基于GPU-CPU混合架構的流程序多粒度劃分與調度方法研究.pdf

1、數(shù)據(jù)流編程語言簡化了相關領域的編程，很好地把任務計算和數(shù)據(jù)通信分開，從而使應用程序分別在任務級和數(shù)據(jù)級均具有可并行性。在多 GPU和多 CPU的混合架構系統(tǒng)平臺上，任務計算與數(shù)據(jù)通信的復雜性是影響數(shù)據(jù)流程序執(zhí)行效率的一個重要因素，如何在混合架構下進行高效的任務劃分與調度是近年來并行計算領域的研究問題。
　　針對GPU/CPU混合架構系統(tǒng)結構中存在的大量數(shù)據(jù)并行、任務并行以及流水線并行等問題，提出并實現(xiàn)了面向GPU/CPU混合架構的

2、數(shù)據(jù)流程序任務劃分方法和多粒度調度策略，包括任務的分類處理、GPU端任務的水平分裂和CPU端離散任務的均衡化，構造了軟件流水調度，經(jīng)過編譯優(yōu)化生成 OpenCL的目標代碼。任務的分類處理根據(jù)數(shù)據(jù)流程序各個任務的計算特點以及任務之間的數(shù)據(jù)通信量大小，將各個任務分配到合適的計算平臺上；GPU端任務的水平分裂利用GPU端任務的并行性將其均衡分裂到各個GPU，以避免GPU間高額的通信開銷影響應用程序整體的執(zhí)行性能；CPU端離散任務的均衡化通過選

3、擇合適CPU核，將CPU端各任務均衡分配給各 CPU核，以保證負載均衡并提高各 CPU核的利用率。編譯優(yōu)化包括存儲訪問優(yōu)化和目標代碼優(yōu)化兩部分內容，存儲訪問優(yōu)化采用多種數(shù)據(jù)存儲結構和多種訪問類型的方法，以提高內存的訪問效率；目標代碼優(yōu)化通過生成目標模板類和壓縮目標結點的個數(shù)，降低目標代碼的冗余量。
　　實驗以三塊NVIDIA Tesla C2050、兩塊四核CPU作為混合架構系統(tǒng)平臺，選取9個多媒體領域的經(jīng)典算法作為測試程序，對數(shù)