基于OpenCL微測試集的GPU微架構分析與評估.pdf

1、隨著人們在科學計算、人工智能等領域?qū)Υ笠?guī)模數(shù)據(jù)計算的需求越來越高，使用圖形處理器（GPU，Graphic Processing Unit）進行大規(guī)模并行計算正逐漸成為學術界和工業(yè)界的研究熱點。建立一個能夠全面反映GPU體系結(jié)構的GPGPU量化性能模型，從而評估特定并行算法如何高效映射到特定GPU硬件平臺上就顯得尤為重要。由于大多數(shù)商用嵌入式GPU的微結(jié)構參數(shù)都不公開，而針對傳統(tǒng)GPU的GPGPU性能模型大多基于已知的GPU架構參數(shù)，且二

2、者在架構上存在巨大差異，因此傳統(tǒng)GPGPU模型無法直接適用于這些嵌入式GPU。
　　本文旨在提出一種基OpenCL微測試集的嵌入式GPGPU量化性能模型。本文參考傳統(tǒng)GPGPU性能模型的主要影響因素及建立過程，設計了一套基于OpenCL的較全面的GPU微架構測試程序集，用于探測模型建立所需要的計算單元數(shù)、指令開銷、內(nèi)存結(jié)構、訪存延遲等微架構參數(shù)，作為模型的輸入;然后，基于微測試集的測試結(jié)果，本文對傳統(tǒng)GPGPU程序的主要執(zhí)行方式，

3、包括計算訪存重疊、分支執(zhí)行等重新進行分析修正，簡化了分支執(zhí)行部分的模型表達;最后，考慮同步語句開銷影響，增加同步操作性能建模，使得模型更為準確。在實驗部分，論文通過兩個常用算子:矩陣乘法和Sobel圖像濾波器，在Mali-T628 GPU上來驗證所提出模型的有效性。實驗結(jié)果表明，本文所提出的模型估算的執(zhí)行時間與實際硬件執(zhí)行時間相比，準確度最高為86.1％，平均為81.2％，達到預期指標。
　　相比于傳統(tǒng)GPGPU模型研究，本文首次