Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP

Autores
Jiménez, Joaquín; Klenzi, Raúl O.; Malberti, Alejandra
Año de publicación
2015
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En este trabajo se analiza el desempeño correspondiente a la implementación de un algoritmo de segmentación sobre hardware con procesadores multinúcleo y con Unidades de Procesamiento Gráfico –GPU- basado en la placa de video Nvidia utilizando programación CUDA, y se muestran métricas de ejecución, que miden y comparan su desempeño respecto de su equivalente OpenMP y secuencial. Se paraleliza el algoritmo de segmentación K-means que se nutre con datos obtenidos del área de la astronomía que consisten en un catálogo descripto por una matriz con filas que representan galaxias y columnas que constituyen sus parámetros o atributos característicos. También se propone evidenciar el orden complejidad temporal de K-means, que es O(tkn)[1], donde n es el número de objetos, k el número de clusters y t el número de iteraciones. Se harán pruebas cambiando los valores de estas variables, mostrando los cambios en los tiempos de ejecución y en los SpeedUps logrados respecto del código secuencial.
Eje: Procesamiento Distribuído y Paralelo
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
K-means
Segmentation
Algorithms
CUDA
OpenMP
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/46187
Acceder
id SEDICI_733df5cca6e5449e57f083ca75660757
oai_identifier_str oai:sedici.unlp.edu.ar:10915/46187
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMPJiménez, JoaquínKlenzi, Raúl O.Malberti, AlejandraCiencias InformáticasK-meansSegmentationAlgorithmsCUDAOpenMPEn este trabajo se analiza el desempeño correspondiente a la implementación de un algoritmo de segmentación sobre hardware con procesadores multinúcleo y con Unidades de Procesamiento Gráfico –GPU- basado en la placa de video Nvidia utilizando programación CUDA, y se muestran métricas de ejecución, que miden y comparan su desempeño respecto de su equivalente OpenMP y secuencial. Se paraleliza el algoritmo de segmentación K-means que se nutre con datos obtenidos del área de la astronomía que consisten en un catálogo descripto por una matriz con filas que representan galaxias y columnas que constituyen sus parámetros o atributos característicos. También se propone evidenciar el orden complejidad temporal de K-means, que es O(tkn)[1], donde n es el número de objetos, k el número de clusters y t el número de iteraciones. Se harán pruebas cambiando los valores de estas variables, mostrando los cambios en los tiempos de ejecución y en los SpeedUps logrados respecto del código secuencial.Eje: Procesamiento Distribuído y ParaleloRed de Universidades con Carreras en Informática (RedUNCI)2015-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/46187spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-17T09:45:55Zoai:sedici.unlp.edu.ar:10915/46187Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-17 09:45:56.224SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
spellingShingle Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
Jiménez, Joaquín
Ciencias Informáticas
K-means
Segmentation
Algorithms
CUDA
OpenMP
title_short Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_full Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_fullStr Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_full_unstemmed Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
title_sort Análisis de desempeño de una Implementación del algoritmo K-means en CUDA y OMP
dc.creator.none.fl_str_mv Jiménez, Joaquín
Klenzi, Raúl O.
Malberti, Alejandra
author Jiménez, Joaquín
author_facet Jiménez, Joaquín
Klenzi, Raúl O.
Malberti, Alejandra
author_role author
author2 Klenzi, Raúl O.
Malberti, Alejandra
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
K-means
Segmentation
Algorithms
CUDA
OpenMP
topic Ciencias Informáticas
K-means
Segmentation
Algorithms
CUDA
OpenMP
dc.description.none.fl_txt_mv En este trabajo se analiza el desempeño correspondiente a la implementación de un algoritmo de segmentación sobre hardware con procesadores multinúcleo y con Unidades de Procesamiento Gráfico –GPU- basado en la placa de video Nvidia utilizando programación CUDA, y se muestran métricas de ejecución, que miden y comparan su desempeño respecto de su equivalente OpenMP y secuencial. Se paraleliza el algoritmo de segmentación K-means que se nutre con datos obtenidos del área de la astronomía que consisten en un catálogo descripto por una matriz con filas que representan galaxias y columnas que constituyen sus parámetros o atributos característicos. También se propone evidenciar el orden complejidad temporal de K-means, que es O(tkn)[1], donde n es el número de objetos, k el número de clusters y t el número de iteraciones. Se harán pruebas cambiando los valores de estas variables, mostrando los cambios en los tiempos de ejecución y en los SpeedUps logrados respecto del código secuencial.
Eje: Procesamiento Distribuído y Paralelo
Red de Universidades con Carreras en Informática (RedUNCI)
description En este trabajo se analiza el desempeño correspondiente a la implementación de un algoritmo de segmentación sobre hardware con procesadores multinúcleo y con Unidades de Procesamiento Gráfico –GPU- basado en la placa de video Nvidia utilizando programación CUDA, y se muestran métricas de ejecución, que miden y comparan su desempeño respecto de su equivalente OpenMP y secuencial. Se paraleliza el algoritmo de segmentación K-means que se nutre con datos obtenidos del área de la astronomía que consisten en un catálogo descripto por una matriz con filas que representan galaxias y columnas que constituyen sus parámetros o atributos característicos. También se propone evidenciar el orden complejidad temporal de K-means, que es O(tkn)[1], donde n es el número de objetos, k el número de clusters y t el número de iteraciones. Se harán pruebas cambiando los valores de estas variables, mostrando los cambios en los tiempos de ejecución y en los SpeedUps logrados respecto del código secuencial.
publishDate 2015
dc.date.none.fl_str_mv 2015-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/46187
url http://sedici.unlp.edu.ar/handle/10915/46187
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1843532199940325376
score 13.000565

Publicaciones similares