海量视频人脸提取与识别并行框架设计及优化

近年来,监控设备大量应用于城市智能化建设中,而其产生的海量视频数据,亟待一种快速高效的解决方案。随着大数据处理技术的发展,使得处理海量视频数据成为可能。本文将视频数据集解耦合实现任务的并行处理,通过Spark读取数据流的同时获取关键帧的方式解决了解耦视频数据引起数据倍增问题,并对图片特征数据进行优化,进而在Spark上实现了具有高可扩展性并行处理海量视频数据的框架。本文在天河二号云平台上进行部署实验,分析实验结果表明随着处理节点个数增加本框架可以获得近线性的加速比。     

基于飞腾平台的GPU图形加速驱动设计与实现

在超大规模集成电路和图形技术快速发展,特别是2D/3D图形加速技术高速发展的背景下,GPU图形加速已经成为人们研究的焦点。主要在飞腾平台上为轻量级的DirectFB图形系统设计了一种硬件加速驱动。从驱动的设计与实现角度介绍了Radeon GPU图形加速的相关原理,对飞腾平台上GPU主存地址空间和命令传送机制等关键技术进行了系统的研究,并最终实现了该系统。     

面向CPU/MIC异构架构的K-Means向量化算法

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。