Paraxle：一种面向大数据和科学计算的高性能领域特定语言

发布时间：2024-02-19 18:10

　　在大数据时代,面向大数据、科学计算、人工智能的算法和应用不仅需要强大的计算机算力作为基础,还需要高效且易于使用的编程模型作为硬件资源与编程者交互的媒介。目前,面向大数据和科学计算等领域的编程框架往往较为复杂,对于不具备计算机专业知识的使用者是难以上手的,不利于交叉学科的持续蓬勃发展。领域特定语言是专注于特定应用领域的计算机编程语言,具有语法简洁、表达性强等特点。Axle是面向科学计算的领域特定语言,提供了大数据、科学计算的一系列基本功能。基于大数据时代对更优编程模型的内在需求,本文提出在Axle的基础上进一步扩展其功能,研究面向大数据和科学计算领域的高性能领域特定语言——Paraxle。Paraxle对Axle进行了多方面的扩展。针对Axle中部分可并行化的功能,Paraxle实现了这些功能的并行化,提高了执行效率。由于Axle仅提供了少数大数据方面的算法,Paraxle在回归、分类、聚类等方面进行了扩充,增加了多个算法的实现。Axle不具备异构计算的功能,然而在大数据时代,异构并行计算有着重要作用,基于此Paraxle将OpenCL与Axle相结合,实现了面向异构计算的线性代数、模拟...

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 研究方法及内容概述
    1.4 论文结构
第二章 相关背景知识
    2.1 领域特定语言
    2.2 面向科学计算的领域特定语言——Axle
    2.3 异构并行计算、GPGPU和OpenCL
    2.4 Actor模型和Akka actor框架
    2.5 本章小结
第三章 Paraxle设计思想及实现
    3.1 对部分Axle功能的优化
        3.1.1 部分功能函数的并行化
        3.1.2 专用于Paraxle的命令行解析器(REPL)
    3.2 对Axle的横向扩展
    3.3 Axle的纵向扩展
        3.3.1 Paraxle的异构计算扩展
        3.3.2 基于Akka actor的并行化研究
    3.4 本章小结
第四章 基于Paraxle的实际用例与分析
    4.1 高斯过程回归简介
    4.2 基于Paraxle的高斯过程回归的实现
    4.3 本章小结
第五章 实验与分析
    5.1 基于多线程并行化的优化功能与原有功能的效率对比
    5.2 横向扩展方法的正确性和效率
    5.3 GPU优化后的方法与原有串行方法效率的对比
    5.4 基于Akka的并行算法与Axle串行算法的对比
    5.5 本章小结
总结与展望
    论文工作总结
    展望
参考文献
附录
    附录1
        面向OpenCL的Java版本矩阵加法
        面向OpenCL的Scala版本矩阵加法
    附录2
攻读硕士学位期间取得的研究成果
致谢
附件



本文编号：3903111