиционер может быть настроен с пользовательскими политиками, а среда выполнения коммуникации минимизирует накладные расходы, обычно страдающие распределенные графовые алгоритмы.

Для Python-разработчиков KGE предоставляет высокомасштабируемые конкурентные структуры данных — такие как потокобезопасные графовые представления и рабочие списки — позволяя быстрое прототипирование без жертв производительности. Среда выполнения автоматически обрабатывает распределение данных, управление памятью и межнодовую координацию, освобождая ученых данных для фокуса на дизайне алгоритмов.

С 3-го поколения масштабируемых процессоров Xeon, платформа Katana Graph использует новейшие микроархитектурные улучшения, включая более высокие количества ядер, более крупные иерархии кэша и Intel Deep Learning Boost. В паре с постоянной памятью Optane, система предлагает драматичное увеличение эффективной емкости DRAM, дальше снижая потребность в дорогих больших кластерах.

«Наш движок теперь доставляет до двухкратной производительности на 3-м поколении Intel Xeon, чем на предыдущем поколении, прямо из коробки», — сказал Кешав Пингали, сооснователь и CEO. «Работая тесно с Intel, мы разблокировали новые уровни эффективности, которые наши корпоративные клиенты — охватывающие ритейл, финансы и управление идентичностью — могут непосредственно почувствовать в их ежедневной аналитике».

Вице-президент и генеральный менеджер производительности машинного обучения Intel, Вэй Ли, поддержал энтузиазм: «Katana Graph 활용ил инновационную архитектуру 3-го поколения масштабируемого процессора Xeon, доставляя гейм-чейнджинг прирост производительности графовой аналитики. Наше сотрудничество поможет клиентам решать крупнейшие вызовы неструктурированных данных».

Помимо чистой скорости, новая оптимизация снижает отпечаток кластера и операционные затраты. Миссия Katana Graph — дать организациям самый быстрый, наиболее стоимоэффективный графовый программный стек, уполномачивая их извлекать действенные инсайты из неструктурированных данных и ускорять бизнес-рост.

В недавнем вехе Katana Graph привлек 28.5 миллиона долларов в раунде серии A, возглавляемом Intel Capital, с участием WRVI Capital, Nepenthe Capital, Dell Technologies Capital и Redline Capital. Финансирование подчеркивает аппетит рынка к высокопроизводительным графовым решениям по секторам: фармацевтика, финтех, идентичность и кибербезопасность.

Основанная в 2020 году профессорами из Университета Техаса в Остине, компания сочетает академическую строгость с коммерческой экспертизой. Её руководящий состав включает Фаршида Сабета, бывшего GM Edge AI в Intel, и советников совета, таких как основатель Infosys Н. Р. Нараяна Мурти и исполнительная Cisco-P&G Эми Чанг.

Уникальное ценностное предложение Katana Graph лежит в его способности обрабатывать массивные неструктурированные данные, поддерживать сложный майнинг паттернов и доставлять высокую производительность для графового ИИ и аналитики на гетерогенных кластерах — включая x86 CPU, Arm CPU, GPU и другие ускорители.