基于多GPU加速的醫(yī)療關聯規(guī)則挖掘及其應用.pdf

1、隨著大數據技術的不斷發(fā)展，大數據處理的思想和方法在越來越多的領域中得到了應用。在醫(yī)療領域，通過對醫(yī)療大數據的挖掘和分析，發(fā)現臨床癥狀、生活習慣、遺傳因素和實驗室數據等元素與疾病之間的關聯和演化規(guī)律，在臨床輔助決策、疾病預測模型、個性化治療和臨床試驗分析等領域發(fā)揮著重要的作用。
　　Apriori算法憑借其簡單高效和適用范圍廣等特點，成為目前最常用的醫(yī)療關聯規(guī)則挖掘的算法之一，被廣泛地應用于癌癥，糖尿病和心腦血管疾病等重大疾病的關聯

2、規(guī)則挖掘問題中。然而隨著醫(yī)療數據量的日益增長和數據操作復雜程度的不斷提高，傳統Apriori算法在處理相關問題時，所消耗的時間越來越長，在實際應用中受到了很大的限制。因此，如何使用Apriori算法快速地從海量數據中挖掘出關聯規(guī)則是一個亟待解決的問題。Google公司提出的MapReduce架構通過構建高性能計算集群可以有效地解決Apriori算法的效率問題，這也是目前應用最廣泛的加速方法。然而構建集群的高昂成本，很多研究者及中小型用戶

3、都無法承受。因此本文利用GPU(Graphic Processing Unit)具有更大的內存帶寬，更多的執(zhí)行單元以及更低的成本等優(yōu)勢，提出了一種基于多GPU的并行方法對Apriori算法進行加速。這種方法既能得到很好的加速效果，又能大幅度地降低成本，使得中小型機構進行大數據處理成為可能。
　　本文首先使用區(qū)間離散化和離散區(qū)間整數化等方法對Aprion算法進行了一些修改，使之能夠適應數值型數據關聯規(guī)則挖掘問題。接著本文對Aprio

4、ri算法進行了并行化處理，在解決了算法數據存儲優(yōu)化、算法負載均衡的數據劃分以及針對大數據的動態(tài)加載等問題的基礎上，通過把每一個事務數據記錄分配到GPU眾多的線程當中，高效地將Apriori算法中支持計數計算的過程轉移到GPU端，充分利用GPU強大的并行運算能力對算法進行加速。通過數據實驗驗證，本文提出的基于多GPU的并行Apriori算法不僅能夠有效減少數據挖掘時間，而且加速效果與GPU數量呈線程增長關系，具有有良好的可擴展性。最后，通