روشی کارا برای پیاده‌سازی موازی الگوریتم دسته بندی بسته درخت سلسله‌مراتبی بر روی واحد پردازش گرافیکی

Authors

Abstract:

چکیده: دسته­بندی بسته­ها، پردازشی اساسی در پردازنده­های شبکه­ای است. در این فرآیند، بسته­ها­ی ورودی از طریق تطبیق با مجموعه­ای از فیلترها به جریان­های مشخص طبقه­بندی می­شوند. پیاده‌سازی‌های نرم‌افزاری الگوریتم­های دسته­بندی با وجود هزینه کم‌تر و توسعه‌پذیری بیش‌تر نسبت به پیاده‌سازی­های سخت‌افزاری، سرعت پایین‌تری دارند. در این مقاله، از قابلیت پردازش موازی پردازنده‌های گرافیکی برای تسریع الگوریتم درخت سلسله‌مراتبی دسته­بندی بسته­ها، استفاده نموده و سناریوهای متفاوتی را بر اساس معماری حافظه‌های سراسری و اشتراکی آن‌ها پیشنهاد می­نماییم. نتایج پیاده‌سازی این سناریوها، ضمن تأیید پیچیدگی­های زمانی و حافظه­ای محاسبه­شده، نشان می­دهد کارایی ­سناریوهایی که مجموعه فیلتر را به‌صورت زیردرخت­هایی کوچک‌تر یا مساوی حافظه اشتراکی تقسیم و به آن کپی می­کنند کم‌تر از سناریویی است که کل ساختار داده را در حافظه سراسری نگه می­دارد. کارایی این سناریوها، با کاهش تعداد زیردرخت­ها و فیلترهای تکراری افزایش می­یابد علاوه بر این، سناریویی که بتواند درخت سلسله‌مراتبی و مجموعه فیلترهای متناظر را، بدون افراز در حافظه اشتراکی جای دهد برترین سناریو است. نتایج آزمـایش نـشان می­دهد که نرخ گذرداد حاصله در این سناریو نسبت به روش­های موجود بر روی یک GPU یکسان تا 1/2 برابر بهبود می­­یابد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

روشی کارا برای پیاده سازی موازی الگوریتم دسته بندی بسته درخت سلسله مراتبی بر روی واحد پردازش گرافیکی

چکیده: دسته­بندی بسته­ها، پردازشی اساسی در پردازنده­های شبکه­ای است. در این فرآیند، بسته­ها­ی ورودی از طریق تطبیق با مجموعه­ای از فیلترها به جریان­های مشخص طبقه­بندی می­شوند. پیاده سازی های نرم افزاری الگوریتم­های دسته­بندی با وجود هزینه کم تر و توسعه پذیری بیش تر نسبت به پیاده سازی­های سخت افزاری، سرعت پایین تری دارند. در این مقاله، از قابلیت پردازش موازی پردازنده های گرافیکی برای تسریع الگوری...

full text

ارائه روشی کارا برای دسته بندی مسائل چنددسته ای با رویکرد انتخاب دسته بند

سیستمهای دسته بندی شورایی، رویکردی مؤثر در یادگیری ماشین است که در آن با ترکیب نتایج چند دسته بند سعی می شود تقریب بهتری از یک دسته بند بهینه فراهم شود. در حوزه ترکیب خروجی شورای دستهبندها، رویکرد «انتخاب دستهبند» توجه کمتری را در مقایسه با رویکرد «ادغام دسته بند» به خود جلب کرده است. همچنین، اغلب روشهای موجود در این حوزه، هزینه محاسباتی بالایی دارند. در این مقاله، روشی مؤثر در دسته بندی مسائل ...

full text

ارائه یک الگوریتم فرامکاشفه‏ای موازی برای مسئله بسته بندی برداری

مسئله بسته بندی برداری نمونه تعمیم یافته بسته بندی یک بعدی می باشد. هدف این مسئله، بسته بندی بردارهای d-بعدی در بسته های d-ظرفیتی ضمن کمینه کردن بسته های مصرفی می باشد. رهیافت های ارائه شده پیشین غالباً برای نوع خاصی از نمونه های ورودی مناسب بوده و در نتیجه از مشکلاتی نظیر کندی الگوریتم در محاسبه جواب در مجموعه داده های بزرگ یا عدم توجه به اطلاعات ظرفیتی اضافی در هنگام بسته بندی بسته ها رنج می ب...

15 صفحه اول

ارائه روشی مناسب برای دسته بندی نامه های الکترونیکی تبلیغاتی بر مبنای پروفایل کاربران

In general, Spam is related to satisfy or not satisfy the client and isn’t related to the content of the client’s email. According to this definition, problems arise in the field of marketing and advertising for example, it is possible that some of the advertising emails become spam for some users, and not spam for others. To deal with this problem, many researchers design an anti-s...

full text

تحلیل موازی: روشی برای تعیین تعداد عامل‌ها

زمینه: در مطالعات زیادی از تحلیل عاملی اکتشافی برای کاهش داده‌ها استفاده می‌شود. تعیین تعداد واقعی عامل‌های قابل‌استخراج بزرگترین مشکلی است که محققان در اجرای تحلیل عاملی با آن روبه‌رو می‌شوند. روش‌های معمول و رایج، تعداد عامل‌های قابل‌استخراج را بیشتر و یا کمتر از حد واقعی برآورد می‌کنند. هدف: این پژوهش به‌منظور ارزیابی روش‌های معمول تعیین تعداد عامل‌های قابل‌استخراج و معرفی تحلیل موازی به‌عنو...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 46  issue 3

pages  181- 196

publication date 2016-09-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023