[논문 리뷰] Design and optimization of DBSCAN Algorithm based on CUDA

Bingchen Wang, Chenglong Zhang외 4명|arXiv (Cornell University)|2015. 06. 07.

Data Management and Algorithms참고 문헌 5인용 수 4

한 줄 요약

이 논문은 공유 메모리와 커널 융합을 활용하여 거리 계산과 원시 클러스터 생성을 최적화한 CUDA 가속 DBSCAN 알고리즘을 제안한다. 전역 메모리 접근을 최소화하고 메모리 연속성과 스레드 분열을 향상시켜 대규모 데이터셋에서 순차 버전 대비 97.89배의 성능 향상을 달성한다.

ABSTRACT

DBSCAN is a very classic algorithm for data clus- tering, which is widely used in many fields. However, with the data scale growing much more bigger than before, the traditional serial algorithm can not meet the performance requirement. Recently, parallel computing based on CUDA has developed very fast and has great advantage on big data. This paper summarizes the algorithms proposed before and improves the performance of the old DBSCAN algorithm by using CUDA and parallel computing. The algorithm uses shared memory as much as possible compared with other algorithms and it has very good scalability. A data set is tested on the new version of DBSCAN. Finally, we analyze the results and give a conclusion that our algorithm is approximately 97 times faster than the serial version.

연구 동기 및 목표

• 거리 계산과 클러스터 생성에서 높은 계산 비용으로 인해 발생하는 순차 DBSCAN의 성능 저하 문제를 해결한다.
• 복잡한 트리 기반 또는 블록 조율 메커니즘으로 인해 낮은 병렬성과 과도한 전역 메모리 접근을 겪는 기존 GPU 기반 DBSCAN 방법의 한계를 극복한다.
• 공유 메모리 사용을 극대화하고 커널 실행 오버헤드를 최소화하여 GPU 아키텍처에 최적화된 DBSCAN 파이프라인을 설계한다.
• 알고리즘을 거리 행렬 계산, 원시 클러스터 형성, 클러스터 병합의 세 단계로 재구성하여 대규모 데이터셋에서의 확장성과 성능을 향상시킨다.

제안 방법

• DBSCAN을 세 개의 병렬화 가능한 단계로 분할한다: (1) CUDA 커널을 사용해 쌍별 거리 계산, (2) 공유 메모리를 활용해 코어 포인트 식별 및 원시 클러스터 형성, (3) 반복적 전파를 통한 클러스터 병합.
• 거리 행렬과 클러스터 데이터를 공유 메모리에 저장하여 전역 메모리 접근을 줄이고, 메모리 연속성과 대역폭 효율을 향상시킨다.
• 거리 계산과 원시 클러스터 생성을 하나의 커널 실행으로 융합하여 커널 실행 오버헤드를 감소시키고 데이터 국소성을 향상시킨다.
• 루프 전개와 코드 재구성 기법을 적용해 명령어 수를 줄이고 컴파일러 최적화를 향상시켜 단일 스레드 성능을 향상시킨다.
• 데이터 접근 패턴을 재조정하고 메모리 접근 작업을 제어하여 공유 메모리의 뱅크 충돌과 분기 분열을 최소화한다.
• 비용이 많이 드는 전이 폐쇄 계산을 피하기 위해 수정된 병합 전략을 적용하여, 줄어든 커널 실행 횟수로 반복적 병합을 수행한다.

실험 결과

연구 질문

• RQ1 GPU 아키텍처에서 병렬성을 극대화하고 메모리 접근 오버헤드를 최소화하기 위해 DBSCAN 알고리즘을 어떻게 재구성할 수 있는가?
• RQ2 순차 DBSCAN의 성능 저하 요인은 무엇이며, GPU 가속을 통해 이를 효과적으로 해결할 수 있는가?
• RQ3 기존 GPU 기반 접근 방식과 비교해 공유 메모리와 커널 융합이 대규모 데이터셋에서 DBSCAN 성능에 얼마나 기여하는가?
• RQ4 루프 전개와 메모리 접근 재구성과 같은 알고리즘 최적화는 GPU 가속 DBSCAN의 단일 스레드 성능을 크게 향상시킬 수 있는가?
• RQ5 전이 폐쇄 기반 병합 전략은 이론적으로는 높은 병렬성을 보이지만 실질적으로는 실패하는 이유는 무엇이며, 어떤 대체 병합 전략이 더 뛰어난 성능을 낼 수 있는가?

주요 결과

• 순차 DBSCAN 알고리즘에서 거리 계산은 총 실행 시간의 66.27%를 차지하여 주요 성능 저하 요인이다.
• 제안된 CUDA 최적화 알고리즘은 거리 계산과 원시 클러스터 생성의 병합 시간을 CPU 기반의 1.79초에서 GPU 기반의 9.91ms로 줄여 23,040개 포인트 데이터셋에서 180.67배의 성능 향상을 달성했다.
• 거리 계산과 클러스터 생성을 하나의 커널로 융합함으로써 실행 시간은 50.151ms에서 25.336ms로 감소하여 2배 향상되었으며, 이는 전역 메모리 접근이 주요 성능 저하 원인임을 확인시켰다.
• 루프 전개와 코드 재구성으로 nvcc 컴파일러가 컴iles한 명령어 수가 442에서 342로 감소하여 보다 컴act하고 효율적인 커널 코드가 되었다.
• 전체 알고리즘이 60,032개 포인트 데이터셋에서 순차 버전 대비 97.89배의 성능 향상을 달성했으며, 총 실행 시간은 CPU 기반의 12,210ms에서 GPU 기반의 124.73ms로 감소했다. 이는 데이터 전송 오버헤드를 포함한 결과이다.
• 클러스터 병합은 여전히 성능 도전 과제로 남아 있으며, 높은 데이터 전송 및 동기화 비용으로 인해 순차 버전과 비슷한 시간을 소요하여 향후 최적화가 필요하다.