Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Performance Analysis of kNN Query Processing on large datasets using CUDA & Pthreads: comparing between CPU & GPU
Blekinge Tekniska Högskola, Fakulteten för datavetenskaper, Institutionen för datalogi och datorsystemteknik.
2017 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

Telecom companies do a lot of analytics to provide consumers a better service and to stay in competition. These companies accumulate special big data that has potential to provide inputs for business. Query processing is one of the major tool to fire analytics at their data.

Traditional query processing techniques which follow in-memory algorithm cannot cope up with the large amount of data of telecom operators. The k nearest neighbour technique(kNN) is best suitable method for classification and regression of large datasets. Our research is focussed on implementation of kNN as query processing algorithm and evaluate the performance of it on large datasets using single core, multi-core and on GPU.

This thesis shows an experimental implementation of kNN query processing on single core CPU, Multicore CPU and GPU using Python, P- threads and CUDA respectively. We considered different levels of sizes, dimensions and k as inputs to evaluate the performance. The experiment shows that GPU performs better than CPU single core on the order of 1.4 to 3 times and CPU multi-core on the order of 5.8 to 16 times for different levels of inputs.

Ort, förlag, år, upplaga, sidor
2017. , s. 60
Nyckelord [en]
GPU, Multicore CPU, Parallel computing, Performance, Single core CPU, kNN, Query Processing
Nationell ämneskategori
Telekommunikation
Identifikatorer
URN: urn:nbn:se:bth-14758OAI: oai:DiVA.org:bth-14758DiVA, id: diva2:1120683
Ämne / kurs
ET2580 Masterarbete i elektroteknik med inriktning mot telekommunikationssystem
Utbildningsprogram
ETATX Masterprogram i Elektroteknik med inriktning mot Telekommunikation
Tillgänglig från: 2017-07-07 Skapad: 2017-07-06 Senast uppdaterad: 2017-07-07Bibliografiskt granskad

Open Access i DiVA

fulltext(940 kB)252 nedladdningar
Filinformation
Filnamn FULLTEXT02.pdfFilstorlek 940 kBChecksumma SHA-512
88f5c158d2994e3fc53cbe51fdbf52488cf4cf87f9bcbe32bc3065f3848db7c4e770aed95320aaf68a7a69d2abf70b7cc0df22ced0554726b8880a0a0e41ce09
Typ fulltextMimetyp application/pdf

Av organisationen
Institutionen för datalogi och datorsystemteknik
Telekommunikation

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 252 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 177 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf