دانلود مقاله ترجمه شده بهینه‌سازی توان عملیاتی خوشه‌بندی روی GPU

 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…