Algoritmo k-means em ambiente manycore para redução do tempo de resposta da mineração de dados
A mineração de dados (MD) é potencialmente onerosa, estudos para diminuir o tempo de resposta são essenciais para conseguir entregar resultados em tempos menores. Muitas soluções propostas por trabalhos correlatos utilizam computação em clusters (aglomerados) de computadores, uma alternativa a isto...
| Author: | |
|---|---|
| Format: | Master's thesis |
| Status: | Published version |
| Publication date: | 2019 |
| Country: | Brasil |
| Institution: | UEPG |
| Repository: | Biblioteca Digital de Teses e Dissertações da UEPG |
| Language: | Portuguese |
| OAI Identifier: | oai:tede2.uepg.br:prefix/2991 |
| Online Access: | http://tede2.uepg.br/jspui/handle/prefix/2991 |
| Access Level: | Open access |
| Keyword: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Computação Paralela Mineração de Dados ManyCore Agricultura de Precisão Parallel Computing Precision Agriculture |
| Summary: | A mineração de dados (MD) é potencialmente onerosa, estudos para diminuir o tempo de resposta são essenciais para conseguir entregar resultados em tempos menores. Muitas soluções propostas por trabalhos correlatos utilizam computação em clusters (aglomerados) de computadores, uma alternativa a isto é utilizar a computação com GPU. A programação com GPU, necessita um conhecimento aprofundado do algoritmo a ser trabalhado e de um entendimento da arquitetura da GPU que será utilizada. Este trabalho tem por objetivo geral investigar o uso da computação paralela em ambiente manycore para reduzir o tempo de resposta de algirtmos de MD. O algoritmo K-means por ser comumente adotados em tarefas de IA e sua característica NP-Difícil foi o escolhido para ser paralelizado. Foram utilizadas ferramentas para identificar o ponto de gargalo do K-means, simultaneamente foram feitas as avaliações dos pontos positivos e negativos destas ferramentas. Após identificar o ponto de gargalo do algoritmo, ele foi reescrito para ser executado com suporte da GPU, foram feitas as coletas dos tempos de respostas e pôr fim a medição do ganho de desempenho utilizando a GPU. Ao utilizar a GPU foi primeiro constatado um SpeedUP máximo de 7,09 e uma eficiência de 0,65% considerados pequenos ao comparar com outros trabalhos da literatura. Para contornar isto foi feito um aumento na base de dados utilizada aumentado o tempo de execução, assim obteve-se resultados melhores com um SpeedUp de 26,001 e uma eficiência de 2,4% ao utilizar o máximo de cores da GPU. Concluindo-se que é possível diminuir o tempo de resposta de algoritmos de mineração de dados utilizando GPU, sem precisar alterar o hardware do equipamento. |
|---|