基于fpga的聚类算法的加速平台的研究与设计-软件工程专业论文.docxVIP

摘要摘要 摘要 摘要 聚类分析在人类工作生活中扮演着越来越重要的角色，目前已被广泛运用于 许多不同的领域，如市场调研、模式识别、数据挖掘、图像处理、客户分割、Web 文档分类等。随着互联网和电子商务的飞速发展，各行各业采集、积累或急需处 理的数据呈现海量式的增长。海量的数据大大降低了聚类分析的效率，针对各种 聚类算法加速的研究成为了人们探讨的重要课题。不同的应用领域以及不同类型 的数据集需要使用不同的聚类算法才能够获得较好的聚类效果，由此可见高效实 现多种聚类算法是很有必要的。 目前聚类算法的加速平台主要有云计算平台和硬件加速平台，其中硬件加速 平台主要有GPU、FPGA以及ASIC。云计算平台采用集群的方式将应用进行划分， 然后将划分后的任务分配到各个PC节点，各个节点处理任务并将计算结果汇总 到总机。这种加速方式需要多个PC机，而且算法的加速最终受限于网络带宽； 硬件加速平台利用硬件自身速度快的特点，使用硬件来代替软件或者CPU来实 现具体功能逻辑，而且大量的内置硬件逻辑部件使得硬件加速平台可以更好地采 用并行和流水的方式加速算法的执行。硬件加速平台的加速效果好、不受限于带 宽而且相比云计算平台加速成本更低。综上，硬件加速平台是算法加速的一种有 效的加速平台。 目前，硬件加速器的设计大多针对单一特定的算法，对加速器的通用性和灵 活性的研究很少。虽然GPU提供了解决通用性和灵活性的方法，但是对通用性和 灵活性的支持使得GPU带来了高能耗的问题，而FPGA会获得更好的节能效果。 但是目前基于FPGA的加速器都是针对特定算法设计特定的硬件加速模块的，使 得该硬件加速器仅支持一种算法，大大限制了硬件加速器的通用性和灵活性。能 否设计一种基于FPGA的硬件加速器，使之能够支持多种聚类算法呢? 本文采用软硬件结合的方式实现了一个基于FPGA的硬件加速系统平台，它 能够支持K-means、PAM、SLINK、DBSCAN四种聚类算法和两种相似度度量标准。 基于对算法的热点代码和局部性的分析，加速器解决了频繁的片外访存问题，最 后通过提取热点代码的公共算子，最大化地平衡了加速器的通用性以及灵活性和 加速性能之间的关系，使得加速器支持通用性和灵活性的同时又兼顾了加速器的 加速性能。为了评估加速器的性能，将加速器分别与CPU和GPU作了比较，给出 了相应的加速比和能效比，并测试与分析了影响加速器加速性能的因素。 关键词：聚类算法；加速平台；片外访存；加速比；能效比。 I 万方数据 摘要 11 万方数据 ABSTRACTABSTRACT ABSTRACT ABSTRACT Clustering analysis plays a more and more important role in our work and life． Presently,it has been applied in many different fields，such as market research，pattern recognition，data analysis，image processing，customer segmentation，web document classification and SO on．With the rapid development of Intemet and e-commerce，the collected or accumulated data in different fields presents mass growth．Vast amounts of data greatly slow down the efficiency of the clustering analysis，and the study on accelerating algorithm has been an important topic．Different application areas or different types of data set need to adopt different clustering algorithm to achieve good performance．It’S necessary to accelerate different clustering algorithms． The main platforms to accelerate clustering algorithm are cloud computing platform and hardware acceleration．The cloud platform firstly partitions the application