Skip Navigation Linksلیست مقالات ترجمه شده / مقالات ترجمه شده مهندسی كامپيوتر /

عنوان ترجمه شده مقاله: بهینه‌سازی توان عملیاتی خوشه‌بندی روی GPU

مقاله GPU. ساختار این مقاله به شرح زیر است. در بخش 2 DBSCAN و تحقیقات انجام شده مربوط به آن را معرفی می‌کنیم. بخش 3 طرح کلی مسئله را تعریف می‌کند. روش‌های اندیس‌گذاری و کرنل GPU در بخش 4 مطرح شده اند.
 

 چکیده

به منظور ایجاد یک دید علمی در نجوم و زمین شناسی، مجموعه داده‌های بزرگ اغلب نیازمند خوشه‌بندی و تصویر‌سازی پدیده­ ها در مقیاس‌ها و تراکم‌های مختلف می­ باشند. ما در این مقاله مسئله‌ی بیشینه سازی توان عملیاتی خوشه‌بندی را جهت خوشه بندی همزمان مجموعه داده­ ها در ابعاد فضایی بررسی می­ کنیم. در این مقاله یک رویکرد ترکیبی جدید معرفی می‌کنیم که در آن برای بهینه‌سازی توان عملیاتی الگوریتمی، از پردازنده­ های گرافیکی (GPU) متصل به پردازنده‌های مرکزی چندهسته‌ای استفاده می‌شود. ایده‌ی اصلی این است که باید از حافظه‌ی سریع GPU برای جستجوی اندیس استفاده کرد و انتقالات I/O را به گونه‌ای بهینه‌سازی کرد تا گلوگاه GPU-هاست با پهنای باند کم، تأثیر منفی قابل توجهی بر روی عملکرد نداشته باشد. برای دستیابی به این هدف، دو کرنل GPU کاملا متفاوت را بکار می گیریم که به منظور بهبود عملکرد خوشه بندی، از طرح‌های اندیس­ گذاری شبکه ­ای استفاده می‌کنند. روش مطرح شده به منظور غلبه بر حافظه‌ی محدود GPU و خوشه‌بندی مجموعه داده‌های بزرگ، از یک طرح دسته‌بندی کارآمد برای انجام انتقالات میان هاست و شتاب دهنده GPU استفاده می­کند. این طرح در برابر توزیع داده‌ای متراکم و پراکنده از قدرت کافی برخوردار است و به طور هوشمند از سرریزی بافر که موجب تضعیف کارایی می­شود جلوگیری می‌کند. همه‌ی این موارد در حالی انجام می­ شوند که تعداد انتقالات داده­ای میان هاست و GPU به حداقل رسانده شوند. ما رویکرد پیشنهادی خود را بر روی مجموعه داده‌های مربوط به محتوای کل الکترون (TEC) یونوسفر و همچنین داده‌های مربوط به کهکشان‌های intermediate-redshift برگرفته شده از تصاویر Sloan Digital Sky Survey ارزیابی می‌کنیم. در یکی از سناریوهای آزمایشی، این رویکرد ترکیبی سرعت پردازش را برای پیاده سازی­ های متوالی، تا 50 برابر افزایش می­دهد. این افزایش سرعت برای خوشه بندی متمرکز I/O قابل توجه است.

-1مقدمه

بسیاری از برنامه‌های کاربردی در بسیاری از حوزه‌ها، از الگوریتم‌های خوشه‌بندی همچون الگوریتم «خوشه بندی فضایی مبتنی بر چگالی در کاربردهای دارای نویز» (DBSCAN) استفاده می‌کنند [1]. روش‌های بهینه‌سازی مختلفی همچون پیاده سازی موازی برای معماری‌ها با حافظه توزیع شده و مشترک چند هسته‌ای مطرح شده‌اند، که از روش‌های مختلف اندیس‌گذاری مانند اندیس گذاری Rtree [2] و اندیس گذاری شبکه‌ای [3] استفاده می­ کنند.

DBSCAN دارای دو پارامتر ورودی است: 1) فاصله ϵ که بر اساس آن در همسایگی یک شی نقطه‌ای عملیات جستجو انجام می­شود و 2) تعداد نقاط همسایه با فاصله ϵ، (minpt) که برای هر نقطه باید عضوی از خوشه باشند. برای خوشه‌بندی یک مجموعه داده، لازم است هر نقطه اطراف خود را جستجو کند، به طوری که جستجوی اندیس قسمت زیادی از محاسبه‌ی کل را به خود اختصاص دهد. جدول 1 کسری از زمان را نشان می‌دهد که برای جستجوی یک R-tree صرف می‌شود. مقادیر نشان داده شده مربوط به پیاده‌سازی متوالی DBSCAN [4] برای پارامترها و مجموعه داده‌های مختلف هوافضا (SW-) در زمین شناسی وSloan Digital Sky Survey (SDSS-) در نجوم می­ باشند (به منظور کسب اطلاعات بیشتر به بخش 7 مراجعه کنید). این مقادیر در بازه 48% تا 72.2% از کل زمان پاسخ قرار دارند. در این مقاله بررسی می‌کنیم که چگونه GPU می‌تواند زمان جستجوی اندیس را کاهش داده و در نتیجه عملکرد نشان داده شده در جدول 1 را بهبود بخشد…


Abstract

Large datasets in astronomy and geoscience often require clustering and visualizations of phenomena at different densities and scales in order to generate scientific insight. We examine the problem of maximizing clustering throughput for concurrent dataset clustering in spatial dimensions. We introduce a novel hybrid approach that uses GPUs in conjunction with multicore CPUs for algorithmic throughput optimizations. The key idea is to exploit the fast memory on the GPU for index searches and optimize I/O transfers in such a way that the low-bandwidth host-GPU bottleneck does not have a significant negative performance impact. To achieve this, we derive two distinct GPU kernels that exploit grid-based indexing schemes to improve clustering performance. To obviate limited GPU memory and enable large dataset clustering, our method is complemented by an efficient batching scheme for transfers between the host and GPU accelerator. This scheme is robust with respect to both sparse and dense data distributions and intelligently avoids buffer overflows that would otherwise degrade performance, all while minimizing the number of data transfers between the host and GPU. We evaluate our approaches on ionospheric total electron content datasets as well as intermediate-redshift galaxies from the Sloan Digital Sky Survey. Our hybrid approach yields a speedup of up to 50× over the sequential implementation on one of the experimental scenarios, which is respectable for I/O intensive clustering



موسسه ترجمه البرز اقدام به ترجمه مقاله " مهندسی فناوری اطلاعات " با موضوع " بهینه‌سازی توان عملیاتی خوشه‌بندی روی GPU " نموده است که شما کاربر عزیز می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
بهینه‌سازی توان عملیاتی خوشه‌بندی روی GPU
نویسنده/ناشر/نام مجله :
Parallel and Distributed Processing Symposium IPDPS
سال انتشار
2017
کد محصول
1011903
تعداد صفحات انگليسی
10
تعداد صفحات فارسی
33
قیمت بر حسب ریال
1,210,000
نوع فایل های ضمیمه
اpdf+word
حجم فایل
1 مگا بایت
تصویر پیش فرض


این مقاله ترجمه شده را با دوستان خود به اشتراک بگذارید
سایر مقالات ترجمه شده مهندسی فناوری اطلاعات , مهندسی كامپيوتر را مشاهده کنید.
کاربر عزیز، بلافاصله پس از خرید مقاله ترجمه شده مقاله ترجمه شده و با یک کلیک می توانید مقاله ترجمه شده خود را دانلود نمایید. مقاله ترجمه شده خوداقدام نمایید.
جهت خرید لینک دانلود ترجمه فارسی کلیک کنید
جستجوی پیشرفته مقالات ترجمه شده
برای کسب اطلاعات بیشتر، راهنمای فرایند خرید و دانلود محتوا را ببینید
هزینه این مقاله ترجمه شده 1210000 ریال بوده که در مقایسه با هزینه ترجمه مجدد آن بسیار ناچیز است.
اگر امکان دانلود از لینک دانلود مستقیم به هر دلیل برای شما میسر نبود، کد دانلودی که از طریق ایمیل و پیامک برای شما ارسال می شود را در کادر زیر وارد نمایید


این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:





Graphics processing units
Clustering algorithms
Kernel
Indexing
Throughput
Optimization

تاریخ انتشار در سایت: 2018-02-08
جستجوی پیشرفته مقالات ترجمه شده
نظرتان در مورد این مقاله ترجمه شده چیست؟

ثبت سفارش جدید