[發(fā)明專利]一種基于CUDA的Gridding算法優(yōu)化方法及裝置

在審

• 申請?zhí)枺?/td>: 201910344869.0
• 申請日: 2019-04-26
• 公開（公告）號(hào): CN110187962A
• 公開（公告）日: 2019-08-30
• 發(fā)明（設(shè)計(jì)）人: 胡馨藝;趙亞群;趙志誠
• 申請（專利權(quán)）人: 中國人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)
• 主分類號(hào): G06F9/50
• 分類號(hào): G06F9/50;G06T1/20
• 代理公司: 鄭州大通專利商標(biāo)代理有限公司 41111
• 代理人: 陳勇

本發(fā)明涉及并行化技術(shù)領(lǐng)域，公開一種基于CUDA的Gridding算法優(yōu)化方法，包括：步驟1：根據(jù)Gridding算法中函數(shù)調(diào)用次數(shù)，得出調(diào)用次數(shù)最高的前M個(gè)函數(shù)；步驟2：通過矩陣矢量化方法，在CUDA中對所述M個(gè)函數(shù)進(jìn)行GPU并行化處理。本發(fā)明還公開一種基于CUDA的Gridding算法優(yōu)化裝置，包括：比較模塊和并行化模塊。本發(fā)明縮短了Gridding算法整體的運(yùn)算時(shí)間，提高了運(yùn)行效率，且不影響輸入輸出數(shù)據(jù)的格式和大小。

技術(shù)領(lǐng)域

本發(fā)明涉及并行化技術(shù)領(lǐng)域，特別涉及一種基于CUDA的Gridding算法優(yōu)化方法及裝置。

背景技術(shù)

天文學(xué)數(shù)據(jù)不管是在數(shù)據(jù)量，數(shù)據(jù)的復(fù)雜度還是數(shù)據(jù)增長的速度上都在以非常驚人的速度增長。在過去的幾十年里，研發(fā)的射電望遠(yuǎn)鏡在靈敏度、數(shù)據(jù)的質(zhì)量以及圖像分辨率方面都有很大的提升，望遠(yuǎn)鏡采集數(shù)據(jù)的速率非常大。SKA作為世界上最大綜合孔徑射電望遠(yuǎn)鏡，每秒采集的數(shù)據(jù)量計(jì)劃大于12Tb，相當(dāng)于2013年底中國互聯(lián)網(wǎng)國際出口帶寬的3.5倍，相當(dāng)于谷歌每年數(shù)據(jù)量的30倍。這樣的科學(xué)數(shù)據(jù)處理需要百億億次級(jí)別的超級(jí)計(jì)算機(jī)來完成，這個(gè)處理速度相當(dāng)于目前全球最快超級(jí)計(jì)算機(jī)天河2號(hào)性能的52倍，由于其本身對實(shí)時(shí)性有嚴(yán)格的要求，所以計(jì)算能力方面將面臨一個(gè)巨大的挑戰(zhàn)。就目前來說對計(jì)算能力以及處理速度在不斷地提高，通過傳統(tǒng)的提高CPU主頻來提高處理能力上受到集成電路的種種限制，在這種情況下，多核處理器應(yīng)運(yùn)而生并逐漸成為主流。目前，新集群采用多核解決面臨的計(jì)算問題。因此多核的CPU和多核加速器(如GPU、Cell/BE等)成為解決大量時(shí)效性數(shù)據(jù)的趨勢。

在天文成像過程中，網(wǎng)格化(Gridding)和去網(wǎng)格化(Degridding)是最耗時(shí)的兩個(gè)操作。如果處理的數(shù)據(jù)是EB量級(jí)或以上時(shí)，消耗的時(shí)間非常多不能通過調(diào)整計(jì)算機(jī)的性能來緩和。目前來說并行化算法是提高計(jì)算速度的一個(gè)重要途徑，也是射電天文數(shù)據(jù)處理的主要方式。傳統(tǒng)的網(wǎng)格化一般都是在CPU上運(yùn)行，使得加速器在每一個(gè)浮點(diǎn)上的帶寬變得很小，應(yīng)用的時(shí)效性降低。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有的網(wǎng)格化算法應(yīng)用時(shí)效性低的問題，提出了一種基于CUDA的Gridding算法優(yōu)化方法及裝置。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種基于CUDA的Gridding算法優(yōu)化方法，包括：

步驟1：根據(jù)Gridding算法中函數(shù)調(diào)用次數(shù)，得出調(diào)用次數(shù)最高的前M個(gè)函數(shù)；

步驟2：通過矩陣矢量化方法，在CUDA中對所述M個(gè)函數(shù)進(jìn)行GPU并行化處理。

進(jìn)一步地，在所述步驟1之后，還包括：

在CUDA中實(shí)現(xiàn)基于GPU的Gridding算法，替換ARL算法庫中的Gridding算法。

進(jìn)一步地，所述步驟2包括：

步驟2.1：對需要進(jìn)行GPU并行化處理的所述M個(gè)函數(shù)，在顯存上分配數(shù)組；

步驟2.2：將需處理的數(shù)據(jù)從內(nèi)存?zhèn)鬏數(shù)斤@存；

步驟2.3：劃分塊和線程，確定線程結(jié)構(gòu)；

步驟2.4：執(zhí)行核函數(shù)，所述核函數(shù)包括初始化GCF函數(shù)和GPU下的Gridding算法；

步驟2.5：將執(zhí)行結(jié)果從顯存復(fù)制回內(nèi)存。

一種基于CUDA的Gridding算法優(yōu)化裝置，包括：

比較模塊，用于根據(jù)Gridding算法中函數(shù)調(diào)用次數(shù)，得出調(diào)用次數(shù)最高的前M個(gè)函數(shù)；

并行化模塊，用于在CUDA中對所述M個(gè)函數(shù)進(jìn)行GPU并行化處理。

進(jìn)一步地，還包括：