基于gpu多序列关联性的分析方法研究

《基于gpu多序列关联性的分析方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、AThesisSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEngineeringResearchofParallelMethodforGPU-BasedMultipleSequenceRelevanceAnalysisCandidate:QiongyaoZhangMajor:ComputerSoftwareandTheorySupervisor:AssociateProf.ZhiyuanShaoHuazhong

2、UniversityofScience&TechnologyWuhan430074,P.R.ChinaJanuary,2013独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到，本声明的法律结果由本人承担。学位论文作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学

3、位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密□，在_____年解密后适用本授权书。本论文属于不保密□。（请在以上方框内打“√”）学位论文作者签名：指导教师签名：日期：年月日日期：年月日华中科技大学硕士学位论文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

4、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

5、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

6、，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。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I华中科技大学硕士学位论文AbstractMultiplesequencerelevanceanalysisisamethodbasedonMultipleSequenceAlignment(MSA)whichisusedtomakedeepanalysis

7、fortheassociatedrelevanceamongallthesequences.TheavailabletechniquesonCPUcannotbeabletofulfilltheneedofpracticalapplicationswiththeever-increasingofdatabase,mainlyincludingtheoperationalcomplexity,aswellasthelowefficiency.AsthefastevolutionofGraphicsPro

8、cessingUnit(GPU),ithasbecomeanefficientplatformforhighperformancecomputingwithitsparalleloperatingmodelandstrongparallelcapacity,whichiswidelyusedforlowefficienthandles,includingparalleloptimizationofmultiplesequencerelevanceanal