面向大數據的相似度度量的加速研究.pdf

1、21世紀以來，隨著信息技術的迅猛發(fā)展，數據量呈指數級增長，大數據時代已經到來并給人們的生活帶來了全方位的改變。圖像數據和流數據是大數據中兩種最主要的數據形式。這些海量的數據給數據挖掘，尤其是其中的瓶頸，相似度度量帶來了新的挑戰(zhàn)：高吞吐量，高能量效率和多源性。
　　由于 Complementary Metal–Oxide–Semiconductor（CMOS）工藝無法繼續(xù)提供Central Processing Unit（CPU）吞

2、吐量和能量效率的提升，提升相似度度量的性能成為面向大數據挑戰(zhàn)的一個亟待解決的問題。本文從面向架構（數字電路），面向器件（模擬電路）和面向應用（應用領域）三個角度出發(fā)，選取針對流數據處理的動態(tài)時間規(guī)整（Dynamic Time Warping，DTW）和針對圖像處理的土地移動距離（Earth Mover’s Distance，EMD）這兩個典型的相似度度量進行性能加速的研究。
　　首先為了滿足流數據挖掘中數據多源性以及高吞吐量的要求

3、，我們提出了一套可擴展，可配置和高能效的基于FPGA的DTW流數據處理架構。該架構能夠同時高能效高性能的處理多源流數據。在該架構中，我們選取了 kNN算法來處理分類和異常檢測等應用。該架構使用了數據表示方法和精度降低技術。通過設計兩個環(huán)狀PE結構，我們實現(xiàn)了DTW和kNN的可擴展性和可配置性。
　　其次為了在具有事務管理和文件管理能力的嵌入式設備System on Chip（SoC）上實現(xiàn)高性能高能效的流數據挖掘，我們提出了一種基

4、于 CPU+FPGA異構平臺的DTW流數據加速架構。通過充分利用DTW算法的并行性，我們實現(xiàn)了一個可配置的加速架構。上層應用的軟件優(yōu)化主要在硬核CPU上實現(xiàn)，而DTW加速在可編程邏輯上實現(xiàn)。通過軟硬件結合，整個系統(tǒng)性能和能量效率達到最優(yōu)。
　　第三，結合新器件憶阻器我們通過模擬電路實現(xiàn)了DTW計算的加速。在該加速電路中，憶阻器用來同時進行計算和配置?；趹涀杵鞯挠嬎闶且粋€連續(xù)和異步的過程，因此我們提出了兩種基于結果預測的優(yōu)化方法來

5、進一步加速DTW計算。我們對下限優(yōu)化方法進行了改進，提出了一種提前下限優(yōu)化算法。我們同時對DTW計算過程進行優(yōu)化，提出了一種提前終止優(yōu)化方法。
　　第四，基于CPU+FPGA異構平臺，我們提出了一種基于指令集擴展的EMD加速架構。我們首先對EMD算法進行了分析，在識別其瓶頸部分后，設計了專門的擴展指令對其進行加速。相比于已有的硬件加速，該EMD加速架構能夠支持的直方圖中特征變量數目有1-2個數量級的提升。
　　第五，針對睡姿

6、監(jiān)測應用，我們對EMD算法進行了面向特定應用的優(yōu)化。我們提出了一種針對睡姿應用的相似度度量，面向睡姿的土地移動距離（Body-Earth Mover’s Distance，BEMD），來對基于壓力傳感器的睡姿壓力圖進行睡姿分類。在睡姿分類過程中，BEMD沒有提取任何特征。BEMD利用形狀描述器首先將睡姿壓力圖變換成直方圖，然后結合EMD和歐式距離對直方圖進行相似度計算。我們提出了一個基于傾斜率的分類器對直方圖之間的相似度進行處理，進而實