作者：谭郁松 伍复慧 吴庆波 陈微 孙晓利向量优化异构manyintegratedcore
摘要：在大数据背景下，以K-Means为代表的聚类分析对于数据分析和挖掘十分重要。海量高维数据的处理给K-Means算法带来了性能方面的强烈需求。最新提出的众核体系结构MIC（many integrated core）能够为算法加速提供众核间线程级和核内指令级并行，使其成为K-Means算法加速的很好选择。在分析K-Means基本算法特点的基础上，分析了K-Means算法的瓶颈，提出了可利用数据并行的K-Means向量化算法，优化了向量化算法的数据布局方案。最后，基于CPU/MIC的异构架构实现了向量化K-Means算法，并且探索了MIC在非传统HPC（high performance computing）应用领域的优化策略。测试结果表明，K-Means向量化算法具有良好的计算性能和扩展性。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
