自动机处理器上的相似性搜索
分布式、并行与集群计算
2017-06-09 v2
摘要
相似性搜索是自然语言处理、基于内容的搜索、机器学习、计算机视觉、数据库、机器人和推荐系统等多种应用的关键原语。其核心使用 k-最近邻 (kNN) 算法实现，计算包括高度并行的距离计算和全局 top-k 排序。在当代冯·诺依曼架构中，kNN 受数据移动瓶颈限制，影响了吞吐量和延迟。本文提出并评估了一种在 Micron 自动机处理器 (AP) 上基于自动机的 kNN 新颖算法，AP 是一种非冯·诺依曼近数据处理架构。通过采用近数据处理，AP 最小化了数据移动瓶颈，并实现了更好的性能。与自动机处理领域的先前工作不同，我们的工作结合时间编码与自动机设计，扩展了 AP 的应用空间。我们在 AP 上评估了设计性能，并与最先进的 CPU、GPU 和 FPGA 实现进行比较；表明当前代 AP 硬件可实现超过 50 倍于 CPU 的加速，同时保持有竞争力的能效增益。我们还提出了几种自动机优化技术和简单的体系结构扩展，凸显了 AP 硬件的潜力。
引用
@article{arxiv.1608.03175,
title = {Similarity Search on Automata Processors},
author = {Vincent T. Lee and Justin Kotalik and Carlo C. Del Mundo and Armin Alaghi and Luis Ceze and Mark Oskin},
journal= {arXiv preprint arXiv:1608.03175},
year = {2017}
}
备注
12 pages, 11 figures, accepted to International Parallel and Distribution Processing Symposium (IPDPS) 2017