A Wavelet-transzformáció párhuzamosítása multi-GPU környezetben a Komondor szuperszámítógépen = A Multi-GPU Parallel Implementation for the Wavelet Transform in HPC Environment Using the Komondor Supercomputer

Tóth, Bálint and Juhász, Zoltán (2025) A Wavelet-transzformáció párhuzamosítása multi-GPU környezetben a Komondor szuperszámítógépen = A Multi-GPU Parallel Implementation for the Wavelet Transform in HPC Environment Using the Komondor Supercomputer. In: Oktatási, kutatási és közgyűjteményi infrastruktúrák és tartalmak: digitális transzformáció felsőfokon : NETWORKSHOP 2025 : 34. Országos Informatikai Konferencia : 2025. május 13–15. Széchenyi István Egyetem, Győr. Hungarnet Egyesület, Budapest, pp. 76-84. ISBN 978-615-6792-15-0

Preview

Text 77_fejezet_NETWORKSHOP_2025.pdf - Published Version Available under License Creative Commons Attribution. Download (600kB) | Preview

Abstract

Az agyi EEG-mérések feldolgozásának egyik fontos lépése a Wavelet-transzformációval elvégzett idő-frekvencia elemzés, ami a nagy mennyiségű mérési adat miatt időigényes folyamat. Ennek oka az EEG-ben alkalmazott nagy számú mérőelektróda és a magas mintavételezési frekvencia, ami több száz csatornát és csatornánként több millió adatpontot eredményez. A számítási időt tovább növeli a megfelelő frekvencia felbontás biztosítása miatt szükséges, csatornánként több száz Wavelet-transzformáció végrehajtása. Mindezek miatt szükségessé vált több, az EEG előfeldolgozás során használatos algoritmus párhuzamos GPU megvalósítása szuperszámítógép környezetben. Cikkünkben bemutatjuk a párhuzamos Wavelet-transzformáció algoritmus megtervezésének és CUDA GPU implementációjának főbb lépéseit, valamint a Komondor szuperszámítógépen végzett mérésekre alapozva az elkészült multi-GPU program skálázhatóságát. | The Wavelet transform-based time-frequency analysis is an important step of EEG data processing. High sampling rate and high-density electrode layouts results in measurements producing hundreds of MBs of data. Coupled with high frequency resolution requiring hundreds of Wavelet transforms to be executed per electrode, the execution time quickly becomes prohibitive. For these reasons, a need for parallel GPU versions has emerged for frequently used EEG algorithms that can be used in HPC environments. In this paper, we present the main steps of the design and development of the CUDA GPU implementation of the parallel Wavelet transform algorithm and the scalability results of the multi-GPU version executed on the Komondor supercomputer.

Actions (login required)

Edit Item