Parallel nd didtributed implementations of multiple and two-dimensional pattern matching algorithms.

Abstract

Η αναζήτηση προτύπων αποτελεί θεμελιώδες πρόβλημα στον κλάδο της Επιστήμης της Πληροφορικής. Σε αυτήν την διατριβή εξετάζεται το πρόβλημα της αναζήτησης πολλαπλών και διδιάστατων προτύπων. Η διατριβή γράφτηκε έχοντας τρεις διαφορετικούς στόχους. Ο πρώτος στόχος περιλαμβάνει την ταξινόμηση και μελέτη των αλγορίθμων που επιλύουν τα προβλήματα της αναζήτησης πολλαπλών και διδιάστατων προτύπων και την αξιολόγηση των επιδόσεων μερικών από τους πιο γνωστούς αλγορίθμους ανά κατηγορία για διαφορετικές παραμέτρους, συμπεριλαμβανομένου του μεγέθους του κειμένου και της αλφαβήτου καθώς και του μήκους των προτύπων. Ο δεύτερος στόχος της διατριβής, είναι η βελτίωση της απόδοσης μερικών από τους πιο γνωστούς αλγορίθμους διδιάστατης αναζήτησης προτύπων, του Baker and Bird και του Baeza-Yates and Regnier. Και οι δύο αλγόριθμοι χρησιμοποιούν τον αλγόριθμο αναζήτησης πολλαπλών προτύπων Aho-Corasick ώστε να μετατρέψουν ουσιαστικά το πρόβλημα της αναζήτησης διδιάστατων προτύπων σε πρόβλημα αναζήτησης πολλαπλών προτύπων. Η διατριβή αυτή παρουσιάζει αποτελεσματικές παραλλαγές των δύο αλγορίθμων και αξιολογεί τις επιδόσεις τους για διαφορετικά είδη δεδομένων. Ο τρίτος στόχος αποτελεί την αύξηση των επιδόσεων των αλγορίθμων που επιλύουν τα προβλήματα της αναζήτησης πολλαπλών και διδιάστατων προτύπων, αλλά μέσα από μια διαφορετική προσέγγιση. Οι αλγόριθμοι αναζήτησης πολλαπλών και διδιάστατων προτύπων που παρουσιάζονται σε αυτή τη διατριβή υλοποιούνται παράλληλα σε διαφορετικές αρχιτεκτονικές συμπεριλαμβανομένων μονάδων επεξεργασίας γραφικών και υβριδικών συστοιχιών υπολογιστών. Επίσης, αναλύονται διαφορετικές τεχνικές υλοποίησης και βελτιστοποίησης και η απόδοση των υλοποιήσεων αξιολογείται για διαφορετικές παραμέτρους.

String matching is a fundamental problem in the area of scientific computing. This thesis is written with three goals in mind. The first goal involves the classification and survey of the algorithms that solve the multiple and two-dimensional pattern matching problems and the evaluation of the performance of some of the most well known algorithms for different problem parameters, including the size of the input string, the pattern and the alphabet used as well as the size of the pattern set in the case of multiple pattern matching algorithms. The second goal of this thesis is to improve the performance of some of the most well known two-dimensional pattern matching algorithms, Baker and Bird and Baeza-Yates and Regnier. Both algorithms, as described in later chapters, use the Aho-Corasick multiple pattern matching to essentially transform the two-dimensional to a multiple pattern matching problem. The third goal is also about the performance increase of multiple and two-dimensional pattern matching algorithms but following a different approach. Different algorithms are implemented in parallel on different architectures including GPUs and a hybrid cluster that uses message-passing to synchronize homogeneous computer nodes of CPUs and GPUs. Then, different implementation and optimization techniques are presented and the performance of the implementations is evaluated for different problem parameters.