We present two e±cient Apriori impl

We present two e±cient Apriori implementations of Fre-
quent Itemset Mining (FIM) that utilize new-generation graph-
ics processing units (GPUs). Our implementations take ad-
vantage of the GPU's massively multi-threaded SIMD (Sin-
gle Instruction, Multiple Data) architecture. Both imple-
mentations employ a bitmap data structure to exploit the
GPU's SIMD parallelism and to accelerate the frequency
counting operation. One implementation runs entirely on
the GPU and eliminates intermediate data transfer between
the GPU memory and the CPU memory. The other im-
plementation employs both the GPU and the CPU for pro-
cessing. It represents itemsets in a trie, and uses the CPU
for trie traversing and incremental maintenance. Our pre-
liminary results show that both implementations achieve a
speedup of up to two orders of magnitude over optimized
CPU Apriori implementations on a PC with an NVIDIA
GTX 280 GPU and a quad-core CPU.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอสอง e±cient Apriori ใช้งานฟรี-
quent Itemset ทำเหมืองแร่ (FIM) ใช้กราฟรุ่นใหม่-
ics หน่วย (GPUs) ในการประมวลผล ใช้งานของเราทำโฆษณา-
vantage ของ SIMD อย่างหนาแน่นหลายเธรดของ GPU (บาป-
gle สอน ข้อมูลหลาย) สถาปัตยกรรม Imple ทั้ง-
mentations ใช้โครงสร้างข้อมูลบิตแมปให้ใช้การ
Parallelism SIMD ของ GPU และเร่งความถี่
นับการดำเนินการ ใช้งานหนึ่งทำงานทั้งหมดบน
GPU และลดการถ่ายโอนข้อมูลกลางระหว่าง
หน่วยความจำของ GPU และ CPU หน่วยความจำ อื่น ๆ im-
plementation ใช้ GPU และ CPU สำหรับโปร
cessing แสดง itemsets ใน trie และใช้ CPU
trie บำรุงข้ามสิ่งกีดขวาง และเพิ่มขึ้น ของเราก่อน
ผล liminary แสดงการใช้งานทั้งสองให้การ
speedup อันดับสองของขนาดมากกว่าเหมาะ
CPU Apriori ใช้งานบนพีซีกับ NVIDIA
GTX 280 GPU และ CPU quad-core

ผลลัพธ์ (ไทย) 2:

เรานำเสนอสองทาง e ±เพียงพอการใช้งาน Apriori ของความถี่
Quent Itemset เหมืองแร่ (FIM) ที่ใช้รุ่นใหม่ graph-
หน่วยประมวลผลรวม (GPUs) การใช้งานของเราจะเพิ่มตำแหน่งที่
ได้เปรียบของ GPU โดยอย่างหนาแน่นแบบมัลติเธรด SIMD (บาป
สอน GLE, หลายข้อมูล) สถาปัตยกรรม ทั้งเนิน
mentations ใช้โครงสร้างข้อมูลบิตแมปที่จะใช้ประโยชน์จาก
GPU ของ SIMD ขนานและจะเร่งความถี่
การดำเนินการนับ การดำเนินการอย่างใดอย่างหนึ่งทำงานอยู่กับ
GPU และช่วยลดการถ่ายโอนข้อมูลกลางระหว่าง
หน่วยความจำ GPU และ CPU หน่วยความจำ ญอื่น ๆ
plementation พนักงานทั้ง GPU และ CPU สำหรับโปร
ประมวล มันเป็น itemsets ใน Trie และใช้ซีพียู
สำหรับ traversing Trie และการบำรุงรักษาที่เพิ่มขึ้น ของเราก่อน
ผล liminary แสดงให้เห็นว่าการใช้งานทั้งสองบรรลุ
เพิ่มความเร็วได้ถึงสองคำสั่งของขนาดกว่าการเพิ่มประสิทธิภาพ
การใช้งาน CPU Apriori ในเครื่องคอมพิวเตอร์กับ NVIDIA
GTX 280 GPU และ CPU Quad-Core

ผลลัพธ์ (ไทย) 3:

เราเสนอ 2 E ± cient aPriori implementations fre -
เคว็น itemset MINING ( FIM ) รุ่นใหม่ที่ใช้กราฟ -
วงจรรวมหน่วยประมวลผล ( GPUs ) ของเราซึ่งใช้โฆษณา -
Vantage ของ GPU เป็นอย่างหนาแน่นแบบมัลติเธรด simd ( บาป -
GLE คำสั่งหลายข้อมูลสถาปัตยกรรม ทั้ง imple -
mentations จ้างบิตแมปโครงสร้างข้อมูลเพื่อประโยชน์
simd GPU ของความเท่าเทียมและต้องเร่งความถี่
นับการดําเนินงาน หนึ่งใช้วิ่งหมด
GPU และลดระดับการถ่ายโอนข้อมูลระหว่างหน่วยความจำและซีพียู
GPU หน่วยความจำ อีกม -
plementation พนักงานทั้ง GPU และ CPU สำหรับ Pro -
cessing . มันเป็น itemsets ในทรัย และใช้ CPU
สำหรับทรัย traversing และการบำรุงรักษาเพิ่มขึ้น . Pre -
ผลลัพธ์ที่แสดงให้เห็นว่า การใช้ liminary บรรลุ
SpeedUp ถึงคำสั่งของขนาดปรับ CPU ใช้งานมากกว่า
แบบบน PC กับ NVIDIA GTX 280
GPU และ CPU Quad Core 2