公开(公告)号：CN112000847A

公开(公告)日：2020-11-27

申请号：CN202010836011.9

申请日：2020-08-19

Applicant: 东北大学

Inventor： 谷峪 ,  宛长义 ,  李传文 ,  宋振 ,  于戈

IPC: G06F16/901 ,  G06F16/245

Abstract: 本发明提供一种基于GPU并行的自适应基数树动态索引方法。首先构建自适应基数树数据结构，前两层创建Node256类型的树节点，第三、四层的创建基于高位优先的基数排序方法，根据分支的数量创建能容下对应大小的树节点，实现动态数据结构的创建，可以保证在原批数据中最新的更新在进行排序后仍旧是在旧的更新后面，然后去重操作，去掉多余的旧更新保留最新的更新，去重之后再把每一段无重复数据的序列插入该段对应的节点内，完成对整个自适应基数树的创建，其次基于GPU并行计算能力，可以并行进行对数据的插入、查询、删除操作。

公开(公告)号：CN112052879B

公开(公告)日：2023-06-13

申请号：CN202010811897.1

申请日：2020-08-13

Applicant: 东北大学

Inventor： 苏雨萱 ,  张岩峰 ,  宛长义 ,  于戈

IPC: G06F18/23 ,  G06F9/50 ,  G06F18/2431 ,  G06F18/2321

Abstract: 本发明属于大数据处理领域，涉及一种利用GPU加速密度峰聚类的方法。本发明通过设计新的索引结构来减少距离矩阵的计算量，并利用GPU来加速索引的构建和近邻搜索，提高密度峰聚类算法中每个点的密度值和斥群值计算效率。本发明通过在GPU上构建制高点树索引，并行地计算每个数据点的密度值和斥群值，在用户选择完聚类中心后可以并行分配每个点所属的聚类，有效地减少了距离矩阵的计算量且节省储存空间。相较于传统的聚类方法，使用GPU加速的密度峰聚类方法能够更高效地完成聚类任务。

公开(公告)号：CN109741421B

公开(公告)日：2023-04-14

申请号：CN201910062804.7

申请日：2019-01-23

Applicant: 东北大学

Inventor： 谷峪 ,  宛长义 ,  杨莹 ,  李传文 ,  于戈

IPC: G06T11/40

Abstract: 本发明提出一种基于GPU的动态图着色方法，步骤为：将原始无向图转化成定向图；批量进行删除、插入操作进行后批量合并更新定向图；用压缩稀疏行CSR方式存储定向图的外邻信息，压缩稀疏列CSC方式存储定向图的内邻信息，并将外邻信息与内邻信息分别传输到GPU全局内存上；判断队列是否为空或低于阈值，若否，则利用贪婪着色方法对待更新结点构成的子图进行分区，把分区结果传输至GPU端；若是，则交由CPU端处理；根据分区结果并行地对每个区内的结点进行RC‑Hybrid着色；本发明方法可以充分利用GPU并行的处理能力、对待结点进行混合分块设计提高了并发性并保证着色结果的正确性与一致性。

公开(公告)号：CN112000847B

公开(公告)日：2021-07-20

申请号：CN202010836011.9

申请日：2020-08-19

Applicant: 东北大学

Inventor： 谷峪 ,  宛长义 ,  李传文 ,  宋振 ,  于戈

IPC: G06F16/901 ,  G06F16/245

Abstract: 本发明提供一种基于GPU并行的自适应基数树动态索引方法。首先构建自适应基数树数据结构，前两层创建Node256类型的树节点，第三、四层的创建基于高位优先的基数排序方法，根据分支的数量创建能容下对应大小的树节点，实现动态数据结构的创建，可以保证在原批数据中最新的更新在进行排序后仍旧是在旧的更新后面，然后去重操作，去掉多余的旧更新保留最新的更新，去重之后再把每一段无重复数据的序列插入该段对应的节点内，完成对整个自适应基数树的创建，其次基于GPU并行计算能力，可以并行进行对数据的插入、查询、删除操作。

公开(公告)号：CN112052879A

公开(公告)日：2020-12-08

申请号：CN202010811897.1

申请日：2020-08-13

Applicant: 东北大学

Inventor： 苏雨萱 ,  张岩峰 ,  宛长义 ,  于戈

IPC: G06K9/62 ,  G06F9/50

Abstract: 本发明属于大数据处理领域，涉及一种利用GPU加速密度峰聚类的方法。本发明通过设计新的索引结构来减少距离矩阵的计算量，并利用GPU来加速索引的构建和近邻搜索，提高密度峰聚类算法中每个点的密度值和斥群值计算效率。本发明通过在GPU上构建制高点树索引，并行地计算每个数据点的密度值和斥群值，在用户选择完聚类中心后可以并行分配每个点所属的聚类，有效地减少了距离矩阵的计算量且节省储存空间。相较于传统的聚类方法，使用GPU加速的密度峰聚类方法能够更高效地完成聚类任务。

公开(公告)号：CN109741421A

公开(公告)日：2019-05-10

申请号：CN201910062804.7

申请日：2019-01-23

Applicant: 东北大学

Inventor： 谷峪 ,  宛长义 ,  杨莹 ,  李传文 ,  于戈

IPC: G06T11/40

Abstract: 本发明提出一种基于GPU的动态图着色方法，步骤为：将原始无向图转化成定向图；批量进行删除、插入操作进行后批量合并更新定向图；用压缩稀疏行CSR方式存储定向图的外邻信息，压缩稀疏列CSC方式存储定向图的内邻信息，并将外邻信息与内邻信息分别传输到GPU全局内存上；判断队列是否为空或低于阈值，若否，则利用贪婪着色方法对待更新结点构成的子图进行分区，把分区结果传输至GPU端；若是，则交由CPU端处理；根据分区结果并行地对每个区内的结点进行RC-Hybrid着色；本发明方法可以充分利用GPU并行的处理能力、对待结点进行混合分块设计提高了并发性并保证着色结果的正确性与一致性。