GPU加速技术在图论算法中应用探讨.docVIP

GPU加速技术在图论算法中应用探讨 　　【摘要】 对于图数据来说，其是当前很多学科的基础理论，特别是对于数学和计算机学科，如何实现图算法的计算效率是最主要的研究内容之一，伴随着算法的成熟，传统的图算法已经无法满足发展需要，为此，人们逐渐开始进行并行图算法的研究。但由于传统的CPU对数据处理受到限制，研究人员逐渐引进了新型的GPU运算处理器，其具有运算核心数量多和能力强等优点，随着对GPU研究的增多，GPU领域的图算法发展也得到了有效的提高。本文对当前的GPU加速技术在图论算法中的应用进行了简单的介绍。 　　【关键词】 CUDA 强连通分量 最小生成树 最短路径 　　随着信息时代的发展，数据总量也在逐渐增加，这使得人们对高性能的计算能力迫切需要，像基因序列的分析以及天气预报等，但传统的CPU单核计算已经无法满足人们工作的需要，为此，开发多核计算工具和并行算法是当前信息技术发展的重要需求。这种情况下，图算法作为图论的核心内容，逐渐被人们关注，其能够通过海量的图结构数据进行有效的分析，但由于其算法的不规则访存特性使其设计难度不断增加。为此，本文对如何实现图算法的加速进行了简单的介绍，通过GPU加速技术的应用能够使图算法的应用成为现实。 　　一、GPU同传统并行计算架构的区别 　　1.1 同多核CPU的区别研究 　　对于CPU，其应用目的对其体系是一种严重的限制，在CPU芯片上，大部分的电路都是用作逻辑控制或者缓存，这导致计算单元的晶体管数量非常少。通过大量的研究可以发现，对于GPU来说，其在应用的过程中，并行指令的数量非常少，但CPU却大部分采用的是长指令字等指令级的并行技术，这种技术使其架构和GPU之间存在着本质上的区别。此外，设计目的也存在着较大的差别，对于CPU，其主要是实现ALU指令的获取和执行，因此，逻辑控制电路等数量较大，但对于GPU来说，其主要是为了提高自身的计算能力，其更加注重的是对数据的吞吐效率，因此，对于逻辑控制设计相对较为简单。 　　1.2 同分布式集群的区别 　　对于GPU和集群之间的区别，其主要分为两个方面：首先是在计算方式上，对于集群，其采用的是主从模式，这种计算方式采用的是分割计算，通过Slave的计算和Master的集合和处理功能对数据进行计算。对于GPU来说，其通用计算和集群的模式相似，但GPU是Slave。然后是通信方式之间的区别，对于集群，其通信主要是通过局域网或者互联网等，这种算法在计算时需要对传输的细节进行重点的考虑，防止设计方面出现传输限制。而对于GPU芯片而言，其采用的是PCI-E接口进行数据等的传输，因此，其仅仅需要考虑的是如何对计算内容进行分配以及哪一部分的CPU具有什么样的特性等。 　　二、GPU加速计算有向图的强连通分量 　　对于有向图的强连通分量计算，其是图论中一个非常基本性的问题，像对复杂产品设计中的耦合任务集进行识别等。若将设计过程中所涉及到的各个人物看做是图的顶点，然后通过不同任务之间的关系能够建立一个有向图，而其中的耦合任务集的识别就变为了对途中的强连通分量进行寻找。在GPU加技术应用之后，设计了一个FB算法，其能够对非平凡图的强连通分量进行计算。 　　2.1 FB算法 　　对于FB算法，其在计算过程中不是依靠DFS为子的一种算法，而是通过分配模式将不同的子问题分配到各个单元中对其进行处理，而对于每个子问题，其都是通过顶点的可达性来进行分析，因此，FB算法具有较强的并行化能力。对于FB算法，其需要对下面两个引理进行重点的观察： 　　给定有向图G=（V，E），v？V，那么对于任何不包含v的强连通分量，其一定是FWD（G，v）BWD（G，v）和Rem（G，v）三个和集中的一个。 　　通过这两个理论可以得知，对于FB算法，其具体的计算过程是：首先选择一个顶点，然后对其前闭包和后闭包进行计算，两个集合之间的交集就是强连通分量值。然后通过剩余的顶点对原图进行3个子集的划分，并通过迭代计算对三个子图进行重复性的上述计算过程，这样就能够实现子图的并行处理计算。 　　2.2 基于CUDA的FB算法 　　首先是GPU中的图存储，对于当前的图算法，其采用的都是邻接表或者邻接矩阵，对于G=（V，E），其采用邻接表来对其进行表示，定义数组Adj代表|V|，其包含了满足（v，u）∈E的全部顶点，然后通过|V|×|V|来对矩阵进行表示，通过邻接表对无向图进行表示时，其大小为2|E|，而有向图的表达则是|E|。而采用邻接矩阵进行表示时，其空间需求都是O（V2）。而在通过GPU技术进行图数据的存储时，需要对下面几点内容进行考虑：首先，同现代的传统CPU主机系统相比，GPU的系统内存相对较小，然后是CUDA的模型，其采用的是一种CPU-GPU的异构模型，这种模型在进行数