Resumen

El clustering K-means ha sido ampliamente utilizado en el procesamiento de grandes conjuntos de datos en muchos campos de estudio. El avance en muchas técnicas de recopilación de datos ha estado generando enormes cantidades de datos, dejando a los científicos con la desafiante tarea de procesarlos. Utilizar Procesadores de Propósito General (GPPs) para procesar grandes conjuntos de datos puede llevar mucho tiempo; por lo tanto, se han propuesto muchos métodos de aceleración en la literatura para acelerar el procesamiento de tales grandes conjuntos de datos. En este trabajo, se presenta una implementación parametrizada del algoritmo de clustering K-means en una Matriz de Puertas Programable en Campo (FPGA) y se compara con implementaciones anteriores en FPGA, así como implementaciones recientes en Unidades de Procesamiento Gráfico (GPUs) y GPPs. La FPGA propuesta tiene un mejor rendimiento en términos de aceleración sobre las implementaciones anteriores en GPP y GPU (dos órdenes y un orden de magnitud, respectivamente). Además, la implementación en FPGA

• Materias:Control de potencia Núcleo de memoria Sensor de visión Acelerador de hardware Programación de arquitecturas
• Subjects:Power control Memory core Vision sensor Hardware accelerator Architecture programming
• Palabras claves:Agrupamiento k-means; Conjuntos de datos grandes; Matriz de Puertas Programables en Campo; Procesadores de Propósito General; Unidades de Procesamiento de Gráficos; Reconfiguración parcial dinámica
• Keywords:K-means clustering; Large datasets; Field Programmable Gate Array; General Purpose Processors; Graphics Processing Units; Dynamic partial reconfiguration