Detalhes bibliográficos
| Ano de defesa: |
2019 |
| Autor(a) principal: |
Maukoski, William Xavier
 |
| Orientador(a): |
Senger, Luciano José
|
| Banca de defesa: |
Ishii, Renato Porfirio
,
Campos Junior, Arion de
|
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual de Ponta Grossa
|
| Programa de Pós-Graduação: |
Programa de Pós Graduação Computação Aplicada
|
| Departamento: |
Departamento de Informática
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://tede2.uepg.br/jspui/handle/prefix/2991
|
Resumo: |
A mineração de dados (MD) é potencialmente onerosa, estudos para diminuir o tempo de resposta são essenciais para conseguir entregar resultados em tempos menores. Muitas soluções propostas por trabalhos correlatos utilizam computação em clusters (aglomerados) de computadores, uma alternativa a isto é utilizar a computação com GPU. A programação com GPU, necessita um conhecimento aprofundado do algoritmo a ser trabalhado e de um entendimento da arquitetura da GPU que será utilizada. Este trabalho tem por objetivo geral investigar o uso da computação paralela em ambiente manycore para reduzir o tempo de resposta de algirtmos de MD. O algoritmo K-means por ser comumente adotados em tarefas de IA e sua característica NP-Difícil foi o escolhido para ser paralelizado. Foram utilizadas ferramentas para identificar o ponto de gargalo do K-means, simultaneamente foram feitas as avaliações dos pontos positivos e negativos destas ferramentas. Após identificar o ponto de gargalo do algoritmo, ele foi reescrito para ser executado com suporte da GPU, foram feitas as coletas dos tempos de respostas e pôr fim a medição do ganho de desempenho utilizando a GPU. Ao utilizar a GPU foi primeiro constatado um SpeedUP máximo de 7,09 e uma eficiência de 0,65% considerados pequenos ao comparar com outros trabalhos da literatura. Para contornar isto foi feito um aumento na base de dados utilizada aumentado o tempo de execução, assim obteve-se resultados melhores com um SpeedUp de 26,001 e uma eficiência de 2,4% ao utilizar o máximo de cores da GPU. Concluindo-se que é possível diminuir o tempo de resposta de algoritmos de mineração de dados utilizando GPU, sem precisar alterar o hardware do equipamento. |
