ترجمه فارسی مقاله K-means FT: یک K-means با عملکرد بالا روی GPU با تحمل خطا

چکیده

K-means is a widely used algorithm in clustering, however, its efficiency is primarily constrained by the computational cost of distance computing. Existing implementations suffer from suboptimal utilization of computational units and lack resilience against soft errors. To address these challenges, we introduce FT K-means, a high-performance GPU-accelerated implementation of K-means with online fault tolerance. We first present a stepwise optimization strategy that achieves competitive performance compared to NVIDIA’s cuML library. We further improve FT K-means with a template-based code generation framework that supports different data types and adapts to different input shapes. A novel warp-level tensor-core error correction scheme is proposed to address the failure of existing fault tolerance methods due to memory asynchronization during copy operations. Our experimental evaluations on NVIDIA T4 GPU and A100 GPU demonstrate that FT K-means without fault tolerance outperforms cuML’s K-means implementation, showing a performance increase of 10%-300% in scenarios involving irregular data shapes. Moreover, the fault tolerance feature of FT K-means introduces only an overhead of 11%, maintaining robust performance even with tens of errors injected per second.

چکیده به فارسی (ترجمه ماشینی)

K-Means یک الگوریتم گسترده در خوشه بندی است ، با این حال ، راندمان آن در درجه اول با هزینه محاسباتی محاسبات از راه دور محدود می شود.پیاده سازی های موجود از استفاده زیر حد از واحدهای محاسباتی رنج می برند و در برابر خطاهای نرم مقاومت نمی کنند.برای پرداختن به این چالش ها ، ما FT K-Means را معرفی می کنیم ، اجرای شرکتی با عملکرد GPU با عملکرد K-Means با تحمل گسل آنلاین.ما ابتدا یک استراتژی بهینه سازی گام به گام ارائه می دهیم که در مقایسه با کتابخانه CUML NVIDIA به عملکرد رقابتی می رسد.ما بیشتر FT K-Means را با یک چارچوب تولید کد مبتنی بر الگوی بهبود می بخشیم که از انواع مختلف داده ها پشتیبانی می کند و با اشکال ورودی مختلف سازگار است.یک طرح تصحیح خطای تانسور هسته ای در سطح WARP جدید برای پرداختن به عدم موفقیت روشهای تحمل گسل موجود به دلیل ناهمگونی حافظه در حین عملیات کپی پیشنهاد شده است.ارزیابی های تجربی ما در مورد Nvidia T4 GPU و GPU A100 نشان می دهد که FT K- میانگین بدون تحمل گسل از اجرای K-Means CUML فراتر می رود ، و نشان دهنده افزایش عملکرد 10 ٪-300 در سناریوهای مربوط به شکل داده های نامنظم است.علاوه بر این ، ویژگی تحمل گسل FT K-Means تنها سربار 11 ٪ را معرفی می کند و عملکرد قوی را حتی با ده ها خطاهای تزریق شده در ثانیه حفظ می کند.