面向CPU/MIC异构架构的K-Means向量化算法

摘要：

在大数据背景下，以K-Means为代表的聚类分析对于数据分析和挖掘十分重要。海量高维数据的处理给K-Means算法带来了性能方面的强烈需求。最新提出的众核体系结构MIC（many integrated core）能够为算法加速提供众核间线程级和核内指令级并行，使其成为K-Means算法加速的很好选择。在分析K-Means基本算法特点的基础上，分析了K-Means算法的瓶颈，提出了可利用数据并行的K-Means向量化算法，优化了向量化算法的数据布局方案。最后，基于CPU/MIC的异构架构实现了向量化K-Means算法，并且探索了MIC在非传统HPC（high performance computing）应用领域的优化策略。测试结果表明，K-Means向量化算法具有良好的计算性能和扩展性。

关键词：K-Means、向量优化、集成众核(MIC)、异构

分类号：TP301.6(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No.61202121;the National High Technology Research and Development Program of China under Grant No.2013AA01A212国家高技术研究发展计划863计划;the Specialized Research Fund for the Doctoral Program of Higher Education of China under Grant No.20114307120013

在线出版日期：2014-06-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：641-652