图是无处不在的数据结构,可以用于表示人,计算机,生物和遗传交互以及非结构化网格中的元素之间的关系。许多实际问题和应用,比如生物信息学,社交网络分析和流量工程,都可以通过图的基本形式建模,并使用适当的图算法进行求解。近年来,随着大规模数据集上的图计算日趋重要,并行图计算框架应运而生。它们往往要利用大量硬件资源,特别是GPU。然而,难以预测的控制流、频繁且不规律的数据访问以及编程复杂性等问题给GPU上的图计算框架带来了一系列挑战。在本文的工作中,我们提出了HPGraph,一种基于GPU的高性能通用图计算框架。HPGraph设计并实现了将以顶点为中心的编程映射到GPU上的稀疏矩阵运算后端的模型。HPGraph融合了BSP模型,在每次迭代中利用广义稀疏矩阵向量乘实现图遍历直至算法收敛。我们在文中给出了HPGraph的具体执行流程。同时,HPGraph采用了一系列性能优化策略:包括矩阵存储格式优化、访存优化和算法层面的专用优化等等。这些优化方法大幅提高了框架性能。HPGraph采用了高级编程模型,为用户提供了简易的API,使得用户能够以相对较少的工作高效实现各种图算法,兼顾了编程生产力。本文中,我们实现了四种图算法:BFS、SSSP、PageRank和TC,并且在大规模测试数据集上评估了HPGraph的性能。实验结果表明,HPGraph达到甚至超过了MapGraph,Gunrock和nvGRAPH这三种最先进的GPU图计算框架的性能。同时,HPGraph明显优于GPU上的图计算框架,达到了高性能的要求。