The emerging cloud environments are

The emerging cloud environments are well suited for storage and analysis of large datasets, since they can allow on-demand access to resources. However, developing high-performance implementations of data analysis tasks is a challenging problem. In our prior work, we have developed a middleware called FREERIDE (FRamework for Rapid Implementation of Data mining Engines). FREERIDE is based upon the observation that the processing structure of a large number of data mining algorithms involves generalized reductions. FREERIDE offers a high-level interface and implements both distributed memory and shared memory parallelization. In this paper, we consider a challenging new data mining algorithm, information theoretic co-clustering, and parallelize it using the FREERIDE middleware. We show how the main processing loops of row clustering and column clustering of the Co-clustering algorithm can essentially be fit into a generalized reduction structure. We achieve good parallel efficiency, with a speedup of nearly 21 on 32 cores.

ผลลัพธ์ (ไทย) 1:

สภาพแวดล้อมที่เกิดเมฆซึ่งเหมาะสำหรับเก็บข้อมูลและการวิเคราะห์ของ datasets ขนาดใหญ่ เนื่องจากพวกเขาอนุญาตให้ตามความต้องการเข้าถึงทรัพยากร อย่างไรก็ตาม การพัฒนาประสิทธิภาพสูงใช้งานของข้อมูลวิเคราะห์งานเป็นปัญหาท้าทาย ในการทำงานของเราก่อน เราได้พัฒนาเป็นมิดเดิลแวร์เรียก FREERIDE (กรอบการดำเนินงานอย่างรวดเร็วของข้อมูลเครื่องยนต์เหมืองแร่) FREERIDE จะขึ้นสังเกตว่า โครงสร้างการประมวลผลของอัลกอริทึมการทำเหมืองข้อมูลเป็นจำนวนมากเกี่ยวข้องกับลดเมจแบบทั่วไป FREERIDE มีอินเทอร์เฟซพื้นฐาน และเครื่องมือทั้งกระจายหน่วยความจำ และ parallelization หน่วยความจำที่ใช้ร่วมกัน ในเอกสารนี้ เราพิจารณาความท้าทายใหม่ข้อมูลเหมืองแร่อัลกอริทึม ข้อมูล theoretic ร่วมคลัสเตอร์ และ parallelize โดยใช้มิดเดิลแวร์ FREERIDE เราแสดงวิธีวนรอบประมวลผลหลักของคลัสเตอร์แถวและคอลัมน์ที่คลัสเตอร์ของอัลกอริทึมระบบคลัสเตอร์ร่วมสามารถหลักจะแบ่งโครงสร้างการลดเมจแบบทั่วไป เราบรรลุดีประสิทธิภาพขนาน กับ speedup ของเกือบ 21 บนแกน 32

ผลลัพธ์ (ไทย) 2:

สภาพแวดล้อมเมฆที่เกิดขึ้นใหม่มีความเหมาะสมดีสำหรับการจัดเก็บและการวิเคราะห์ชุดข้อมูลขนาดใหญ่เนื่องจากพวกเขาสามารถช่วยให้เข้าถึงความต้องการทรัพยากร แต่การพัฒนาการใช้งานที่มีประสิทธิภาพสูงของงานการวิเคราะห์ข้อมูลเป็นปัญหาที่ท้าทาย ในการทำงานของเราก่อนที่เราได้พัฒนาตัวกลางที่เรียกว่า Freeride (กรอบในการใช้งานอย่างรวดเร็วของเครื่องมือการทำเหมืองข้อมูล) Freeride จะขึ้นอยู่กับการสังเกตว่าโครงสร้างการประมวลผลของจำนวนมากของขั้นตอนวิธีการทำเหมืองข้อมูลที่เกี่ยวข้องกับการลดลงทั่วไป Freeride มีอินเตอร์เฟซระดับสูงและการดำเนินการทั้งสองหน่วยความจำกระจายและ parallelization หน่วยความจำร่วม ในบทความนี้เราจะพิจารณาความท้าทายขั้นตอนวิธีการทำเหมืองข้อมูลข้อมูลใหม่ทฤษฎีร่วมการจัดกลุ่มและขนานโดยใช้ตัวกลาง Freeride เราจะแสดงวิธีการประมวลผลลูปหลักของการจัดกลุ่มและการจัดกลุ่มแถวคอลัมน์ของขั้นตอนวิธีการจัดกลุ่มผู้ร่วมสามารถเป็นหลักจะพอดีกับโครงสร้างการลดทั่วไป เราบรรลุประสิทธิภาพที่ดีขนานกับการเร่งความเร็วของเกือบ 21 32 แกน

ผลลัพธ์ (ไทย) 3:

เกิดเมฆสภาพแวดล้อม เหมาะสำหรับเก็บข้อมูลและการวิเคราะห์ของขนาดใหญ่เนื่องจากพวกเขาสามารถช่วยให้ลูกค้าสามารถเข้าถึงทรัพยากร อย่างไรก็ตาม การพัฒนาประสิทธิภาพการใช้งาน การวิเคราะห์ข้อมูลเป็นปัญหาที่ท้าทาย . ในงานก่อน ของเรา เราได้พัฒนาตัวกลางที่เรียกว่า Freeride ( กรอบการดำเนินงานอย่างรวดเร็วของการทำเหมืองข้อมูลเครื่องยนต์ )ฟรีไรด์จะขึ้นอยู่กับการสังเกตว่า การประมวลผลโครงสร้างของตัวเลขขนาดใหญ่ของขั้นตอนวิธีการทำเหมืองข้อมูลเกี่ยวข้องกับตัวลด ฟรีไรด์มีอินเตอร์เฟซที่ระดับสูง และใช้ทั้งแบบกระจายหน่วยความจำและแบ่งปัน parallelization ไปหน่วยความจำ ในกระดาษนี้เราพิจารณาความท้าทายขั้นตอนวิธีการทำเหมืองข้อมูลการจัดกลุ่มข้อมูลตามทฤษฎี Co , ใหม่parallelize Freeride และใช้แล . เราแสดงวิธีการหลักลูปการประมวลผลของการจัดกลุ่มการจัดกลุ่มแถวและคอลัมน์ของข้อมูลขั้นตอนวิธี Co สามารถเป็นหลักจะพอดีกับโครงสร้างการทั่วไป . เราบรรลุประสิทธิภาพขนานดี ด้วยการเร่งความเร็วเกือบ 21 ใน 32 คอร์