此示例提供了一个布隆过滤器如何帮助提高应用程序性能的示例。
文档过滤涉及查看传入的文档流并找到最符合用户兴趣的文档。此类系统的一个示例是使用过滤机制，该机制监视新闻源并将相关文章发送到用户的电子邮件账户。通常，此应用程序是对非结构化数据（例如文本文件、HTML 页面、电子邮件和视频文件）执行分析的示例。据估计，高达 80% 的企业相关数据都是非结构化形式。
该算法尝试为特定搜索配置文件找到最佳匹配文档。搜索配置文件是将文档与用户感兴趣的主题进行匹配的过滤器。为此，将每个文档缩减为一组单词，以及文档中每个单词出现的频率。文档中的每个词频对 (t_i; f_i) 表示为 32 位整数，具有 24 位词条 ID 和 8 位出现频率。词条通常是文档中的单词。24 位 ID 可以做到一个超过 1600 万个词条的词汇表。搜索配置文件由一组较少的词条和每个词条的权重组成，用于指定其在搜索配置文件中的相对重要性。权重由定点表示的 64 位数字组成。为了执行非结构化搜索，会为每个文档计算一个分数，以确定其与给定配置文件的相关性。
内核的输入数据如下：
- docWordFrequencies 代表您希望通过内核运行的所有文档。每个 32 位整数代表文档中的一个词条或单词。前 24 位是词条 ID，后 8 位是该词条在文档中出现的频率。
- profileWeights 是搜索配置文件。它由一组较少的词条和每个术语的权重组成，用于指定其在搜索配置文件中的相对重要性。权重由定点表示的 64 位数字组成。
- isWordInProfileHash 是布隆过滤器。对于 profileWeights 数组中存在的每个具有非零权重的词条 ID，我们在主机上根据它计算两个哈希值。然后我们将计算出的值插入到布隆过滤器中。然后，在内核执行期间，为文档中存在的每个词条 ID 计算两个哈希值。我们在布隆过滤器中查找这些哈希值。如果任一哈希值不存在，则意味着该词条 ID 不在搜索配置文件中。如果找到两个哈希值，我们将对 profileWeights 数组执行内存访问。
内核的输出数据为：
- profileScorePerGroup_highbits 是我们计算的每个文档的分数的较高 32 位。
- profileScorePerGroup_lowbits 是我们计算的每个文档的分数的较低 32 位。
综合起来，这表示文档的分数，表明其与给定配置文件的相关性。为了进一步提高此应用程序的吞吐量，我们将输入分成两个大小相等的部分，分别位于每个 DDR 内存库中。这由附加到内核参数的 _dimm1（对于第一个 DIMM）和 _dimm2（对于第二个 DIMM）表示。这样通过利用两个可用的内存库，进一步提高了我们的性能。
下载
该设计示例提供 OpenCL™ 设备 (.cl) 和主机应用程序的源代码。为了编译主机应用程序，Linux* 包包含一个 Makefile，Windows 包包含一个 Microsoft Visual Studio 2010 项目。
本示例提供以下下载：
该设计的使用受硬件参考设计许可协议中条款和条件的管理和约束。
要下载英特尔设计工具，请访问 OpenCL 下载页面。对底层操作系统的要求与英特尔® FPGA SDK for OpenCL 的要求相同。
OpenCL 和 OpenCL 标识是苹果公司的商标，需获得 Khronos 的许可方能使用。
*产品基于已发布的 Khronos 规范，并已通过 Khronos 一致性测试流程。最新的一致性状态信息可以在 www.khronos.org/conformance 上找到。