学习日记-spmv（25）

SPMV稀疏矩阵向量乘笔记（25）

Merge-based Parallel Sparse Matrix-Vector Multiplication 浅读 (1)

INTRODUCTION

• 表明gpu上的spmv算法已经非常多了，但是鉴于更换存储格式来提升性能的代价太大，所以基本上都还是使用通用的编码csr，因为csr没有特定于体系结构的阻塞，已经重排等等。
• 并且新的存储格式有两个问题：一是检查和格式化的预处理时间，甚至于该耗时是spmv操作的许多倍，二是因为csr格式的矩阵需要被其他程序所需要，所以需要额外的存储开销
• csrmv的并行操作，因为不规则的行长导致性能下降，尽管有各种限制不平衡的方法，但是对于samll-world或scale-free数据集表现通常不佳，因为存在少数行比平均数据长多个数量级
• 该文算法的中心思想主要是将并行CsrMV分解构建为两个列表的逻辑合并：
  • A：row-offsets（The row descriptors）
  • B：CSR非零元的索引（The natural numbers）

BACKGROUND

• 先介绍了通用存储格式，并且表明优缺点
• 提出特殊存储格式，并且表诉相关工作和优缺点。
• 目前的csrmv并行策略
  • 行分布：将长行分配给多处理器，但是短行不处理，这样小于规定大小的行也会导致负载不均衡。长行的分割可以静态的完成，也可以动态的完成。向量化是行分割的一种常见变体，它将一组线程分配给处理每一行。（看不懂）动态变体需要运行时任务分布，这种行为可能导致处理器争用，并且在大规模并行系统上限制可伸缩性
  • 非零元分布：先把非零元均匀分布给thread，然后通过row_offsets来判断属于哪一行，最后来合并