分析和增强 OSKI 用于稀疏矩阵-向量乘法
摘要：稀疏矩阵向量乘法（SpMxV）是迭代线性求解器中广泛使用的核心操作。这些求解器中，相同的稀疏矩阵反复与一个稠密向量相乘。具有不规则稀疏模式的矩阵使得在SpMxV计算中有效利用高速缓存存取困难。在这项工作中，我们研究了单个和多个SpMxV框架，在SpMxV计算中利用高速缓存存取。对于单个SpMxV框架，我们提出了两种基于1D和2D稀疏矩阵分割的基于高速缓存大小感知的自顶向下行/列重新排序方法，利用了列网络和增强了行列网络超图模型。多个SpMxV框架依赖于将给定矩阵分割为多个非零不重叠矩阵的和，这样SpMxV操作就可以作为多个输入和输出相关的SpMxV操作的序列执行。为了在该框架中实现有效的矩阵分割，我们提出了一种基于行列网络超图模型的2D稀疏矩阵分割的高速缓存大小感知的自顶向下方法。所有三种方法的主要目标是最大限度地利用时间局部性。我们通过使用OSKI对一系列稀疏矩阵进行实际运行，评估了我们模型和方法的有效性。实验结果表明，所提出的方法和模型优于现有的方案。
作者：Kadir Akbudak, Enver Kayaaslan, Cevdet Aykanat
论文ID：1203.2739
分类：Numerical Analysis
分类简称：cs.NA
提交时间：2013-10-10