基于新型異構(gòu)計算平臺的數(shù)據(jù)挖掘算法研究與實現(xiàn).pdf

1、大數(shù)據(jù)時代的到來極大地推動了數(shù)據(jù)挖掘算法的研究與應(yīng)用，其中KNN算法和 K-means算法作為“十大數(shù)據(jù)挖掘算法”中分類算法與聚類算法的代表，被廣泛應(yīng)用于文本信息分類、金融預(yù)測、生物基因工程、圖像信息處理等各個領(lǐng)域。然而隨著信息和數(shù)據(jù)的爆炸式增長，KNN算法與K-means算法的快速實現(xiàn)面臨著巨大的挑戰(zhàn)，基于 FPGA的新型異構(gòu)計算平臺為加速此類算法的實現(xiàn)提供了新的解決方案。與大型工作站或計算機集群相比，基于 FPGA的新型異構(gòu)計算平臺

2、具有價格更低、體積更小等優(yōu)勢；與GPU平臺相比，F(xiàn)PGA平臺具有功耗更低、能量效率更高等優(yōu)勢。因此，本文基于FPGA新型異構(gòu)計算平臺，對KNN和K-means兩種數(shù)據(jù)挖掘算法進行OpenCL異構(gòu)實現(xiàn)研究。
　　首先，本文基于FPGA異構(gòu)計算平臺的特點，設(shè)計了KNN算法的異構(gòu)實現(xiàn)方案 KB-KNN。為了充分發(fā)揮異構(gòu)平臺的優(yōu)勢，本文將待分類數(shù)據(jù)進行分組，并采用設(shè)備間流水的并行實現(xiàn)方案，使異構(gòu)系統(tǒng)中的主機與從機同時參與運算，增加硬件資源

3、的利用率。在FPGA加速內(nèi)核的設(shè)計上，本文改進了KNN算法中傳統(tǒng)的一維并行排序方案，采用了更易并行，結(jié)構(gòu)更加簡單的K并行冒泡實現(xiàn)結(jié)構(gòu)。為了充分利用 FPGA的全局內(nèi)存帶寬，本文使用訪存聚合等優(yōu)化方法，提高了系統(tǒng)的吞吐量。
　　其次，本文設(shè)計了基于 FPGA異構(gòu)計算平臺的K-means算法實現(xiàn)方案 FP-Kmeans。根據(jù)算法的特點，采用FPGA與CPU協(xié)同計算的實現(xiàn)方案，增加了硬件資源的利用率。對系統(tǒng)的訪存行為進行了優(yōu)化，減少全局

4、內(nèi)存的訪問，并充分利用私有內(nèi)存與本地內(nèi)存提高了數(shù)據(jù)讀取與寫入的速度。
　　最后，本文基于FPGA+CPU的異構(gòu)計算平臺，采用不同數(shù)據(jù)集對KB-KNN和PF-Kmeans異構(gòu)加速方案進行了實現(xiàn)與測試，并分別與現(xiàn)有的基于GPU平臺的方案CU-KNN和CU-Kmeans進行對比。測試結(jié)果表明，KB-KNN方案與移植到FPGA平臺上的CU-KNN方案相比獲得了1.7倍的加速比，與原始CU-KNN方案相比獲得了1.5倍的能效比。本文設(shè)計的P