[发明专利]一种多GPU平台上并行双调排序的K-最近邻算法并行优化方法

权利要求书

1.一种多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，实现K-最近邻算法的并行化过程，以及通过并行化设计实现K-最近邻算法的优化方法包括如下步骤：

步骤一、搭建多GPU平台MGPUSim的系统环境；

步骤二、初始化MGPUSim工作负载与定义内核参数；

步骤三、进行k-最近邻算法的数据预处理；

步骤四、输入常用UCI数据集将测试数据和训练数据集从CPU端拷入GPU；

步骤五、定义基于OpenCL的并行化内核；

步骤六、优化k-最近邻算法的距离计算与距离排序阶段；

步骤七、判断数据进行分类，验证算法分类效果；

步骤八、识别性能瓶颈，验证改进。

2.如权利要求1所述的多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，所述的步骤一配置MGPUSim的环境，在MGPUSim平台上编写程序启动函数main()，并创建一个运行程序来初始化多GPU平台。其中的代码包括GPU驱动的模拟引擎和要运行的基准测试。

3.如权利要求1所述的多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，步骤二初始化工作负载，创建工作负载构造函数并使用“kernels.LoadProgramMemory”来提取内核执行函数。在内核中定义内核参数，并构造内核执行函数。

4.如权利要求1所述的多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，所述的步骤三将算法进行预处理，对样本进行约简处理，同时对临近点引入权值，提升算法的数据处理能力。

5.如权利要求1所述的多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，步骤四选取常用的UCI数据集，将测试数据点、训练数据点和k值从CPU端拷贝到GPU端，并在GPU端为数据分配相应的内存空间。

6.如权利要求1所述的多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，所述的步骤五基于OpenCL的并行化编程模型定义K-最近邻算法的距离计算和距离排序阶段的并行化内核。

7.如权利要求1所述的多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，所述的步骤六通过并行化实现的内核，我们分别对距离计算与距离排序阶段进行优化，在GPU端采用并行双调排序与欧式距离的并行化优化。

8.如权利要求1所述的多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，所述的步骤七判断数据进行分类，验证算法分类效果。根据排序结果确定测试数据的分类。

9.如权利要求1所述的多GPU平台上并行双调排序的K-最近邻算法并行优化方法，其特征在于，所述的步骤八识别性能瓶颈，验证改进。将使用GPU执行轨迹可视化技术识别并行化K-最近邻算法的性能瓶颈，提升K-最近邻算法的性能，包括提高命令处理器的调度速度。