不经意的排序和删除

高速缓存不经意优先级算法及其在最短路径问题中的应用

An Empirical Study of Cache-Oblivious Priority Queues and their Application to the Shortest Path Problem

近年来，外部存储器计算的Cache-Oblivious模型为海量数据集上的算法分析提供了一个有吸引力的理论基础。在发现渐近最优或接近最优的算法方面已经取得了很大的进展。然而，迄今为止，成功的实验研究仍然相对较少。在本文中，我们比较了两种不同的基于漏斗和桶堆的Cache-Oblivious优先级队列，并将它们应用于具有正边权重的图上的单源最短路径问题。我们的研究结果表明，当RAM是有限的，数据交换到外部存储，缓存不经意的优先级队列实现了数量级的加速比标准的内部存储器技术。然而，对于模拟和真实世界的图形数据上的单源最短路径问题，由于访问图形邻接列表本身所需的时间，这些加速比明显较低。

2008-02-07cs.DScs.SE

具有递减密钥的高速缓存不经意优先级算法及其在图算法中的应用

Cache-Oblivious Priority Queues with Decrease-Key and Applications to Graph Algorithms

我们提出了优先级队列中的缓存无关外部存储器模型与块大小$B$和主存储器大小$M$，支持$N$元素，操作\textsc{UPDATE}（\textsc{INSERT}和\textsc{DECREASEKEY}的组合）在$O \left(\frac{1}{B}\log_{\fracλ{B}} \frac{N}{B}\right)$分期I/O和操作\textsc{EXTRACT-MIN}和\textsc{DELETE}在$O \left(\lceil \frac{λ^{\varepsilon}}{B} \log_{\fracλ{B}} \frac{N}{B} \rceil \log_{\fracλ{B}} \frac{N}{B}\right)$分期I/O，使用$O \left(\frac{N}{B}\log_{\fracλ{B}} \frac{N}{B}\right)$块，为用户定义的参数$λ\in [2, N ]$和任何真正的$\varepsilon \in (0,1)$。我们的结果改进了以前的I/O高效缓存无关和缓存感知优先级队列[Chowdhury和Ramachandran，TALG 2018]，[Brodal等人，SWAT 2004]，[Kumar和Schwabe，SPDP 1996]，[Arge等人，SICOMP 2007]，[Fadel等人，TCS 1999]。我们还提出了缓…

2020-08-04cs.DS

多核上的资源不经意排序

Resource Oblivious Sorting on Multicores

我们提出了一个确定性排序算法，SPMS（样本，分区，合并排序），交错的样本排序与合并的分区。按顺序，它对$O(n \log n)$时间缓存中的$n$元素进行排序，并具有最佳的缓存未命中数量。该算法的并行复杂度（或关键路径长度）是$O(\log n \cdot \log\log n)$，它改进了以前的最佳缓存不经意排序的界限。该算法还具有较低的虚假共享成本。当在具有全局共享存储器和$p$核的多核计算环境中由工作窃取调度器调度时，由于该并行执行而导致的附加高速缓存未命中和假共享未命中的成本分别由$O(S\cdot M/B)$和$O(S \cdot B)$高速缓存未命中的成本限制，其中每个$p$核具有以大小为$B$的块组织的大小为$M$的高速缓存，其中，$S$是在执行期间执行的窃取次数。最后，SPMS算法是资源无关的，对机器参数的依赖性只出现在对算法性能的分析中，而不是算法本身。

2017-11-02cs.DCcs.DS

基于简单不经意优先级队列的具有完美安全性的最优离线ORAM

Optimal Offline ORAM with Perfect Security via Simple Oblivious Priority Queues

该研究提出一种具有完美安全性的简单不经意优先级队列构造，首次实现了最优的离线ORAM，还给出了缓存感知与缓存无关场景下的高效外存实例及对应I/O复杂度。

2024-12-13cs.CRcs.DS

不经意数据结构的下界

Lower Bounds for Oblivious Data Structures

不经意的数据结构是其中存储器访问模式不揭示关于在其上执行的操作的信息的数据结构。这样的数据结构由Wang等人[ACM SIGSAC'14]引入，并且旨在用于希望将数据结构存储在不可信服务器处的情况。获得不经意数据结构的一种方法是简单地在不经意RAM（ORAM）上运行经典数据结构。直到最近，这导致了$ω(\lg n)$的开销，以实现最自然的参数设置。此外，Larsen和Nielsen最近的一个关于ORAMs的下限[NIPPTO '18]表明，如果以黑盒方式使用，它们总是招致至少$Ω(\lg n)$的开销。为了避免$ω(\lg n)$开销，研究人员转而更直接地研究经典的数据结构问题，并获得了许多此类问题的有效解决方案，如堆栈，队列，双端队列，优先级队列和搜索树。然而，这些数据结构中没有一个处理操作比$Θ(\lg n)$更快，留下了是否存在更快的解决方案的问题。在本文中，我们排除了这种可能性，证明$Ω(\lg n)$下界不经意堆栈，队列，双端队列，优先级队列和搜索树。

2018-10-24cs.CRcs.DS

一种支持动态更新的分组排序队列用于高速网络接口卡的定时管理

A Grouped Sorting Queue Supporting Dynamic Updates for Timer Management in High-Speed Network Interface Cards

School of Microelectronics, Xidian University（西安电子科技大学微电子学院）；State Key Laboratory of Integrated Service Networks, Xidian University（西安电子科技大学综合业务网理论及关键技术国家重点实验室）

本文提出两种新型优先队列操作——更新和分组排序，用于实现硬件定时管理。通过一维脉冲阵列和移位寄存器的混合架构，设计了一种支持更新操作的硬件优先队列，提高了定时精度和效率。

2026-01-14cs.DScs.NI

墨尔本洗牌：改进云中的不经意存储

The Melbourne Shuffle: Improving Oblivious Storage in the Cloud

我们提出了一个简单，高效，安全的数据遗忘随机洗牌算法。这是第一个不基于排序的安全数据无关洗牌。我们的方法可以用来改善以前的不经意的存储解决方案，基于网络的数据外包。

2014-02-22cs.CRcs.DCcs.DS

Binary Forking 模型中的缓存无关并行凸包

Cache-Oblivious Parallel Convex Hull in the Binary Forking Model

本文在 Binary Forking 模型中提出两种缓存无关并行凸包算法，分别针对预排序点集和一般输入，达到相应的工作、跨度与缓存复杂度界。

2023-07-17cs.CGcs.DS

多核模型下随机分治的高效缓存无关算法

Efficient cache oblivious algorithms for randomized divide-and-conquer on the multicore model

在本文中，我们提出了随机算法的排序和凸包，实现最佳性能（加速和缓存未命中）的多核模型与私有缓存模型。我们的算法是高速缓存不经意和概括的随机划分和征服的策略，由Reischuk和Reif和Sen。虽然这种方法产生了最佳的速度在PRAM模型，我们需要额外的技术来优化高速缓存未命中在一个不经意的设置。在对输入和处理器数量的温和假设下，我们的算法将具有最佳的时间和高速缓存未命中的高概率。虽然类似的结果已经得到最近排序，我们觉得我们的方法是简单和一般的，我们应用它来获得一个最佳的并行算法的三维凸包具有类似的界限。我们还提出了一个简单的随机处理器分配技术，没有明确的知识的处理器的数量，很可能会发现额外的应用程序在资源遗忘的环境。

2012-05-27cs.CGcs.DCcs.DS

读写开销不对称的排序

Sorting with Asymmetric Read and Write Costs

新兴的存储器技术在写入存储器与从存储器读取的成本（在时间和能量两者上）之间具有显著的差距。在本文中，我们提出的模型和算法，占这种差异，重点是写效率排序算法。首先，我们考虑PRAM模型与非对称写成本，并表明，排序可以在$O\left(n\right)$写，$O\left(n \log n\right)$读，对数深度（并行时间）。接下来，我们考虑外部存储器（EM）模型的一个变体，该模型向$ω> 1$收取将大小为$B$的块写入到辅助存储器的费用，并提出三种EM排序算法（多路合并排序，样本排序和使用缓冲区树的堆排序）的变体，这些算法渐进地减少了原始算法的写入次数，并对每个块写入大致执行$ω$块读取。最后，我们定义了一个变种的理想缓存模型与不对称的写成本，并提出写效率高，缓存无关的并行算法排序，FFT和矩阵乘法。将工作窃取和并行深度优先缓存器的先验边界调整到非对称设置，这些分别为具有私有缓存或共享缓存的机器产生并行缓存复杂性边界。

2016-03-11cs.DS

具有STXXL的外存储器大规模并行优先级排队

A Bulk-Parallel Priority Queue in External Memory with STXXL

我们提出了一个大容量并行外部存储器优先级队列的设计和实现，以利用共享存储器的并行性和高外部存储器传输速度并行磁盘。为了通过解耦项插入和提取来实现更高的性能，我们提供了两个并行化接口：一个使用“批量”序列，另一个通过定义“限制”项。在设计中，我们讨论了如何使用多个堆并行插入，以及如何计算一个动态预测序列来预取块和应用并行多路合并提取。我们的实验结果表明，在选定的基准的优先级队列达到75%的旋转磁盘和65%的固态硬盘的全并行I/O带宽，或在外部存储器中的排序速度时，由计算限制。

2015-04-02cs.DS

DecreaseKeys对于外部存储器优先级缓存来说是昂贵的

DecreaseKeys are Expensive for External Memory Priority Queues

外部存储器数据结构中最大的公开问题之一是DecreaseKey操作的优先级队列问题。如果仅需要支持插入和提取最小值操作，则可以设计基于比较的优先级队列，其在一系列$N$操作上执行$O((N/B)\lg_{M/B} N)$ I/O，其中$B$是以字数表示的磁盘块大小，而$M$是以字数表示的主存储器大小。这与基于比较的排序的下限相匹配，因此对于基于比较的优先级队列是最佳的。但是，如果我们还需要支持DecreaseKeys，那么最知名的优先级队列的性能仅为$O((N/B) \lg_2 N)$ I/O。最大的问题是是否真的有必要降低性能。我们肯定地回答这个问题，证明了一个下界的$Ω((N/B) \lg_{\lg N} B)$ I/O处理一个序列的$N$混合插入，ExtraxMin和DecreaseKey操作。我们的下界证明了在细胞探测模型，因此也适用于非比较为基础的优先级队列。

2016-11-03cs.CCcs.DS