基于CUDA的字符序列模式匹配與頻繁模式挖掘算法的研究.pdf

1、字符序列模式匹配與頻繁模式發(fā)現是計算機科學與各個學科交叉的熱點。生物信息序列作為特殊的字符序列，基因突變等促進近似字符串匹配算法研究的發(fā)展;生物序列中頻繁模具有重要生物學意義，而現有算法大多忽略該段信息。信息爆炸時代的數據膨脹導致優(yōu)化串行算法陷入性能瓶頸，CUDA是圖形處理器上一款通用并行架構，低廉價格成本配備優(yōu)異并行性能。研究利用CUDA加速計算字符序列不精確模式匹配與單序列特殊頻繁模式發(fā)現問題具有理論和實際意義。
　　首先，本

2、文介紹了CUDA基礎、Thrust原語并行庫以及CUDA編程優(yōu)化技術。本文研究CUDA編程優(yōu)化主要包括存儲器訪問優(yōu)化和I/O優(yōu)化。針對不精確串模式匹配k-difference問題，本文不僅研究實現基于CUDA的并行算法DASMP在CUDA編程技術上的優(yōu)化，更充分地利用GPU的硬件加速，同時也考慮到顯存容量的限制可能導致該算法處理大序列失敗而提出了在多GPU下的大序列劃分理論。實驗表明，相較于未優(yōu)化之前的并行算法，優(yōu)化后的并行算法性能提升

3、20％-50％;相較于傳統的串行算法，優(yōu)化后的并行算法可以獲得7-32倍加速比。實驗的數據量的越大，性能提升的優(yōu)勢效果越明顯。
　　其次，本文研究了利用CUDA加速計算在較長單一序列中發(fā)現帶約束的頻繁模式，并實現CUDA編程優(yōu)化進一步強化性能提升。本文首先重新定義了一種帶禁忌約束單序列[m1，m2]-頻繁模式，其中[m1，m2]為目標頻繁模式的長度區(qū)間。這種約束條件滿足了對生物信息序列頻繁模式的特殊要求，避免了傳統算法從1項集開始

4、查找而帶來了較大的空間與時間消耗。本文給出POSA算法是在傳統串行算法上加入新的剪枝策略——標志位數組剪枝法，實驗表明比較傳統串行算法，利用POSA可以獲得1.2-4.5倍的性能提升。在POSA算法的基礎上，本文又提出基于CUDA的并行算法POPA進一步提高了查找的效率，可以獲得3-20的加速比。
　　最后，本文研究了利用CUDA加速計算在較長單一序列中發(fā)現特殊的串聯重復模式，并利用Thrust庫等實現CUDA編程優(yōu)化進一步強化性

5、能提升。本文研究一類特殊的串聯重復模式——LPR(Largest Pattern Repetition)，基于一種新型的索引數組SUA在DNA序列中查找這類最大串聯重復模式LPRs?？紤]到DNA序列字符集的特點，本文使用二進制位對其編碼以實現CUDA上的并行序列壓縮。使用Thrust并行原語庫更好地幫助CUDA加速建立后繼數組SUA及查找LPRs。實驗表明比較傳統串行算法，總體上該并行算法可以獲得1.6-5.4倍性能提升;比較集群系統并