在一个庞大的单体图上训练图神经网络（GNNs）存在独特的挑战，因为该图无法适应单台机器，也无法分解为更小的不相连的组件。分布式基于采样的训练将图分布在多台机器上，并在每个训练迭代中对随机采样的图的小部分进行GNN训练。我们发现，在分布式环境中，采样开销是大规模图训练时间的一个重要组成部分。我们提出了FastSample，它由两个协同技术组成，极大地减少了分布式采样时间：1）一种新的图分区方法，消除了分布式采样中的大部分通信轮次，2）一种新颖的高度优化的采样核，减少了采样过程中的内存移动。我们在大规模图基准测试上测试了FastSample，并显示FastSample加速了基于分布式采样的GNN训练，速度提高了2倍，而精度没有损失。

比特币可扩展性问题导致了离线金融机制的发展，如支付通道网络（PCN），它可以帮助用户处理不同金额的交易，包括微支付交易，而不需要将每个交易写入区块链。由于PCN只允许基于路径的交易，因此寻找发送方和接收方之间路径的有效、安全的路由协议对于PCN的操作至关重要。在本文中，我们提出了RACED，一种路由协议，它利用分布式哈希表（DHTs）的思想以快速、安全的方式路由PCN中的交易。我们在真实世界的交易数据集上进行的实验表明，RACED给出了平均交易成功率为98.74％，平均路径查找时间为31.242秒，比其他三种最近提供相似安全/隐私属性的路由协议快1650倍、1800倍和400倍。我们在通用可组合性框架下严格分析和证明了RACED的安全性。