КЛАСИФІКАЦІЯ ДАНИХ АПАРАТНИМИ ПРИСКОРЮВАЧАМИ FPGA У ЦЕНТРАХ ОБРОБКИ ДАНИХ ТА ХМАРАХ

Актуальність. Аналіз даних, зокрема їх класифікація) часто виконується за допомогою методів машинного навчання. Часто задіяні алгоритми потрібні мати справу з великими наборами даних, що призводить до тривалого часу виконання. Таким чином, актуальним є дослідження апаратних прискорювачів, на базі програмованої вентильної матриці (FPGA) для покращення продуктивності. FPGA є перспективним рішенням для апаратного прискорення, конфігурації після виробництва та можливості перепрограмування. Метою даної роботи є дослідження та аналіз тенденцій у існуючих хмарних архітектурах FPGA, які підкреслюють складний зв’язок між архітектурами та системними вимогами та призначені для вирішення завдач класифікації даних методами машинного навчання. Це дозволяє нам ідентифікувати нові архітектури, які, ймовірно, запропонують значні переваги для хмарних робочих навантажень. Об’єктом дослідження є процес еволюції FPGA-прискорювачів для обчислень у центрах обробки даних (ЦОД) та хмарах. Предметом дослідження є методи та алгоритми дослідження хмарних архітектур FPGA на основі таксономічних категорій. Результати. У роботі обговорюється майбутнє використання FPGA у центрах обробки даних та хмарах. Також у роботі досліджуються поточні архітектури та обговорюється масштабованість і абстракції, які підтримуються операційними системами, проміжним програмним забезпеченням і віртуалізацією. Висновок. Розроблено класифікацію щодо дослідження хмарних архітектур FPGA на основі таксономічних категорій. Розглянута та запропонована архітектурна організація щодо розгортання додатків FPGA, що використовуються в хмарних середовищах і середовищах центрів обробки даних. Запропоновані дві моделі проектування додатків машинного навчання для класифікації даних з використанням апаратних FPGA-прискорювачів.