基于GPU-CPU混合架構(gòu)的流程序多粒度劃分與調(diào)度方法研究.pdf

1、數(shù)據(jù)流編程語言簡化了相關(guān)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(gòu)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(gòu)下進行高效的任務劃分與調(diào)度是近年來并行計算領域的研究問題。
　　針對GPU/CPU混合架構(gòu)系統(tǒng)結(jié)構(gòu)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(gòu)的

2、數(shù)據(jù)流程序任務劃分方法和多粒度調(diào)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(gòu)造了軟件流水調(diào)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(nèi)容，存儲訪問優(yōu)化采用多種數(shù)據(jù)存儲結(jié)構(gòu)和多種訪問類型的方法，以提高內(nèi)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(jié)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(gòu)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)