Text analytics directly on compression (TADOC) has proven to be a promising technology for big data analytics. GPUs are extremely popular accelerators for data analytics systems. Unfortunately, no work so far shows how to utilize GPUs to accelerate TADOC. We describe G-TADOC, the first framework that provides GPU-based text analytics directly on compression, effectively enabling efficient text analytics on GPUs without decompressing the input data. G-TADOC solves three major challenges. First, TADOC involves a large amount of dependencies, which makes it difficult to exploit massive parallelism on a GPU. We develop a novel fine-grained thread-level workload scheduling strategy for GPU threads, which partitions heavily-dependent loads adaptively in a fine-grained manner. Second, in developing G-TADOC, thousands of GPU threads writing to the same result buffer leads to inconsistency while directly using locks and atomic operations lead to large synchronization overheads. We develop a memory pool with thread-safe data structures on GPUs to handle such difficulties. Third, maintaining the sequence information among words is essential for lossless compression. We design a sequence-support strategy, which maintains high GPU parallelism while ensuring sequence information. Our experimental evaluations show that G-TADOC provides 31.1x average speedup compared to state-of-the-art TADOC.

中文翻译：

---

G-TADOC：无需解压即可实现高效的基于 GPU 的文本分析

直接压缩文本分析 (TADOC) 已被证明是大数据分析的一项有前途的技术。GPU 是非常流行的数据分析系统加速器。不幸的是，到目前为止还没有任何工作展示如何利用 GPU 来加速 TADOC。我们描述了 G-TADOC，这是第一个直接在压缩上提供基于 GPU 的文本分析的框架，有效地在 GPU 上实现高效的文本分析，而无需解压输入数据。G-TADOC 解决了三大挑战。首先，TADOC 涉及大量依赖项，这使得在 GPU 上难以利用大规模并行性。我们为 GPU 线程开发了一种新颖的细粒度线程级工作负载调度策略，它以细粒度的方式自适应地划分高度依赖的负载。其次，在开发 G-TADOC 时，数千个 GPU 线程写入同一个结果缓冲区会导致不一致，而直接使用锁和原子操作会导致大量同步开销。我们在 GPU 上开发了一个具有线程安全数据结构的内存池来处理这些困难。第三，保持单词之间的序列信息对于无损压缩至关重要。我们设计了一个序列支持策略，它在保证序列信息的同时保持高 GPU 并行性。我们的实验评估表明，与最先进的 TADOC 相比，G-TADOC 提供了 31.1 倍的平均加速。保持单词之间的序列信息对于无损压缩至关重要。我们设计了一个序列支持策略，它在保证序列信息的同时保持高 GPU 并行性。我们的实验评估表明，与最先进的 TADOC 相比，G-TADOC 提供了 31.1 倍的平均加速。保持单词之间的序列信息对于无损压缩至关重要。我们设计了一个序列支持策略，它在保证序列信息的同时保持高 GPU 并行性。我们的实验评估表明，与最先进的 TADOC 相比，G-TADOC 提供了 31.1 倍的平均加速。