基于MapReduce模型的GPU編程優(yōu)化機(jī)制研究.pdf

1、隨著圖形處理器（GPU）體系結(jié)構(gòu)的發(fā)展和計(jì)算能力的不斷提高，GPU在通用計(jì)算領(lǐng)域的計(jì)算密集型應(yīng)用上被廣泛使用，以彌補(bǔ) CPU計(jì)算能力不足的弱點(diǎn)?，F(xiàn)有基于CUDA的GPU編程方式比較繁瑣，往往需要開(kāi)發(fā)人員對(duì)程序進(jìn)行十分耗時(shí)的手動(dòng)性能調(diào)優(yōu)過(guò)程。為了降低GPU的編程復(fù)雜度，分布式計(jì)算領(lǐng)域的MapReduce編程模型被應(yīng)用到GPU平臺(tái)上。但是，現(xiàn)有基于GPU平臺(tái)的MapReduce實(shí)現(xiàn)方案存在線程同步開(kāi)銷較大，共享內(nèi)存利用率不高的問(wèn)題，當(dāng)處理數(shù)

2、據(jù)量增大時(shí)，性能急劇下降。
　　結(jié)合GPU體系結(jié)構(gòu)的特點(diǎn)，提出并實(shí)現(xiàn)了基于MapReduce模型的GPU編程優(yōu)化機(jī)制，主要包括以下三個(gè)方面的內(nèi)容。為了充分適應(yīng)GPU的多層存儲(chǔ)架構(gòu)，在線程的執(zhí)行方式上采用多層歸約機(jī)制，避免共享內(nèi)存數(shù)據(jù)的頻繁換出，減少線程同步開(kāi)銷，提高線程的并發(fā)執(zhí)行效率；提出基于歸約頻率的共享內(nèi)存數(shù)據(jù)緩存策略，通過(guò)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，收集應(yīng)用程序執(zhí)行過(guò)程中生成的中間鍵值對(duì)的頻率特征，指導(dǎo)GPU上共享內(nèi)存資源的分配，以提

3、高共享內(nèi)存的緩存效果，減少全局內(nèi)存訪問(wèn)，從而提升線程在歸約計(jì)算過(guò)程中的訪存效率；引入CPU與GPU之間的異步數(shù)據(jù)傳輸機(jī)制，通過(guò)對(duì)原始輸入數(shù)據(jù)進(jìn)行分割，并在全局內(nèi)存上設(shè)置兩個(gè)輸入緩沖區(qū)，使用兩個(gè)GPU流實(shí)現(xiàn)了數(shù)據(jù)傳輸和GPU端計(jì)算的異步執(zhí)行，有效隱藏了I/O時(shí)間開(kāi)銷。
　　在Linux平臺(tái)和CUDA編程環(huán)境下，使用3個(gè)典型的MapReduce應(yīng)用Kmeans、Word Count和Page View Count進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表