异构框架下的高性能金融计算算法及平台实现
这是一篇关于高性能金融计算,期权定价模型,BSDE,异构计算,GPU的论文, 主要内容为高性能计算集群的“基础设施”作为国家科学研究的保障已经上升为国家战略。高性能计算被广泛使用,特别是在金融工程领域,并且是不可或缺的工具。目前用于提供高质量图形,视觉和远程金融研究用户的高性能金融计算平台已成为高性能计算研究的突破口。在金融市场,尤其是金融交易中,信息的任何时间和延迟都可能带来巨大的经济损失。因此,期权定价问题需要算法的高实时性能。反向随机微分方程(BSDE)近年来在金融计算中得到了广泛的研究,并应用于期权定价算法的问题。与Black-Scholes公式相比,当概率模型不确定时,BSDE计算更准确。BSDE-Theta数值格式主要通过组合PDE高阶数字格式和BSDE后向随机微分方程自身特征得到。Theta格式离散BSDE用于时间范围,条件数值方差由MonteCarlo计算。插值计算方法用于获得操作中随机无网格点的值。通过这种求解方法,结果非常准确。为此,本文提出了一种基于金融市场期权定价的高性能计算平台系统。该系统基于Python语言开发,采用B/S架构为用户提供服务,实现了BSDE高精度数值计算方法和平台的集成。设计用户友好的用户界面,提供方便的访问方法,并结合CPU和GPU异构计算框架方法,为平台用户提供跨节点计算需求,确保选项定价应用程序中更准确,更高效的计算资源。
面向高性能计算的批量矩阵乘法计算框架设计与实现
这是一篇关于GPU,BLAS,批量矩阵乘法,高性能计算的论文, 主要内容为基本线性代数子程序(BLAS)是一系列基本线性代数运算函数的接口标准,早已被广泛应用在科学计算和工业界的各个领域中,并对现代科学领域和工业发展起到了至关重要的作用。其应用场景针对大型输入(大型矩阵、向量操作)往往有较好的性能表现;然而在问题规模较小,而问题数量较大的场景下会由于资源利用不充分导致性能表现较差。因此近年来提出了批量BLAS(Batch BLAS)的概念和初步实现,以应对这种新兴趋势带来的挑战。它通过将多个子问题同时并行批量处理,解决以往经典BLAS中对于这种场景表现较差的窘境。对于批量矩阵相乘而言,目前基于GPU的BLAS库(Cu BLAS、Roc BLAS)只支持固定尺寸的问题输入,而不支持可变尺寸矩阵计算,极大的限制了其应用场景。本文旨在设计并实现一个面向高性能计算的GPU批量可变尺寸矩阵乘法计算框架,从而解决在高性能场景下已有的计算库性能表现不佳的问题。研究内容包括批量可变尺寸矩阵乘法场景分析研究与MAGMA vbatched例程优化、细粒度批量可变尺寸矩阵乘法内核函数设计与实现、批量可变尺寸矩阵乘法计算框架设计与实现和HPCC DGEMM的应用与优化这四个方面。在批量可变尺寸矩阵乘法场景分析研究与MAGMA vbatched例程优化中,本文研究分析了批量可变尺寸矩阵乘法的具体应用场景的输入情况,同时分析研究了目前业界在GPU中最优的MAGMA实现中的优势与存在的问题,并针对这些问题进行优化。在细粒度批量可变尺寸矩阵乘法内核函数的设计与实现中,本文针对应用场景对问题输入进行了细粒度的设计与划分,并结合GPU硬件架构从内存层级入手来实现高效并行的GPU内核函数。在批量可变尺寸矩阵乘法计算框架的设计与实现中,本文提出细粒度内核函数优化层级、批次序优化层级、极端数据输入调整层级来提高计算框架的计算表现。在HPCC DGEMM的应用与优化部分中,本文对该测试进行基于任务的划分和细粒度切割划分来优化,以提高目前高性能计算集群中多GPU节点的系统表现。本文针对目前批量矩阵乘法进行了改进和优化,提高并扩展了BLAS库对于批量操作的支持度和适用性,以望解决目前在高性能计算、机器学习、科学计算等领域出现的新挑战。
基于三维可视化平台的场景管理的设计与实现
这是一篇关于三维可视化,场景管理,GPU,加速渲染的论文, 主要内容为随着计算机技术的快速发展,三维可视化技术在许多行业都发挥着重要作用。三维可视化技术作为计算机图形学技术在虚拟仿真领域的一个重要应用,构建了现实世界与虚拟世界的桥梁,通过将现实世界的数据以模型的方式输入到渲染管线中,再由三维引擎将其渲染出来,除了给用户提供直观的视觉效果外,还能够帮助用户更好的做预判性决策。然后,随着三维可视化平台中场景数据量的增大,场景数据变得复杂时,场景的渲染效率明显降低,降低用户体验,因此本论文针对上述问题,提出了面向三维可视化平台的场景管理方法。进行的主要工作如下:首先,结合对场景管理相关技术的研究,包括场景划分、可见性裁剪、碰撞检测和实时渲染技术,结合三维可视化平台场景的特性,设计了面向三维可视化平台的场景管理方法,提出基于代价函数的场景空间分割算法,并且使用GPU实现上述算法,为三维可视化平台的场景管理奠定了流畅的场景管理基础。其次,提出了面向三维可视化平台的实时渲染方法。以对三维可视化平台的多层级展现需求为出发点,结合IT系统架构对三维可视化平台的场景管理的渲染方法进行研究,提出了IT系统架构的可视化模型,同时提出GPU的混合布局算法来展示IT系统结构的分层结构,提高场景的实时渲染效率。最后,将本论文提出的基于三维可视化平台的场景管理方法应用于某数据中心机房可视化系统。结合机房运维可视化场景的需求分析,对机房运维可视化系统做出系统设计,同时实现其场景管理,最后以实验验证本论文提出的方法能够提高场景的渲染效率,提高用户体验效果。
基于GPU图采样的大图模型训练系统的设计与实现
这是一篇关于图学习,图采样,大规模图处理,GPU的论文, 主要内容为图深度学习方法作为分析图数据的有力工具被广泛应用于解决各种现实世界问题,并取得了巨大成功。随着图数据规模的快速增长,如何高效训练大规模图模型成为学术界和工业界关注的热门研究问题。现有的大规模图模型训练系统往往存在着图采样效率低、硬件配置需求高昂、可扩展性低等问题。对此,本论文围绕单机多卡环境下的大图模型训练,对基于GPU的大图采样、大规模异构图在多GPU上的计算子图生成、基于子图训练的大规模图模型训练等环节进行深入研究,设计并实现了基于GPU图采样的大图模型训练系统。具体而言,完成如下工作:1)为了解决GPU图采样中存储需求大、传输开销高的挑战,本论文提出了分块图压缩算法CGC。CGC利用新提出的线性估计压缩算法与混合编码方式,在压缩率与解压缩性能之间取得平衡。实验和理论分析证明CGC可以有效减少图文件大小并降低传输开销,同时支持以常数级别复杂度快速访问压缩后的邻居列表。2)实现了基于CGC算法的压缩图快速采样系统GraSS。它采用顶点并行模式,在单GPU上实现了多种对压缩图的图采样方法,加速图学习的端到端性能。在多张真实世界图和合成图上的实验结果表明,当目前最先进GPU采样系统不能有效完成采样任务时,GraSS仍可以高效支持大规模图上的各种图采样方法。3)当扩展到单机多GPU系统时,面对更大的图规模与更复杂的图结构,本论文设计并实现了多GPU计算子图生成技术。它采用分块策略提高生成的并行性能,能够高效完成图划分、图采样两阶段计算子图生成任务。通过真实世界中亿级顶点、十亿级边的大规模异构图验证了技术方案的有效性,为基于GPU图采样的大图模型训练系统提供训练数据支撑。4)设计并实现了基于GPU图采样的大图模型训练系统。该系统基于子图训练策略,可以在单机多卡环境下完成对大规模异构图的训练。系统通过随机子图组合策略缓解了子图训练带来的精度下降问题。而在大规模图数据上的实验表明,系统在减少一半GPU计算资源的情况下仍然能够有效完成图模型的训练任务。
基于GPU和内容标签的个性化推荐系统研究
这是一篇关于个性化推荐系统,社会化内容标签,CUDA,GPU的论文, 主要内容为互联网的快速发展给人们的生活和工作带来了巨大的便利，但是Web上的海量信息也产生了“信息泛滥”的问题。如何构建行之有效的个性化推荐系统，快速高效地分析出用户的个性化行为模型，为用户推荐出他们真正喜欢的信息内容，是目前各大商业化网站的重要研究内容之一。但是，研究人员在开发基于用户个性化需求的Web推荐系统的过程中遇到了以下两个主要问题：第一，需要提高个性化推荐算法的准确性，保证推荐的结果确实是用户当前需要的信息；其次，需要优化推荐系统的执行效率，加快算法执行速度，为用户提供接近于实时的个性化推荐服务。 本文对传统的基于内容的推荐算法和基于条目的协同过滤算法进行分析，在社会化内容标签的基础上，设计出了一种新的混合型的推荐方法，同时在CUDA（Compute UnifiedDevice Architecture，统一计算设备架构）体系下利用GPU（Graphic Processing Unit，图形处理器）对算法进行了多方面的优化。 本文用这种混合型的推荐算法在MovieLens提供的数据集上进行了用户的个性化推荐，实验结果表明，与其他几种实现的推荐算法相比较，本文的算法在整体预测评分的平均绝对误差上拥有更小的误差值，在给用户提供的个性化推荐结果方面，这种混合型的推荐算法对推荐结果的预测更为准确合理，同时，随着用户规模和资源条目规模的扩大，此方法在大规模用户和资源条目的实验环境下可以获得更好的加速比。所以，这种混合型的推荐算法可以为大规模的商业化系统提供一种快速有效的个性化推荐解决方案。
面向高性能计算的批量矩阵乘法计算框架设计与实现
这是一篇关于GPU,BLAS,批量矩阵乘法,高性能计算的论文, 主要内容为基本线性代数子程序(BLAS)是一系列基本线性代数运算函数的接口标准,早已被广泛应用在科学计算和工业界的各个领域中,并对现代科学领域和工业发展起到了至关重要的作用。其应用场景针对大型输入(大型矩阵、向量操作)往往有较好的性能表现;然而在问题规模较小,而问题数量较大的场景下会由于资源利用不充分导致性能表现较差。因此近年来提出了批量BLAS(Batch BLAS)的概念和初步实现,以应对这种新兴趋势带来的挑战。它通过将多个子问题同时并行批量处理,解决以往经典BLAS中对于这种场景表现较差的窘境。对于批量矩阵相乘而言,目前基于GPU的BLAS库(Cu BLAS、Roc BLAS)只支持固定尺寸的问题输入,而不支持可变尺寸矩阵计算,极大的限制了其应用场景。本文旨在设计并实现一个面向高性能计算的GPU批量可变尺寸矩阵乘法计算框架,从而解决在高性能场景下已有的计算库性能表现不佳的问题。研究内容包括批量可变尺寸矩阵乘法场景分析研究与MAGMA vbatched例程优化、细粒度批量可变尺寸矩阵乘法内核函数设计与实现、批量可变尺寸矩阵乘法计算框架设计与实现和HPCC DGEMM的应用与优化这四个方面。在批量可变尺寸矩阵乘法场景分析研究与MAGMA vbatched例程优化中,本文研究分析了批量可变尺寸矩阵乘法的具体应用场景的输入情况,同时分析研究了目前业界在GPU中最优的MAGMA实现中的优势与存在的问题,并针对这些问题进行优化。在细粒度批量可变尺寸矩阵乘法内核函数的设计与实现中,本文针对应用场景对问题输入进行了细粒度的设计与划分,并结合GPU硬件架构从内存层级入手来实现高效并行的GPU内核函数。在批量可变尺寸矩阵乘法计算框架的设计与实现中,本文提出细粒度内核函数优化层级、批次序优化层级、极端数据输入调整层级来提高计算框架的计算表现。在HPCC DGEMM的应用与优化部分中,本文对该测试进行基于任务的划分和细粒度切割划分来优化,以提高目前高性能计算集群中多GPU节点的系统表现。本文针对目前批量矩阵乘法进行了改进和优化,提高并扩展了BLAS库对于批量操作的支持度和适用性,以望解决目前在高性能计算、机器学习、科学计算等领域出现的新挑战。
基于体感的老年数字娱乐系统设计与开发研究——以“3D水墨画古诗学习”游戏为例
这是一篇关于体感,老年人,GPU,Unity3d的论文, 主要内容为随着信息技术的飞速发展，数字化游戏已经成为人们生活中的一个重要组成部分，但是对于针对老年人的游戏市场却并不多见。随着老年人人口的不断增加，如何利用数字化游戏来服务老年人，充分发挥数字化游戏的作用，将游戏和老年人结合起来，倡导健康游戏和休闲游戏，真正实现以人为本的教育，成为本文研究的目标。 本文在国内外现有研究的基础上，运用文献研究方法和系统分析方法，从老年人的角度出发，以市场化的理论视角来研究支持老年人的数字化游戏的有关问题。 1、从游戏的操作设计、运动方式和现实效果等方面对老年数字娱乐系统进行了详细阐述。然后分析体感操作的本质和特征，探讨了体感的类型以及体感中合适老年人的机理和条件，阐述了数字化游戏中蕴涵体感的因素，以及数字化游戏中的体感模式。对基于体感的数字化游戏的进行分析，论述了数字化游戏与老年人的关系，提出基于体感的数字化游戏的原则、策略、设计和模式。 2、对基于体感的数字化游戏的基本内涵进行分析，提出了基于体感的数字化游戏的基本原则和设计思路。对游戏设计中体感的实现、游戏内容和游戏的整合策略、游戏设计的基本策略等方面进行分析，并对基于体感的数字化游戏的各功能模块进行了研究。 3、根据提出的游戏模型，详细论述了3d水墨画古诗学习游戏的开发过程。对基于体感的数字化游戏的效果以及该游戏在实际应用中存在的问题进行分析，为下一步的游戏设计和开发提供一定的研究基础。 4、对于本研究进行综合分析和总结，提出了本研究下一步需要解决的的问题和及研究设想。
基于Web的大规模GPS点数据可视化系统设计与开发
这是一篇关于大数据,可视化,瓦片金字塔,WebGL,GPU的论文, 主要内容为GPS数据作为人类活动轨迹数据的重要组成部分,不仅是描述了移动对象的时空变化属性,更是蕴含了丰富的语义。通过可视化平台可以将大规模GPS数据更加直观地呈现在研究人员的面前,并通过丰富的交互操作帮助他们揭示数据中所包含的时空规律甚至更深层的语义。在大规模GPS数据可视化系统中,很多都是基于客户端的系统架构进行设计,通过优化数据结构实现高效存储索引数据,并借助GPU绘制加速大规模渲染。本文设计的可视化平台主要注重后端的计算能力和浏览器在可视化窗口的视野特点,采用多分辨率金字塔模型实现大规模数据的组织管理,并通过优化数据的转换处理算法以及借助GPU强大的并行数据处理能力来实现快速绘制。该平台能够有效地减少系统内存占用,保证10GB以上的大规模GPS数据按需加载、多尺度浏览,实现快速定位绘制,即使在视图窗口发生变化时也能进行高效渲染,提高了可视化交互操作体验。本文完成的主要工作包括:(1)在充分考虑了目前可视化系统的对于部署简单,分发容易,维护及时、企业对于开发人员的招聘需求的基础上确定了以B/S作为系统架构的设计原则;(2)基于WebGL的绘制架构,实现了直接基于硬件的绘制,改善基于Canvas绘制的性能问题,使整个的绘制更加流畅了优化,提高系统处理性能;(3)改进GPS点数据数据可视化的数据前后端加载架构,使用多分辨率金字塔的结构加载可视化绘制的数据,使用数据分片技术提高了整个系统的数据处理渲染能力;(4)使用基于GPU的坐标转换算法改善了单纯使用CPU处理数据时在前端交互时的绘制性能低效问题,从而降低绘制延迟,提升用户体验。本文设计的可视化平台可以解决当前大规模GPS数据可视化中遇到的对于硬件高性能要求、渲染时间过长甚至无响应、交互操作性能差等问题,为后续使用对于大规模GPS点数据的用户探索可视化GPS点数据以及基于可视化的的分析决策提供支持。该系统在Web平台的基础上,在服务端将大规模的数据进行预处理,并且将客户端的部分计算压力转移到GPU,从目前本文实践来说这种方式对于大规模的GPS点数据可视化是一次成功的尝试,后期可以依据该思路继续探索。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/51740.html
