[发明专利]面向GPU的细粒度并行应用映射方法

摘要

本发明公开了一种面向GPU的细粒度并行应用映射方法，目的是解决现有映射方法计算粒度随机确定导致GPU+CPU组成的异构系统效能低和不能充分利用应用程序特征的缺陷。技术方案是构建由GPU+CPU组成的异构系统，安装GPU运行环境并启动GPU进行初始化工作，CPU负责将应用映射输入集读入内存，启动API函数将应用映射输入集传输至GPU显存，对于多维数据，先将多维数组转化成二维数组，再将二维数组像素化，最后采用GPU+CPU异构计算系统实现面向n维数据结构输入集的细粒度像素级并行应用映射。采用本发明能充分利用应用程序特征，任务划分明确，并行粒度小，能最大化CPU+GPU异构计算系统的效能，性能加速比显著。

主权项

1.一种面向GPU的细粒度并行应用映射方法，包括以下步骤：第一步，构建由GPU+CPU组成的异构系统，其中CPU与GPU的数据交互通过PCI-E通道来完成，GPU包括GPU显存和K个流多处理器SM处理单元，每个SM由m个流处理器、共享存储器、常量Cache和纹理Cache组成；K为正整数，m为正整数；第二步，安装GPU运行环境并启动GPU进行初始化工作；第三步，CPU负责将n维应用映射输入集P_n[M₁][M₂]…[M_n]读入内存，P_n[M₁][M₂]...[M_i]...[M_n]是一个n维数组，n为正整数，数组的第一维的维度即该维包含元素的个数为M₁，第二维的维度为M₂，……，第i维的维度为M_i……，第n维的维度为M_n；当n≥2时，n≥i≥2；第四步，启动GPU数据传输应用编程接口API函数将内存的P_n[M₁][M₂]...[M_i]...[M_n]传输至GPU显存；其特征在于还包括以下步骤：第五步，若n＝1，转第七步；若n≥2，执行第六步；第六步，对P_n[M₁][M₂]...[M_i]...[M_n]进行像素化，方法如下：6.1n维数组归一化，即将P_n[M₁][M₂]...[M_i]...[M_n]转化为一个等价的二维数组，方法如下：6.1.1计算P_n[M₁][M₂]...[M_i]...[M_n]包含的元素总数表示M₁，M，₂…,M_n连乘；6.1.2将P_n[M₁][M₂]...[M_i]...[M_n]的total个元素依次赋值给二维数组P₂[M₁][total/M₁]；6.2对二维数组P₂[M₁][total/M₁]进行像素化，方法如下：用p[s][r]表示二维数组P₂[M₁][total/M₁]第s列第r行的元素，其中0≤s≤M₁-1并且0≤r≤(total/M₁)-1；对于高度为M₁，宽度为total/M₁的图像I，用I(s，r)表示图像第s列第r行的像素：6.2.1初始化s=0,r=0;6.2.2若s＜M₁并且r<total/M₁，将二维数组第s列第r行的元素赋值给图像I第s列第r行的像素，即I(s，r)=p[s][r]；6.2.3循环变量s加一，即s＝s+1;6.2.4循环变量r加一，r＝r+1;第七步，采用GPU+CPU异构计算系统实现面向n维数据结构输入集的细粒度像素级并行应用映射，具体方法如下：7.1计算图像I的像素总数pixel，若n＝1，则pixel=M₁，执行7.2；若n≥2，则pixel=M₁×(total/M₁)，执行7.2；7.2计算异构系统包含处理器核心的总数core＝m×K；7.3若pixel≤core，启动pixel个独立的GPU线程，将每一个像素分派给一个独立的GPU线程，一个流处理器运行一个独立的GPU线程，GPU线程运行完后转7.9；若pixel>core，执行7.4；7.4通过查询GPU属性获取一个SM上可以同时运行的最大线程数t_max，通常t_max≥256；7.5定义显然t≥m，其中min{a，b}表示取a，b中的最小者；7.6将t个线程合并组成一个线程块，则线程块的总数为7.7若block≤K，选中block个SM，将每个线程块分派到一个流多处理器SM上，由于t≥m，SM的m个流处理器并行启动m个线程，执行完成后再启动下一轮m个线程，直至块内的所有线程执行完；若block>K，执行7.9；7.8启动K个流多处理器SM运行K线程块，SM的m个流处理器并行启动m个线程，执行完成后再启动下一轮m个线程，直至块内的所有线程执行完；然后再启动下一轮K个流多处理器SM运行K线程块，直至block个线程块全部运行完成。7.9GPU将处理结果返回给CPU，GPU结束运行。