[发明专利]基于CUDA并行计算架构对折叠进行GPU并行化的方法

说明书

本发明公开了基于CUDA并行计算架构对折叠进行GPU并行化的方法，包括以下步骤：步骤S1、基于gperftools做性能分析；步骤S2、分析数据依赖性；步骤S3、基于CUDA的GPU并行。本发明基于CUDA并行计算架构对折叠进行GPU并行化，在并行之前对折叠先进行优化，消除其中的数据循环依赖并且重构目标函数，重写CUDA核函数在GPU上实现折叠并取得良好的效果。

技术领域

本发明涉及医疗器械烘干装置技术领域，具体为基于CUDA并行计算架构对折叠进行GPU并行化的方法。

背景技术

PRESTO是一套完整开源的脉冲星搜索工具，其中包含适于各个搜索流程的工具。折叠也是其中之一，是用于搜索周期信号的，对百万量级的候选体折叠生成相应的脉冲轮廓图，并基于这些脉冲轮廓图对候选体进行初筛，但随着射电望远镜设备的越发精密和技术手段的越发成熟，产生的观测数据量剧增，急需快速处理数据的问题，为此，我们提出一种实用性更高的基于CUDA并行计算架构对折叠进行GPU并行化的方法。

发明内容

本发明的目的在于提供基于CUDA并行计算架构对折叠进行GPU并行化的方法，解决了现有的问题。

为实现上述目的，本发明提供如下技术方案：基于CUDA并行计算架构对折叠进行GPU并行化的方法，包括以下步骤：

步骤S1、基于gperftools做性能分析；

步骤S2、分析数据依赖性；

步骤S3、基于CUDA的GPU并行。

优选的，所述步骤S1具体包括以下步骤：

S11、链接库，安装gperftools会附带库环境；

S12、运行需要做性能分析的代码，此时gperftools会对运行的代码进行性能分析，并输出结果；

S13对这个输出的结果做分析运算，得到其中各个函数在性能分析中所占的比例，生成可读的文本和图片结果。

优选的，所述步骤S2具体包括以下步骤：

S21、在并行时，有数据依赖关系的总会被分配到用一个计算资源上执行，并不会产生错误歧义；

S22、有循环依赖的是不同次的迭代，因此有可能会分配到不同的计算资源上，而此时因为缺少之前的迭代的结果，本次迭代中的计算会产生错误结果，从而依次影响后续的迭代，导致最终的计算错误。

优选的，所述步骤S3具体包括以下步骤：

串行的折叠中的的combine_prof函数是在四重循环里面调用的，在计算数据的时候，是在计算机上重复执行四重循环次数个combine_profs函数，而基于CUDA的GPU并行，则是消除了数据循环依赖的基础上，可以把四重循环次数个gpu_conbine_profs函数发送到GPU的核上计算，同时可以在GPU的核上调用多个函数。

与现有技术相比，本发明的有益效果如下：

本发明基于CUDA并行计算架构对折叠进行GPU并行化，在并行之前对折叠先进行优化，消除其中的数据循环依赖并且重构目标函数，重写CUDA核函数在GPU上实现折叠并取得良好的效果。

本发明分析、消除数据的循环依赖性，在并行时，同时有很多个GPU核心在参与计算，如果存在数据的循环依赖性，即本次迭代的结果在下一次或多次迭代中使用，那么在做GPU并行时，分配到不同的GPU核心上计算，这种情况下会产生错误的计算结果，因此必须消除数据循环依赖性来保证在GPU上并行的准确性以及得到准确的计算结果；最后在有了以上的基础上，对原函数进行重构保留适合并行的部分，已达到更好的GPU并行效果，结合CUDA把重构的函数重写为在GPU上运行的核函数。

附图说明

图1为本发明的gpu_preppfold和prepfold运行时间对比示意图；

图2为本发明的实验结果图比较示意图。

具体实施方式