计算机工程

作者：王其涵, 庞建民, 岳峰, 祝迪, 沈莉, 肖谦

单位：1. 信息工程大学 数学工程与先进计算国家重点实验室, 郑州 450000;2. 中国科学技术大学, 合肥 230000;3. 江南计算技术研究所, 江苏 无锡 214000

关键词：异构众核处理器,K近邻算法,并行计算,算法优化,分类性能

基金：国家自然科学基金“基于深度学习与计算语言学的恶意代码作者身份识别研究”（61802433）。

K近邻（KNN）是人工智能中最常用的分类算法，其性能提升对于海量数据的整理分析、大数据分类等任务具有重要意义。目前新一代神威超级计算机正处于应用发展的初始阶段，结合新一代申威异构众核处理器的结构特性，充分利用庞大的计算资源实现高效的KNN算法是海量数据分析整理的现实需求。根据SW26010pro处理器的结构特性，采用主从加速编程模型实现一种基础版本的KNN并行算法，其将计算核心传输到从核上，实现了线程级并行。分析影响基础并行算法性能的关键因素并提出优化算法SWKNN，不同于基础并行KNN算法的任务划分方式，SWKNN采用任务重划分策略，以避免冗余计算开销。通过数据流水优化、从核间通信优化、二次负载均衡优化等步骤减少不必要的通信开销，从而有效缓解访存压力并进一步提升算法性能。实验结果表明，与串行KNN算法相比，面向申威架构的基础并行KNN算法在SW26010pro处理器的单核组上可以获得最高48倍的加速效果，在同等数据规模下，SWKNN算法较基础并行KNN算法又可以获得最高399倍的加速效果。

来源：2023年第5期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第5期