基于多GPU加速的醫(yī)療關(guān)聯(lián)規(guī)則挖掘及其應(yīng)用.pdf

1、隨著大數(shù)據(jù)技術(shù)的不斷發(fā)展，大數(shù)據(jù)處理的思想和方法在越來越多的領(lǐng)域中得到了應(yīng)用。在醫(yī)療領(lǐng)域，通過對醫(yī)療大數(shù)據(jù)的挖掘和分析，發(fā)現(xiàn)臨床癥狀、生活習慣、遺傳因素和實驗室數(shù)據(jù)等元素與疾病之間的關(guān)聯(lián)和演化規(guī)律，在臨床輔助決策、疾病預(yù)測模型、個性化治療和臨床試驗分析等領(lǐng)域發(fā)揮著重要的作用。
　　Apriori算法憑借其簡單高效和適用范圍廣等特點，成為目前最常用的醫(yī)療關(guān)聯(lián)規(guī)則挖掘的算法之一，被廣泛地應(yīng)用于癌癥，糖尿病和心腦血管疾病等重大疾病的關(guān)聯(lián)

2、規(guī)則挖掘問題中。然而隨著醫(yī)療數(shù)據(jù)量的日益增長和數(shù)據(jù)操作復(fù)雜程度的不斷提高，傳統(tǒng)Apriori算法在處理相關(guān)問題時，所消耗的時間越來越長，在實際應(yīng)用中受到了很大的限制。因此，如何使用Apriori算法快速地從海量數(shù)據(jù)中挖掘出關(guān)聯(lián)規(guī)則是一個亟待解決的問題。Google公司提出的MapReduce架構(gòu)通過構(gòu)建高性能計算集群可以有效地解決Apriori算法的效率問題，這也是目前應(yīng)用最廣泛的加速方法。然而構(gòu)建集群的高昂成本，很多研究者及中小型用戶

3、都無法承受。因此本文利用GPU(Graphic Processing Unit)具有更大的內(nèi)存帶寬，更多的執(zhí)行單元以及更低的成本等優(yōu)勢，提出了一種基于多GPU的并行方法對Apriori算法進行加速。這種方法既能得到很好的加速效果，又能大幅度地降低成本，使得中小型機構(gòu)進行大數(shù)據(jù)處理成為可能。
　　本文首先使用區(qū)間離散化和離散區(qū)間整數(shù)化等方法對Aprion算法進行了一些修改，使之能夠適應(yīng)數(shù)值型數(shù)據(jù)關(guān)聯(lián)規(guī)則挖掘問題。接著本文對Aprio

4、ri算法進行了并行化處理，在解決了算法數(shù)據(jù)存儲優(yōu)化、算法負載均衡的數(shù)據(jù)劃分以及針對大數(shù)據(jù)的動態(tài)加載等問題的基礎(chǔ)上，通過把每一個事務(wù)數(shù)據(jù)記錄分配到GPU眾多的線程當中，高效地將Apriori算法中支持計數(shù)計算的過程轉(zhuǎn)移到GPU端，充分利用GPU強大的并行運算能力對算法進行加速。通過數(shù)據(jù)實驗驗證，本文提出的基于多GPU的并行Apriori算法不僅能夠有效減少數(shù)據(jù)挖掘時間，而且加速效果與GPU數(shù)量呈線程增長關(guān)系，具有有良好的可擴展性。最后，通