26、云计算、大数据与不平衡数据集分类的技术探索

云计算、大数据与不平衡数据集分类的技术探索

1. GPU加速平台上树结构查询重组问题

在当今数据处理领域，GPU凭借其高片上内存带宽和数千个处理核心带来的高指令吞吐量，成为加速大型数据集处理的经济高效选择。在GPU中，核心由流式处理器（SMs）管理，任务被划分为块并调度到SMs并行执行。

然而，在执行前，每个任务会在全局和本地内存之间传输数据，而全局内存延迟可能是本地内存的数十倍，因此减少对全局内存的访问是提升性能的关键。同时，内存访问模式对执行性能影响显著，合并内存访问能有效提升内存性能。而且，块中的任务一次执行一条指令，不同分支路径的任务需要相互等待，这会延长执行时间，所以避免分支分歧对于充分利用计算资源至关重要。

近期，有研究尝试利用GPU加速树状结构的查询，但需要一个系统模型来找到最优解。为此，我们提出了一个正式模型，将性能优化问题转化为一个分配问题，旨在最小化全局内存访问次数。

以下是GPU执行相关操作的流程：
1. 任务划分：将任务划分为块。
2. 任务调度：将块调度到SMs。
3. 数据传输：任务执行前在全局和本地内存间传输数据。
4. 指令执行：块中的任务依次执行指令。

1.1 树结构上的查询加速

树结构在现代应用中至关重要，但在树结构中加速查询面临挑战。查询遍历不同路径会导致分支分歧问题，且每个路径步骤都需要多次全局内存访问，而全局内存带宽低于本地内存。不过，有研究表明将任务安排成块可以提高查询性能。

例如，假设有四个查询q(2)、q(30)、q(35)和q(1)，最初分为两组g1 = {q(2), q(30)}和g2 = {q(35),