抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
相互接続されたエンティティ間の関係を探究するグラフ分析は社会科学への機械学習からのその広い応用性のために,ますます重要になっている。しかし,グラフ処理システムのための1つの主要な課題は性能を著しく劣化させることができるグラフ計算の不規則なデータアクセスパターンである。主流並列アプリケーションのための調整されたアルゴリズム,ソフトウェア,ハードウェアは,それらの複雑さと不規則性による実世界からの大規模スパースグラフのための効果的な一般的に,結果として,されていない。大規模グラフ分析における性能問題を解決するために,計算の柔軟性や効率を失うことなく例外的なランダムアクセス性能を達成するために,新たなハイブリッドメモリ立方体(HMC)を組み合わせた最新FPGAを用いた。特に,FPGA HMCプラットフォーム上のレベル同期幅優先探索(B FS)を実行するために共同ソフトウェア/ハードウェア技術を開発した。ソフトウェアの観点から,データ局所性とメモリアクセス効率を改善するためのプラットフォームの能力を完全に利用するアーキテクチャを意識したグラフクラスタリングアルゴリズムを開発した。各入力グラフに対して,このアルゴリズムは,実行時における一次因子である,メモリ要求の数が最小化できるように,可能な最大HMCペイロード要求にメモリ要求を合体するFPGA可能にする効率的なデータレイアウトを提供した。ハードウェアの観点から,著者らはさらに融合ユニットを添加することによりFPGA HMCグラフプロセッサアーキテクチャを改善した。マージングユニットはグラフクラスタリングに起因する増加したデータ局所性の最良の利点を持っている。は広い範囲の応用からベンチマーク集合上でのミクロンから交流510開発キットを用いたBFS実装の性能を評価した。クラスタリングアルゴリズムと合体ハードウェアの組合せは,最新FPGA HMC基づくグラフ処理システムと比較して2.8×平均性能改善を達成したことを観察した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
