第十九届全国容错计算学术会议 (CFTC 2021)

k 近邻算法 (k-nearest neighbor, k-NN) 和 k-均值 (k-means) 算法在数据挖掘, 文本分类, 人脸识别等领域中被广泛应用. 相比于深度学习 (如卷积神经网络, convolutional neural networks, CNNs), k-NN 和 k-means 能获得相近的精度情况下提供更简单的计算. 尽管如此, 硬件加速器在计算 k-NN 和 k-means 过程中, 需大量访问片外动态随机存取存储器 (dynamic random-access memory, DRAM) 设备, 能耗非常高. 为解决这一问题, 本项工作提出一个基于近内存计算 (near-memory computing) 的 k-NN 和 k-means 的可配置加速器 KNMC. 该加速器通过配置能灵活调度 k-NN 和 k-means. 为提高加速器的能效, 本项工作还进行设计空间探索, 探索加速器达到最优能效的片上缓存 (on-chip buffer) 容量和处理单元 (process element, PE) 规模的配置. 实验结果表明, KNMC 与最先进的基准加速器相比, 能有效提升性能和能效.

加速器; k 近邻算法; k-均值算法; 近内存计算; 设计空间探索