Editorial Ilmu Komputer & AI
Open AccessOA2026
FastPair: Dekode String yang Dioptimalkan untuk GPU
Menata ulang pencarian kamus untuk penulisan memori yang berurutan mencapai percepatan 2,4–4,2× dibandingkan Decompression Engine NVIDIA
Joseph Isaacs; Francesco Gargiulo; Peter Boncz; Robert Kruszewski; Nicholas Gates; Rossano Venturini; Will Manning; Martin Prammer· 2026· DOI 10.48550/arXiv.2609.15034
Masalah inti
Sistem data modern mengompresi data saat disimpan dan mendekompresinya hanya saat diperlukan untuk menjaga bandwidth interkoneksi. Desain ini sering kali tidak efisien pada platform komputasi berbasis GPU karena banyak teknik kompresi konvensional memiliki ketergantungan data serial yang membatasi paralelisme GPU, sehingga sumber daya menjadi menganggur. GPU NVIDIA terbaru mengatasi kekurangan dekode ini melalui Decompression Engine (DE), akselerator dekompresi fixed-function on-die untuk format kompresi serbaguna seperti Deflate, LZ4, dan Snappy. Penelitian terbaru mengusulkan codec string yang menggantikan substring yang sering muncul dengan kode berlebar tetap dari kamus kecil yang telah dilatih, sehingga pencarian setiap kode menjadi independen. Meskipun pencarian ini dapat berjalan secara paralel, pembacaan tersebar dan penulisan keluaran pendek yang dihasilkan masih belum selaras dengan perangkat keras GPU, yang menangani akses memori berurutan dengan lebih efisien. Para penulis—Joseph Isaacs, Francesco Gargiulo, Peter Boncz, Robert Kruszewski, Nicholas Gates, Rossano Venturini, Will Manning, dan Martin Prammer—menghadirkan FastPair untuk menjembatani kesenjangan ini.
Inovasi
Pada GPU B300, FastPair mendekode sepuluh kolom dunia nyata 2,4 hingga 4,2× lebih cepat daripada Decompression Engine, mencapai hingga 1,6 TB/s. Percepatan ini konsisten di seluruh kolom yang dievaluasi, menunjukkan efektivitas strategi penataan ulang. Throughput yang dicapai sebesar 1,6 TB/s menyoroti potensi codec berbasis kamus ketika disesuaikan dengan pola akses memori GPU.
Sistem data modern mengompresi data saat disimpan dan mendekompresinya hanya saat diperlukan untuk menjaga bandwidth interkoneksi. Desain ini sering kali tidak efisien pada platform komputasi berbasis GPU karena banyak teknik kompresi konvensional memiliki ketergantungan data serial yang membatasi paralelisme GPU, sehingga sumber daya menjadi menganggur. GPU NVIDIA terbaru mengatasi kekurangan dekode ini melalui Decompression Engine (DE), akselerator dekompresi fixed-function on-die untuk format kompresi serbaguna seperti Deflate, LZ4, dan Snappy. Penelitian terbaru mengusulkan codec string yang menggantikan substring yang sering muncul dengan kode berlebar tetap dari kamus kecil yang telah dilatih, sehingga pencarian setiap kode menjadi independen. Meskipun pencarian ini dapat berjalan secara paralel, pembacaan tersebar dan penulisan keluaran pendek yang dihasilkan masih belum selaras dengan perangkat keras GPU, yang menangani akses memori berurutan dengan lebih efisien. Para penulis—Joseph Isaacs, Francesco Gargiulo, Peter Boncz, Robert Kruszewski, Nicholas Gates, Rossano Venturini, Will Manning, dan Martin Prammer—menghadirkan FastPair untuk menjembatani kesenjangan ini.
FastPair mengoptimalkan proses dekode kamus yang ada dengan menata ulang pencarian dan menyusun substring hasil dekode untuk penulisan keluaran yang berurutan. Ide intinya adalah mengubah penulisan pendek dan tersebar yang lazim pada dekode berbasis kamus menjadi penulisan berurutan yang digabungkan, yang ditangani GPU secara efisien. Alur dekode dapat dikonseptualisasikan sebagai berikut:
Mengapa penting
Hasil ini menunjukkan bahwa hambatan utama dalam dekode kamus yang dipercepat GPU bukanlah pencariannya sendiri, melainkan pola akses memorinya. Dengan menata ulang pencarian dan menyusun substring untuk penulisan berurutan, FastPair menyelaraskan proses dekode dengan kekuatan perangkat keras GPU. Pendekatan ini mengungguli Decompression Engine fixed-function, yang dioptimalkan untuk format serbaguna tetapi mungkin tidak memanfaatkan independensi kode kamus. Percepatan 2,4–4,2× menunjukkan bahwa codec khusus dapat memperoleh manfaat signifikan dari strategi dekode yang sadar GPU. Penelitian selanjutnya dapat mengeksplorasi integrasi dengan format kompresi lain dan arsitektur GPU yang lebih luas.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…