Resumen

En los últimos años, se están generando cantidades enormes de datos de diferentes tipos, desde imágenes y videos de nuestras cámaras hasta registros de software de redes de sensores y enrutadores de Internet que operan día y noche. Esto ha dado lugar a nuevos problemas de big data, que requieren nuevos algoritmos para manejar estos grandes volúmenes de datos y, como resultado, son muy exigentes computacionalmente debido a los volúmenes a procesar. En este artículo, paralelizamos uno de estos nuevos algoritmos, a saber, el algoritmo HyperLogLog, que estima el número de elementos diferentes en un gran conjunto de datos con un uso mínimo de memoria, ya que reduce el uso de memoria típico de este tipo de cálculo de a . Hemos implementado paralelizaciones basadas en OpenMP y OpenCL y las hemos evaluado en un sistema multicore estándar, un Intel Xeon Phi y dos GPUs de diferentes fabricantes. Los resultados obtenidos en nuestros experimentos, en los que alcanzamos una aceleración de 88.6 con respecto a una implementación secuencial optimizada, son muy posit

• Materias:Calibración geométrica Núcleos computacionales Consultas de palabras clave Pronóstico probabilístico Máquina de aprendizaje
• Subjects:Geometric calibration Computational kernels Keyword queries Probabilistic forecasting Machine learning
• Palabras claves:Datos; Algoritmos; Problemas de big data; Algoritmo HyperLogLog; Paralelizaciones; Uso de memoria
• Keywords:Data; Algorithms; Big data problems; HyperLogLog algorithm; Parallelizations; Memory usage