在當前的工業(yè)界,GPU程序的開發(fā)和維護已經(jīng)成為了重要的新平臺。機器學習的任務在GPU平臺上能夠獲得更加優(yōu)秀的效果。CUDA(Computer Unified Device Architecture)是n Vidia開發(fā)的一個GPU計算平臺。雖然CUDA已成為通用GPU計算的主要并行計算平臺和編程模型,但CUDA引發(fā)的錯誤模式尚未有成熟的自動化解決方案。在此篇論文中,我們將提出一個輕量級的CUDA并發(fā)錯誤檢測工具Simulee,通過自動生成觸發(fā)內(nèi)存訪問的輸入,追蹤并分析實際被執(zhí)行的CUDA程序語句序列,并基于該序列,收集不同線程的內(nèi)存訪問信息并做出是否存在并發(fā)錯誤的判斷。為了從效能和效率兩個維度評價Simulee的性能,本文還從Github上選擇了7個流行的CUDA相關(guān)項目,來作為測試的對象。實驗結(jié)果證明,Simulee可以從24個手動分析的并發(fā)bug中成功檢測21個出來,同時還檢測出了24個尚未發(fā)現(xiàn)的并發(fā)錯誤bug,其中的10個已經(jīng)被開發(fā)者確認。與此同時,Simulee在檢測中體現(xiàn)的性能都顯著強于已知的CUDA并發(fā)錯誤檢測的方案。 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

CUDA核函數(shù)并行計算機

中看出，“if”圖1-2寫寫沖突

哈爾濱工業(yè)大學工程碩士學位論文-4-能。圖1-3展示了一個來自Github項目arrayfire中的修復補�？梢杂^察到，在這個程序里，Block被定義為一維，因此，“tid”的值僅由“threadIdx.x”指定，又因為Block為一維，所以這表示“tid”在同一個塊的不同線程之間是相同的。因此，只能通過一個線程訪問“s_median[tid]”和“s_idx[tid]”，從而導致第4行中出現(xiàn)冗余的屏障函數(shù)，因為刪除該屏障函數(shù)后，“s_median”或“s_idx”中沒有數(shù)據(jù)競爭，也就不會發(fā)生任何并發(fā)錯誤。當同一個Block內(nèi)的線程，一個屏障函數(shù)對于一部分線程可達而對于另一部分線程不可達，或者一部分線程已經(jīng)結(jié)束而另一部分線程有執(zhí)行道這個屏障函數(shù)，則稱之為屏障分化。圖1-4展示了一個同樣來自Github的CUDA項目arrayfire，修復一個屏障分化的代碼。從圖1-4中可以看出，開發(fā)人員通過將“__syncthreads()”語句移到給定分支之外，確保同一Block中的所有線程在內(nèi)核函數(shù)的每個執(zhí)行過程中都達到相同的屏障函數(shù)。否則，將會出現(xiàn)未定義行為。圖1-3冗余的屏障函數(shù)圖1-4屏障分化

【參考文獻】：
期刊論文
[1]多核多線程技術(shù)綜述[J]. 眭俊華,劉慧娜,王建鑫,秦慶旺.  計算機應用. 2013(S1)
[2]CPU/GPU協(xié)同并行計算研究綜述[J]. 盧風順,宋君強,銀�？�,張理論.  計算機科學. 2011(03)
[3]多線程技術(shù)及其應用的研究[J]. 伍光勝,宋信忠,鄭明輝.  計算機應用研究. 2001(01)



本文編號：2947877