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(lǐng)域的編程，很好地把任務(wù)計(jì)算和數(shù)據(jù)通信分開，從而使應(yīng)用程序分別在任務(wù)級(jí)和數(shù)據(jù)級(jí)均具有可并行性。在多 GPU和多 CPU的混合架構(gòu)系統(tǒng)平臺(tái)上，任務(wù)計(jì)算與數(shù)據(jù)通信的復(fù)雜性是影響數(shù)據(jù)流程序執(zhí)行效率的一個(gè)重要因素，如何在混合架構(gòu)下進(jìn)行高效的任務(wù)劃分與調(diào)度是近年來并行計(jì)算領(lǐng)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(wù)并行以及流水線并行等問題，提出并實(shí)現(xiàn)了面向GPU/CPU混合架構(gòu)的

2、數(shù)據(jù)流程序任務(wù)劃分方法和多粒度調(diào)度策略，包括任務(wù)的分類處理、GPU端任務(wù)的水平分裂和CPU端離散任務(wù)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(biāo)代碼。任務(wù)的分類處理根據(jù)數(shù)據(jù)流程序各個(gè)任務(wù)的計(jì)算特點(diǎn)以及任務(wù)之間的數(shù)據(jù)通信量大小，將各個(gè)任務(wù)分配到合適的計(jì)算平臺(tái)上；GPU端任務(wù)的水平分裂利用GPU端任務(wù)的并行性將其均衡分裂到各個(gè)GPU，以避免GPU間高額的通信開銷影響應(yīng)用程序整體的執(zhí)行性能；CPU端離散任務(wù)的均衡化通過選

3、擇合適CPU核，將CPU端各任務(wù)均衡分配給各 CPU核，以保證負(fù)載均衡并提高各 CPU核的利用率。編譯優(yōu)化包括存儲(chǔ)訪問優(yōu)化和目標(biāo)代碼優(yōu)化兩部分內(nèi)容，存儲(chǔ)訪問優(yōu)化采用多種數(shù)據(jù)存儲(chǔ)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(biāo)代碼優(yōu)化通過生成目標(biāo)模板類和壓縮目標(biāo)結(jié)點(diǎn)的個(gè)數(shù)，降低目標(biāo)代碼的冗余量。
　　實(shí)驗(yàn)以三塊NVIDIA Tesla C2050、兩塊四核CPU作為混合架構(gòu)系統(tǒng)平臺(tái)，選取9個(gè)多媒體領(lǐng)域的經(jīng)典算法作為測試程序，對數(shù)