基于并行计算的数据流处理方法研究

声明

摘要

CONTENTS

图表目录

主要符号表

1 绪论

1．1 研究背景和意义

1．2 数据流及其并行计算的研究现状

1．2．1 数据流管理系统的研究现状

1．2．2 数据流挖掘的研究现状

1．2．3 基于CPU的数据流并行处理研究现状

1．2．4 基于GPU的数据流并行处理研究现状

1．2．5 GPU通用并行计算对数据流处理的优势

1．3 本文研究内容和章节安排

2 数据流与并行计算的理论基础

2．1 数据流概述

2．1．1 数据流的模型定义

2．1．2 数据流挖掘和数据流管理系统

2．2 基于CPU和GPU的并行计算

2．2．1 并行计算机和模型

2．2．2 CPU上的MPI和OpenMP并行编程

2．2．3 GPU的并行计算技术

3 基于CPU并行技术的Online-HHT数据流预测方法研究

3．1 问题的提出

3．2 Online-HHT方法研究

3．2．1 时间序列数据流

3．2．2 HHT方法介绍

3．2．3 Online-HHT并行处理方法的提出

3．3 基于Online-HHT的数据流预测方法

3．3．1 链式可重写滑动窗口的设计

3．3．2 预测模型中径向基神经网络的确定

3．3．3 Online-HHT数据流预测并行处理方法

3．4 实验结果与分析

3．5 本章小结

4 基于CPU并行遗传算法的近期数据流频繁项集挖掘

4．1 问题的提出

4．2 数据流频繁项的挖掘方法

4．3 嵌套滑动窗口遗传算法及MPI并行设计

4．3．1 NSWGA算法的设计

4．3．2 NSWGA算法分析

4．4 实验结果与分析

4．5 本章小结

5 基于GPU的数据流通用并行计算模型研究

5．1 问题提出

5．2 CUDA并行计算模型

5．2．1 CUDA的线程和内存结构

5．2．2 CUDA的程序执行方式

5．2．3 单指令多线程模式SIMT

5．3 基于GPU的数据流处理通用模型研究

5．3．1 数据流处理模型

5．3．2 基于GPU的数据流处理模型框架

5．3．3 基于GPU的数据流通用处理模型架构详细设计

5．4 通用模型上的单数据流分位数计算方法

5．2．1 概要数据结构的分位数计算方法

5．2．2 GPU上数据流分位数并行维护方法

5．3 实验结果与分析

5．5 本章小结

6 基于GPU的单维多数据流相关性分析并行计算方法

6．1 问题的提出

6．2 基于GPU的多数据流处理框架

6．2．1 多粒度的数据流数据模型

6．2．2 分层的计算框架

6．2．3 单维多数据流并行计算粒度

6．2．4 单维多数据流GPU上并行计算结构

6．3 单维多数据流相关系数并行计算研究

6．3．1 相关性分析的数学模型

6．3．2 基于GPU的单维多数据流相关系数算法流程

6．3．3 单维多数据流的统计量增量并行计算

6．3．4 单维多数据流相关系数的GPU并行算法

6．4 实验结果与分析

6．5 本章小结

7 基于GPU的高维多数据流相关性分析并行计算方法

7．1 问题的提出

7．2 高维多数据流的GPU处理模型

7．2．1 非规则流

7．2．2 基于GPU的高维多数据流处理计算模型

7．2．3 计算模型分析

7．2．4 计算流程设计

7．2．5 并行计算的内核

7．3 高维多数据流相关性分析并行算法的设计

7．3．1 高维数据相关性分析数学基础

7．3．2 高维多数据流相关性分析的算法设计

7．3．3 高维多数据流相关性的GPU并行算法

7．4 实验结果与分析

7．5 本章小结

8 结论与展望

8．1 结论

8．2 展望

参考文献

攻读博士学位期间科研项目及科研成果

致谢

作者简介