.png){kind=icon}
返回
Vortex: Overcoming Memory Capacity Limitations in GPU-Accelerated Large-Scale Data Analytics
.png){kind=icon}
PRE
AI
DOI：10.14778/3717755.3717780.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管GPU具有高计算吞吐量，但有限的内存容量以及通过PCIe链路进行的带宽受限的CPU-GPU通信仍然是加速大规模数据分析工作负载的主要瓶颈。本文介绍了Vortex，一个专为超出GPU内存容量的数据分析工作负载设计的GPU加速框架。我们框架的一个关键方面是优化的IO原语，它利用多GPU系统中所有可用的PCIe链路来满足单个目标GPU的IO需求。它通过其他GPU将数据路由到处理IO密集型分析任务的目标GPU。当其他GPU被计算密集型工作负载（如通常未充分利用IO资源的流行AI应用）占据时，这种方法具有优势。我们还引入了一种新型编程模型，将GPU核开发与IO调度分离，以减轻程序员负担并实现GPU代码重用。此外，我们介绍了某些重要查询算子的设计，并讨论了一种基于GPU零拷贝内存访问的延迟物化技术。在不缓存任何数据在GPU内存中的情况下，Vortex将当前GPU基准Proteus的性能平均提升了5.7倍，与基于CPU的DuckDB基准相比，价格性能提升了2.5倍。
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
暂无机构信息
.png){kind=icon}
