面向 GPU 集合交集的一种新数据布局
数据结构与算法
2011-02-07 v1 分布式、并行与集群计算
摘要
集合交集是多种问题的核心，例如频繁项集挖掘和稀疏布尔矩阵乘法。众所周知，对于某些计算问题，使用图形处理单元 (GPU) 作为大规模并行计算设备可以获得巨大的速度提升。然而，GPU 需要高度规则的控制流和内存访问模式，因此先前的 GPU 集合交集方法使用了简单的位图表示。这种表示在稀疏数据集上需要过大的空间。在本文中，我们提出了一种新颖的数据布局“BatMap”，它特别适合并行处理，并且即使对于稀疏数据也很紧凑。频繁项集挖掘是集合交集最重要的应用之一。作为 BatMap 潜力的案例研究，我们专注于频繁对挖掘，这是频繁项集挖掘的一个核心特例。主要发现是，当不同项的数量很大且问题实例的密度高于 1% 时，我们的方法能够比 Apriori 和 FP-growth 都获得加速。先前在 GPU 上实现频繁项集挖掘的工作未能显示出比最佳单线程实现更快的速度。
引用
@article{arxiv.1102.1003,
title = {A New Data Layout For Set Intersection on GPUs},
author = {Rasmus Resen Amossen and Rasmus Pagh},
journal= {arXiv preprint arXiv:1102.1003},
year = {2011}
}
备注
A version of this paper appears in Proceedings of IPDPS 2011