学位论文 > 优秀研究生学位论文题录展示

基于GPU的多序列关联性分析方法研究

作　者: 张琼瑶
导　师: 邵志远
学　校: 华中科技大学
专　业: 计算机软件与理论
关键词: 多序列关联性分析多序列比对系统关联指导树图形处理器并行化
分类号: TP332
类　型: 硕士论文
年　份: 2013年
下　载: 5次
引　用: 0次
阅　读: 论文下载

内容摘要

多序列关联性分析方法是基于多序列比对思想，分析序列间远近关系及探索序列关联路线的一种策略。随着序列数目的不断增加，现有基于CPU的多序列关联性分析方法已无法满足实际应用的需求。随着图形处理器(GPU)计算能力的飞速提高，GPU以其流水线工作模式和强大的并行计算能力，被广泛应用于解决计算密集型问题，包括提高多序列关联性分析方法的效率。结合GPU强大的并行计算能力，提出并实现基于GPU的多序列关联性分析方法，从三个不同角度进行并行优化。其中对关联性分析的算法进行改进，通过对算法执行过程的调整，解决算法内部的数据依赖问题；为降低I/O负载及实现异步处理，提出基于GPU的数据流并行优化策略，对输入距离矩阵进行数据分割，并结合异步处理模式，实现CPU与GPU的协同并行处理；基于GPU的指令流优化策略实现对不同线程粒度的动态调用，解决在未知多序列关联关系的情况下，线程拥塞和线程空载等问题。同时设计基于并行双调排序的最小链模型，通过并行遍历子矫正距离矩阵，将遍历结果存入最小链数组以进行双调排序，快速定位当前状态下的最小值结点对，对多序列关联性分析方法中最耗时的处理过程进行了并行优化。基于Linux操作系统和CUDA平台，采用C、C++等语言，实现基于GPU的多序列关联性分析方法。在保证输出结果精确度不变的情况下，减少了输入数据的I/O传输时间，降低了寻找最小值结点对的时间开销，实验整体性能与基于CPU的多序列关联分析方法相比，加速比达到25.1，且具有更稳定、更快速的关联性分析性能。

全文目录

摘要  4-5
Abstract  5-6
目录  6-8
1 绪论  8-16
  1.1 问题的提出  8-9
  1.2 课题背景与研究意义  9-10
  1.3 国内外研究现状  10-13
  1.4 研究内容  13-14
  1.5 本文框架结构  14-16
2 多序列关联性分析方法原理及并行性分析  16-26
  2.1 方法原理  16-20
  2.2 性能瓶颈  20-22
  2.3 并行性分析  22-25
  2.4 本章小结  25-26
3 多序列关联性分析方法的并行优化  26-42
  3.1 多序列关联性分析方法的选定  27-28
  3.2 多序列关联性分析方法的算法改进  28-30
  3.3 基于 GPU 的数据流并行优化  30-36
  3.4 基于 GPU 的指令流并行优化  36-40
  3.5 本章小结  40-42
4 系统测试与分析  42-51
  4.1 测试环境与方法  42-43
  4.2 I/O 传输性能测试  43-45
  4.3 寻找最小值结点对的性能测试  45-47
  4.4 加速比性能测试  47-49
  4.5 本章小结  49-51
5 总结与展望  51-54
致谢  54-56
参考文献  56-61
附录 1 攻读硕士期间发表的论文  61-62
附录 2 攻读硕士期间申请的国家发明专利  62-63
附录 3 攻读硕士期间参与的项目  63

基于GPU的多序列关联性分析方法研究

内容摘要

全文目录

相似论文