基于GPU的RDF图的Type同构并行匹配算法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究目标和主要内容 | 第9-10页 |
| 1.3 论文组织结构 | 第10-12页 |
| 第2章 相关工作综述 | 第12-20页 |
| 2.1 一般图的子图匹配 | 第12-16页 |
| 2.1.1 问题定义 | 第12-13页 |
| 2.1.2 Ullmann算法 | 第13-14页 |
| 2.1.3 后续改进算法 | 第14-16页 |
| 2.2 RDF图的子图匹配 | 第16-17页 |
| 2.3 GPU加速图算法研究现状 | 第17-20页 |
| 2.3.1 GPU简介 | 第17-18页 |
| 2.3.2 GPU通用计算的研究 | 第18-20页 |
| 第3章 基于GPU的集中式并行匹配算法设计 | 第20-32页 |
| 3.1 并行图查询模型 | 第20-24页 |
| 3.1.1 语义图 | 第21页 |
| 3.1.2 Type同构 | 第21页 |
| 3.1.3 查询模式 | 第21-22页 |
| 3.1.4 语义图的同态性讨论 | 第22-23页 |
| 3.1.5 Type同构的并行性说明 | 第23-24页 |
| 3.2 并行匹配算法的设计 | 第24-29页 |
| 3.2.1 RDF数据图的预处理 | 第24-25页 |
| 3.2.2 基本图模式查询 | 第25页 |
| 3.2.3 基于GPU的Mapping算法 | 第25-26页 |
| 3.2.4 基于GPU的Join算法 | 第26-28页 |
| 3.2.5 基于GPU的type同构匹配算法 | 第28-29页 |
| 3.3 并行匹配算法的扩展性分析 | 第29-31页 |
| 3.4 小结 | 第31-32页 |
| 第4章 分布式集群算法设计 | 第32-38页 |
| 4.1 分布式并行计算 | 第32-34页 |
| 4.1.1 MapReduce并行编程框架 | 第32-33页 |
| 4.1.2 图计算框架 | 第33-34页 |
| 4.2 多机计算架构 | 第34-37页 |
| 4.2.1 master-worker计算集群 | 第34-35页 |
| 4.2.2 主节点组装算法 | 第35-36页 |
| 4.2.3 查询分解与查询合并 | 第36-37页 |
| 4.3 小结 | 第37-38页 |
| 第5章 实验结果及评价 | 第38-44页 |
| 5.1 集中式并行匹配实验 | 第38-40页 |
| 5.1.1 实验环境 | 第38页 |
| 5.1.2 数据数据 | 第38-39页 |
| 5.1.3 算法性能对比 | 第39-40页 |
| 5.2 多节点分布式实验 | 第40-43页 |
| 5.2.1 实验环境 | 第41页 |
| 5.2.2 算法性能对比 | 第41-43页 |
| 5.3 本章小结 | 第43-44页 |
| 第6章 总结和展望 | 第44-46页 |
| 6.1 总结 | 第44-45页 |
| 6.2 展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 发表论文和参加科研情况说明 | 第49-50页 |
| 致谢 | 第50-51页 |
