连接查询操作是联机分析处理系统(OLAP)的重要操作之一,也是企业决策人员从海量数据中提取信息的重要手段。而多表连接运算一直是连接查询操作的主要瓶颈。随着大数据时代的到来,目前的传统连接算法无法满足企业管理者的多表查询需求,这也制约着的企业管理者的决策效率。近年来图形处理器(GPU)计算的不断发展,它已经在计算化学、稀疏矩阵求解和物理模型等方面得到了广泛的应用。本文结合GPU高并行的特点,在列式数据库连接算法的基础上,提出了一系列基于GPU的连接查询算法,加快了OLAP数据仓库中多表连接运算的执行效率。具体的内容如下:(1)根据分析型数据仓库的星型数据模式和连接运算的特点,针对大规模数据,设计了通用连接分块存储模型。同时根据GPU联合访存模型的特点,提出了间隔差值压缩算法。该算法的压缩速度约为GPU传统差值压缩算法的2倍;(2)在间隔差值压缩数据和传统差值压缩数据的基础上,提出了基于间隔压缩的选择算法和基于传统差值压缩的连接选择算法,并且利用GPU提高了连接选择运算的响应速度。(3)通过OLAP标准测试数据集(SSB)测试表明,相比于CPU连接算法,基于GPU的压缩数据连接算法可以得到10倍左右的加速比;相比于基于GPU的隐连接算法,基于GPU的压缩数据连接算法可以得到2-4倍左右的加速比。