Abstract Recent development in Grap

Abstract Recent development in Graphics Processing Units (GPUs) has enabled inexpensive
high performance computing for general-purpose applications. Compute
Unified Device Architecture (CUDA) programming model provides the programmers
adequate C language like APIs to better exploit the parallel power of the GPU. Data
mining is widely used and has significant applications in various domains. However,
current data mining toolkits cannot meet the requirement of applications with
large-scale databases in terms of speed. In this paper, we propose three techniques
to speedup fundamental problems in data mining algorithms on the CUDA platform:
scalable thread scheduling scheme for irregular pattern, parallel distributed top-k
scheme, and parallel high dimension reduction scheme. They play a key role in our
CUDA-based implementation of three representative data mining algorithms, CUApriori,
CU-KNN, and CU-K-means. These parallel implementations outperform the
other state-of-the-art implementations significantly on a HP xw8600 workstation with
a Tesla C1060 GPU and a Core-quad Intel Xeon CPU. Our results have shown that
GPU + CUDA parallel architecture is feasible and promising for data mining applications

ผลลัพธ์ (ไทย) 1:

บทคัดย่อการพัฒนาล่าสุดในกราฟิกประมวลผลหน่วย (GPUs) ได้เปิดใช้งานราคาไม่แพง
ประสิทธิภาพสูงที่ใช้งานสำหรับโปรแกรมประยุกต์วัตถุ คำนวณ
จำลองการเขียนโปรแกรมแบบรวมอุปกรณ์สถาปัตยกรรม (CUDA) ช่วยให้โปรแกรมเมอร์ที่
ภาษา C เพียงพอเช่น APIs เพื่อใช้พลังของ GPU ขนานกัน ข้อมูล
เหมืองแร่มีใช้กันอย่างแพร่หลาย และมีโปรแกรมประยุกต์ที่สำคัญในโดเมนต่าง ๆ อย่างไรก็ตาม,
ข่าวเหมืองข้อมูลปัจจุบันไม่ตรงกับความต้องการของโปรแกรมประยุกต์ด้วย
ฐานข้อมูลขนาดใหญ่ในแง่ของความเร็วได้ ในเอกสารนี้ เราเสนอเทคนิคสาม
speedup ปัญหาพื้นฐานในอัลกอริทึมการทำเหมืองข้อมูลบนแพลตฟอร์ม CUDA:
เธรดสามารถปรับแผนโครงร่างสำหรับรูปแบบผิดปกติ ขนานที่กระจายบน-k
โครงร่าง และแผนการลดมิติคู่ขนานสูง พวกเขามีบทบาทสำคัญในเรา
CUDA โดยนำกระบวนการทำเหมืองข้อมูลพนักงาน 3, CUApriori,
CU KNN และ CU K หมายถึง ใช้งานคู่ขนานเหล่านี้มีประสิทธิภาพสูงกว่าการ
ใช้งานอย่างมากบนเวิร์กสเตชัน xw8600 HP กับรัฐของศิลปะอื่น ๆ
เป็น Core quad Intel Xeon CPU และ GPU เป็น C1060 Tesla ผลของเราได้แสดงที่
สถาปัตยกรรมแบบขนาน GPU CUDA จะเป็นไปได้ และแนวโน้มสำหรับโปรแกรมประยุกต์การทำเหมืองข้อมูล

ผลลัพธ์ (ไทย) 2:

บทคัดย่อการพัฒนาล่าสุดในหน่วยประมวลผลกราฟิก (GPUs) ได้เปิดใช้งานราคาไม่แพง
ประมวลผลประสิทธิภาพสูงสำหรับการใช้งานทั่วไป คำนวณ
สถาปัตยกรรมอุปกรณ์ Unified (CUDA) รูปแบบการเขียนโปรแกรมที่มีการเขียนโปรแกรม
ภาษา C เพียงพอเช่น API สำหรับการที่ดีกว่าใช้ประโยชน์จากพลังงานขนานของ GPU ข้อมูล
การทำเหมืองแร่เป็นใช้กันอย่างแพร่หลายและมีการใช้งานอย่างมีนัยสำคัญในโดเมนต่างๆ อย่างไรก็ตาม
ปัจจุบันชุดเครื่องมือการทำเหมืองข้อมูลไม่สามารถตอบสนองความต้องการของการใช้งานกับ
ฐานข้อมูลขนาดใหญ่ในแง่ของความเร็ว ในบทความนี้เรานำเสนอสามเทคนิค
ที่จะ speedup ปัญหาพื้นฐานในขั้นตอนวิธีการทำเหมืองข้อมูลบนแพลตฟอร์ม CUDA:
โครงการการจัดตารางเวลาด้ายปรับขนาดได้สำหรับความผิดปกติของรูปแบบขนานกระจายบน k
โครงการและโครงการการลดมิติสูงขนาน พวกเขาเล่นบทบาทสำคัญในการที่เรา
ดำเนินการ CUDA ตามตัวแทนสามขั้นตอนวิธีการทำเหมืองข้อมูล CUApriori,
CU-KNN และ CU-K-หมายถึง เหล่านี้การใช้งานขนานดีกว่า
การใช้รัฐของศิลปะอื่น ๆ อย่างมีนัยสำคัญในเวิร์คสเตชั่ HP xw8600 กับ
เทสลา C1060 GPU และ Core-รูปสี่เหลี่ยมซีพียูอินเทลซีออน ผลของเราแสดงให้เห็นว่า
GPU + CUDA ขนานสถาปัตยกรรมเป็นไปได้และมีแนวโน้มสำหรับการใช้งานการทำเหมืองข้อมูล

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ การพัฒนาล่าสุดในหน่วยประมวลผลกราฟิก ( GPUs ) ได้เปิดใช้งานคอมพิวเตอร์ประสิทธิภาพสูงสำหรับงานเอนกประสงค์ ราคาไม่แพง
. คำนวณ
รวมอุปกรณ์งานสถาปัตยกรรม ( CUDA ) การเขียนโปรแกรมแบบมีโปรแกรมเมอร์ภาษา C
เพียงพอเช่น API ดีกว่า ใช้ประโยชน์จากพลังของ GPU ขนาน . การทำเหมืองข้อมูล
ใช้กันอย่างแพร่หลาย และมีการใช้งานในระดับต่างๆ .อย่างไรก็ตาม
ชุดเครื่องมือการทำเหมืองข้อมูลในปัจจุบัน ไม่สามารถตอบสนองความต้องการของการใช้งานกับฐานข้อมูล
ขนาดใหญ่ในแง่ของความเร็ว ในบทความนี้เรานำเสนอ 3 เทคนิค
ถึงปัญหาพื้นฐานของการทำเหมืองข้อมูลขั้นตอนวิธีการเร่งความเร็วในการแพลตฟอร์ม :
ขนาดด้ายตารางโครงการผิดปกติแบบขนานและกระจาย top-k
แบบขนานสูงมิติการลดโครงการพวกเขาเล่นคีย์บทบาทในการดำเนินงานของเรา
3 ตัวแทนจากเหมืองข้อมูลขั้นตอนวิธี cuapriori
cu-knn , และ cu-k-means . การใช้งานแบบขนานเหล่านี้ลงอย่างมากในการใช้งานอื่น ๆ รัฐ - of - the - art

xw8600 HP Workstation กับ Tesla GPU และ c1060 เป็นควอดคอร์ อินเทล ซีออน ซีพียู ผลของเราแสดงให้เห็นว่า
GPU CUDA ขนานสถาปัตยกรรมที่เป็นไปได้และสัญญาสำหรับการประยุกต์ใช้เหมืองข้อมูล