|
|
Accelaration of RSA on GPUs
Balogh, Tomáš ; Jaroš, Jiří (referee) ; Vašíček, Zdeněk (advisor)
This bachelor's thesis discusses implementation of RSA algorithm using Montgomery multiplication for graphic cards. There are four versions of implementation created for CUDA platform with aim to achieve as high computation acceleration as possible compared to processor computation. Acceleration of computation is among other things achieved by parallelization of arithmetic operations addition and multiplication of large numbers.
|
|
|
Interest-Point Detection on CUDA
Ryba, Jan ; Řezníček, Ivo (referee) ; Herout, Adam (advisor)
Corner point detection is one of many functions used in computer vision for tasks such as tracking, detecting objects, comparing images and much more. Many of the algorithms are complex and require a lot of CPU time. This is where the CUDA platform comes in. CUDA kernels run parallely on graphic accelerators can rapidly decrease time needed for execution, allowing even these complex calculations to work in real time or even better. Text focuces on Moravec and Harris corner detection algorithms and their effective implementation on CUDA. Examination of potetntial and performance of CUDA platform is also importatnt.
|
|
|
General Purpose GPU
Potěšil, Josef ; Černocký, Jan (referee) ; Smrž, Pavel (advisor)
This bachelor's thesis deals with the general-purpose computing on graphics processing units. The examined kind of algorithms are the sorting algorithms. The beginning of this thesis deals with the general-purpose thematic itself, available tools and technologies. It continues with the basic theoretical informations about sorting. At the end the implementation of some sorting algorithms in CUDA, performance tests and the evaulation of these tests are described.
|
|
|
Genetic Algorithm Acceleration Using OpenCL
Hrušovský, Marek ; Šimek, Václav (referee) ; Jaroš, Jiří (advisor)
Tato práce se zabývá problematikou urychlování genetických algoritmů a hned v úvodu nastiňuje možnosti využití genetických algoritmů v praxi. V první kapitole je detailně rozebrán princip fungování genetického algoritmu. Tato kapitola se dále zabývá možnostmi zákódování problému, který je použit pro běh genetického algoritmu. Konkrétně je vzpomenuto binární zakódování jedince, celočíselné zakódování jedince, neceločíselné zakódování jedince a permutační zakódování jedince. Pro každý typ zakódování jsou dále představeny genetické operátory mutace, křížení a selekce. Důraz je kladen na permutační genetické operátory OX a PMX. Další kapitola se zabývá možnostmi paralelizace genetického algoritmu. Další kapitola představuje nový standard jménem OpenCL, který umožňuje snadnou paralelizaci výpočtú s využitím různých typů procesorů v ten samý čas. OpenCL taktéž zjednodušuje programování pro grafické karty. Další kapitola navrhuje možnost, jak urychlit výpočet genetického algoritmu s využitím grafické karty a jazyka OpenCL. Pro urychlení byl zvolen permutační genetický algoritmus "problém N-dam", který je náročný na paměť grafické karty. Tato kapitola rozebírá technické specifikace grafické karty, které jsou nevyhnutelné k určení maximální velikosti šachovnice. V kapitole je analyzována správná práce s pamětí grafické karty, která je nevyhnutelná k dosažení urychlení zvoleného genetického algoritmu. Jsou zde taky nastíněny dva generátory náhodných čísel, které jsou součástí testů. Následující kapitola detailně popisuje fungování navržené paralelizace genetického algoritmu. Jsou zde porovnány dvě metody evaluace jedince a je popsán způsob testování a vyhodnocování výsledků. Předposlední kapitola porovnává časovou náročnost generátorů náhodných čísel. Bylo zjištěno, že generátor HybridTaus je o 20 rychlejší o proti generátoru XORshift na GPU. Na CPU byl naopak rychlejší generátor XORshift. Generátor XORshift je na GPU 20 krát rychlejší a generátor HybridTaus je dokonce až 80 krát rychlejší. Dále byly porovnány evaluační funkce. Bylo zjištěno, že GPU běh je 800 krát rychlejší oproti běhu na CPU. Paměťově náročná evaluační metoda byla schopná dosáhnout jenom dvojnásobné zrychlení. Kapitola dále porovnává funkce křížení. PMX dosáhlo zrychlení maximálně o 100 a i to v případech, které nejsou atraktivní pro řešení problému N-dam (N>20). V případe OX je možné dosáhnout zrychlení až o 1100. Také v tomto případě jsou atraktivní hodnoty pouze do 500. Testy, které vyhodnocují běh celého GA, ukázaly, že GPU verze je zhruba dvojnásobně rychlejší. Malé zrychlení bylo způsobeno operátorem selekce a funkcí křížení.
|
|
|
Generating Complex Procedural Terrains Using the GPU
Ryba, Jan ; Bartoň, Radek (referee) ; Herout, Adam (advisor)
Generating fully 3D terrains is a dificult task, meaning that we need to store a lot of data or do a lot of computing or both. We can reduce or completly eliminate the data srorage by using a procedural approch, but this is where the problem gets realy computationaly costly and the CUDA platform comes in. CUDA kernels runinng parallely on graphic accelerators can rapidly decrease time needed for computation, allowing even these complex calculations to work in real time or even better. Finding its use in game or movie industry.
|
|
|
Cryptography Acceleration Using GPU
Potěšil, Josef ; Čejka, Rudolf (referee) ; Lampa, Petr (advisor)
The reader will be familiar with selected concepts of cryptography consited in this work. AES algorithm was selected in conjunction with the description of architecture and software for programming graphic cards (CUDA, OpenCL), in order to create its GPU-accelerated version. This thesis tries to map APIs for communication with crypto-coprocessors, which exist in kernels of Linux/BSD operating systems (CryptoAPI, OCF). It examines this support in the cross-platform OpenSSL library. Subsequently, the work discusses the implementation details, achieved results and integration with OpenSSL library. The conclusion suggests how the developed application could be used and briefly suggests its usage directly by the operating system kernel.
|
|
| |
|
|
Real-Time Cloud Rendering
Kučera, Vít ; Pečiva, Jan (referee) ; Herout, Adam (advisor)
Clouds are ubiquitous and ever-changing feature of the outdoors. They are an integral factor in Earth's weather systems. Component of water circulation in a nature and a strong indicator of weather patterns and changes. Clouds are important component of the visual simulation of any outdoor scene, but the complexity of cloud formation, dynamics, and light interaction makes cloud simulation and rendering difficult in real time. In an interactive flight simulation, users would like to fly in and around realistic, volumetric clouds. I Present, two main ways of representation cloud in computer graphic, where one way use for modelling Perlin noise and second one use for modelling fluid dynamic system.
|
|
|
Realtime Weather in a Landscape Visualisation
Vlček, Adam ; Jošth, Radovan (referee) ; Seeman, Michal (advisor)
Thanks to the increasing computation power the complexity and dynamism of virtual reality is continuously improving. This work aims to examine influences of weather in a landscape and the means to simulate and dynamically visualize them in real time on the current personal computer hardware. The main goal is to find quick well looking approximations rather than a complex physically correct simulation. The work covers using modern programmable GPU not only for visualization but also as a powerful simulation instrument. The main topic is water movement in the terrain and its effects on it like erosion, snow melting and moisture impact on vegetation. This requires dynamic terrain texturing and algorithms supporting fast geometry and normals updates.
|
|
|
The GPU-Based Acceleration of the Genetic Algorithm
Pospíchal, Petr ; Šimek, Václav (referee) ; Jaroš, Jiří (advisor)
This thesis represents master's thesis focused on acceleration of Genetic algorithms using GPU. First chapter deeply analyses Genetic algorithms and corresponding topics like population, chromosome, crossover, mutation and selection. Next part of the thesis shows GPU abilities for unified computing using both DirectX/OpenGL with Cg and specialized GPGPU libraries like CUDA. The fourth chapter focuses on design of GPU implementation using CUDA, coarse-grained and fine-grained GAs are discussed, and completed by sorting and random number generation task accelerated by GPU. Next chapter covers implementation details -- migration, crossover and selection schemes mapped on CUDA software model. All GA elements and quality of GPU results are described in the last chapter.
|
guest ::
