[发明专利]基于模糊决策的GPU负载综合评判方法

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于模糊决策的GPU(Graphic Processing Unit，图形处理器)的负载评价方法。

背景技术

Kepler GK110(专为英伟达Tesla产品打造CUDA计算架构)由71亿个晶体管组成，可以提供超过每秒1万亿次双精度浮点计算的吞吐量，Kepler架构在电源效率方面，比Fermi的性能/功率比提高了3倍。完整Kepler GK110实施包括15 SMX单元和六个64位内存控制器。拥有192个单精度CUDA(Compute Unified Device Architecture，统一计算设备架构)核，64个双精度单元。

C-RAN(新型无线接入网架构)白皮书指出传统的无线接入网面临的挑战有大量基站导致高额能耗、潮汐效应导致基站利用率低下。把GPU作为资源池，进行基带处理，刚好解决了这个问题。基带处理就要求GPU可以任务级别的并行处理每个用户的需求。

GPU虽然提供了非常强大的数据级并行计算能力，不过对于任务级别的并行有比较大的限制。最新的kepler架构支持同时并发32个核函数。因此为了满足多任务的需求就需要在一个主机上装备多块GPU。对于多GPU系统需要解决GPU之间的负载均衡，才能达到最佳性能，因此正确评价某一个GPU的负载信息至关重要。

发明内容

本发明的实施例提供一种基于模糊决策的GPU的负载评价方法，可以正确地对GPU的负载进行评价。

为达到上述目的，本发明的实施例采用如下技术方案：

一种基于模糊决策的GPU的负载评价方法，包括：

针对一个GPU来说，获得n时刻所述GPU的负载向量。

所述GPU的负载向量表示如下：

L_n＝＜utilization，memory，pstates，occupancy＞

其中，utilization：过去一个样本时间内所述GPU运行一个或者多个核函数的时间占总时间的百分比；memory：所述GPU已用全局内存占总的全局内存的百分比；pstates：即performance state的16个等级，p0(maximum performance)-p15(minimum performance)；occupancy：即achieved occupancy：所述GPU的每个sm中有多个warp调度器，每个调度器有一个硬件性能计数器，用来计数每个时钟周期活跃warp数，每个调度器计数结果之和除以sm活跃的总周期数，就可以得到这个sm的活跃warp数，除以sm理论最大warp数就是kernel执行期间这个sm的occupancy，所有sm的平均值就是整体的occupancy；

获得n时刻评价负载用的评价负载向量L，所述L满足以下公式：

L＝70％×L_n+30％×L_n-1；

综合所述评价负载向量L中的元素utilization，memory，pstates，以及occupancy进行模糊评判，获得模糊判决矩阵：R＝(r_ij)_4×3；

根据用户给出的诸因素权重分配为：W＝(w₁，w₂，w₃，w₄)以及模糊判决矩阵计算获得综合评价A，所述A满足以下公式：

A＝W·R＝(a₁，a₂，a₃)；

对所述综合评价A进行归一化处理获得A′，所述A′满足以下公式：

A′＝(a₁/s，a₂/s，a₃/s)；其中，

根据最大隶属度原则获得所述GPU的负载情况。

上述技术方案提供的GPU的负载评价方法，综合GPU的多个参数utilization，memory，patates，occupancy，与现有技术众对GPU负载的评价都是基于单一参数相比，更加客观的反映了GPU负载信息，对GPU的负载评价更正确。

附图说明

图1为本发明实施例提供的一种基于模糊决策的GPU的负载评价方法的流程示意图。

具体实施方式