面向大數(shù)據(jù)的相似度度量的加速研究.pdf

1、21世紀(jì)以來，隨著信息技術(shù)的迅猛發(fā)展，數(shù)據(jù)量呈指數(shù)級增長，大數(shù)據(jù)時代已經(jīng)到來并給人們的生活帶來了全方位的改變。圖像數(shù)據(jù)和流數(shù)據(jù)是大數(shù)據(jù)中兩種最主要的數(shù)據(jù)形式。這些海量的數(shù)據(jù)給數(shù)據(jù)挖掘，尤其是其中的瓶頸，相似度度量帶來了新的挑戰(zhàn)：高吞吐量，高能量效率和多源性。
　　由于 Complementary Metal–Oxide–Semiconductor（CMOS）工藝無法繼續(xù)提供Central Processing Unit（CPU）吞

2、吐量和能量效率的提升，提升相似度度量的性能成為面向大數(shù)據(jù)挑戰(zhàn)的一個亟待解決的問題。本文從面向架構(gòu)（數(shù)字電路），面向器件（模擬電路）和面向應(yīng)用（應(yīng)用領(lǐng)域）三個角度出發(fā)，選取針對流數(shù)據(jù)處理的動態(tài)時間規(guī)整（Dynamic Time Warping，DTW）和針對圖像處理的土地移動距離（Earth Mover’s Distance，EMD）這兩個典型的相似度度量進行性能加速的研究。
　　首先為了滿足流數(shù)據(jù)挖掘中數(shù)據(jù)多源性以及高吞吐量的要求

3、，我們提出了一套可擴展，可配置和高能效的基于FPGA的DTW流數(shù)據(jù)處理架構(gòu)。該架構(gòu)能夠同時高能效高性能的處理多源流數(shù)據(jù)。在該架構(gòu)中，我們選取了 kNN算法來處理分類和異常檢測等應(yīng)用。該架構(gòu)使用了數(shù)據(jù)表示方法和精度降低技術(shù)。通過設(shè)計兩個環(huán)狀PE結(jié)構(gòu)，我們實現(xiàn)了DTW和kNN的可擴展性和可配置性。
　　其次為了在具有事務(wù)管理和文件管理能力的嵌入式設(shè)備System on Chip（SoC）上實現(xiàn)高性能高能效的流數(shù)據(jù)挖掘，我們提出了一種基

4、于 CPU+FPGA異構(gòu)平臺的DTW流數(shù)據(jù)加速架構(gòu)。通過充分利用DTW算法的并行性，我們實現(xiàn)了一個可配置的加速架構(gòu)。上層應(yīng)用的軟件優(yōu)化主要在硬核CPU上實現(xiàn)，而DTW加速在可編程邏輯上實現(xiàn)。通過軟硬件結(jié)合，整個系統(tǒng)性能和能量效率達到最優(yōu)。
　　第三，結(jié)合新器件憶阻器我們通過模擬電路實現(xiàn)了DTW計算的加速。在該加速電路中，憶阻器用來同時進行計算和配置?；趹涀杵鞯挠嬎闶且粋€連續(xù)和異步的過程，因此我們提出了兩種基于結(jié)果預(yù)測的優(yōu)化方法來

5、進一步加速DTW計算。我們對下限優(yōu)化方法進行了改進，提出了一種提前下限優(yōu)化算法。我們同時對DTW計算過程進行優(yōu)化，提出了一種提前終止優(yōu)化方法。
　　第四，基于CPU+FPGA異構(gòu)平臺，我們提出了一種基于指令集擴展的EMD加速架構(gòu)。我們首先對EMD算法進行了分析，在識別其瓶頸部分后，設(shè)計了專門的擴展指令對其進行加速。相比于已有的硬件加速，該EMD加速架構(gòu)能夠支持的直方圖中特征變量數(shù)目有1-2個數(shù)量級的提升。
　　第五，針對睡姿

6、監(jiān)測應(yīng)用，我們對EMD算法進行了面向特定應(yīng)用的優(yōu)化。我們提出了一種針對睡姿應(yīng)用的相似度度量，面向睡姿的土地移動距離（Body-Earth Mover’s Distance，BEMD），來對基于壓力傳感器的睡姿壓力圖進行睡姿分類。在睡姿分類過程中，BEMD沒有提取任何特征。BEMD利用形狀描述器首先將睡姿壓力圖變換成直方圖，然后結(jié)合EMD和歐式距離對直方圖進行相似度計算。我們提出了一個基于傾斜率的分類器對直方圖之間的相似度進行處理，進而實