近年來,GPU(Graphics Processing Unit)并行計(jì)算技術(shù)已成為高性能計(jì)算(High Performance Computing,HPC)領(lǐng)域的研究熱點(diǎn)。GPU硬件具有強(qiáng)大的浮點(diǎn)計(jì)算能力,為大型科學(xué)計(jì)算和工程計(jì)算問題提供了良好的支撐。目前,除了傳統(tǒng)高性能計(jì)算應(yīng)用以外,新興高性能計(jì)算應(yīng)用的需求也在增長。在用戶服務(wù)方面,高性能計(jì)算面臨著諸多問題:如何向用戶提供靈活的服務(wù)模式,使用戶能夠自主管理計(jì)算資源;如何向用戶提供可動態(tài)伸縮的計(jì)算資源,提升高性能計(jì)算設(shè)備的利用率。作為一種基于云計(jì)算的高性能計(jì)算資源管理和服務(wù)模式,高性能計(jì)算云能夠解決傳統(tǒng)高性能計(jì)算中所面臨的用戶服務(wù)方面的問題。高性能計(jì)算云和GPU并行計(jì)算是當(dāng)前計(jì)算機(jī)應(yīng)用技術(shù)的兩個(gè)熱點(diǎn)研究領(lǐng)域。這兩個(gè)研究熱點(diǎn)的結(jié)合部分是關(guān)于高性能計(jì)算云環(huán)境下GPU并行計(jì)算技術(shù)研究以及相關(guān)應(yīng)用,但該部分的研究還處于起步階段。云環(huán)境下GPU計(jì)算資源的調(diào)度管理,以及GPU計(jì)算通信的性能損失對高性能計(jì)算云中GPU并行計(jì)算技術(shù)的研究提出了極大的挑戰(zhàn)。因此需要針對該類高性能計(jì)算云,開展GPU計(jì)算技術(shù)研究,從而為未來搭建基于GPU的大型高性能計(jì)算云平...

【文章頁數(shù)】：137 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
        1.1.1 GPU高性能計(jì)算概述
        1.1.2 云計(jì)算概述
        1.1.3 高性能計(jì)算云概述
        1.1.4 高性能計(jì)算云環(huán)境下GPU計(jì)算面臨挑戰(zhàn)
    1.2 研究動機(jī)
    1.3 研究內(nèi)容和創(chuàng)新點(diǎn)
        1.3.1 研究內(nèi)容
        1.3.2 論文創(chuàng)新點(diǎn)
    1.4 論文結(jié)構(gòu)
第二章 國內(nèi)外相關(guān)研究工作及分析
    2.1 高性能計(jì)算云及其應(yīng)用
        2.1.1 高性能計(jì)算與云計(jì)算之間的差異
        2.1.2 高性能計(jì)算云研究現(xiàn)狀
        2.1.3 高性能計(jì)算云的應(yīng)用
    2.2 基于GPU的高性能計(jì)算云及關(guān)鍵技術(shù)
        2.2.1 高性能計(jì)算云中的虛擬化技術(shù)
        2.2.2 GPU虛擬化技術(shù)
        2.2.3 云計(jì)算中資源調(diào)度策略
        2.2.4 GPU計(jì)算資源調(diào)度策略
    2.3 本章總結(jié)
第三章 高性能計(jì)算云環(huán)境下多GPU計(jì)算資源調(diào)度機(jī)制
    3.1 引言
    3.2 建模和問題描述
        3.2.1 GPU計(jì)算資源模型
        3.2.2 多GPU計(jì)算任務(wù)模型
        3.2.3 問題分析
    3.3 系統(tǒng)架構(gòu)
    3.4 調(diào)度機(jī)制描述
        3.4.1 多GPU負(fù)載模型
        3.4.2 基于樹型結(jié)構(gòu)的GPU資源分布式檢索算法
    3.5 實(shí)驗(yàn)結(jié)果及性能分析
        3.5.1 實(shí)驗(yàn)環(huán)境和設(shè)置
        3.5.2 資源利用率分析
        3.5.3 服務(wù)請求分析
        3.5.4 服務(wù)質(zhì)量分析
    3.6 本章小結(jié)
第四章 高性能計(jì)算云環(huán)境下GPU通信機(jī)制研究
    4.1 引言
    4.2 高性能計(jì)算云環(huán)境下多GPU通信相關(guān)技術(shù)
        4.2.1 GPU內(nèi)線程通信
        4.2.2 多GPU通信接口
        4.2.3 云環(huán)境下虛擬機(jī)的計(jì)算通信
    4.3 一種高性能計(jì)算云環(huán)境下GPU計(jì)算低延遲通信
        4.3.1 云平臺中GPU計(jì)算通信分析
        4.3.2 改進(jìn)的GPU計(jì)算低延遲通信策略
        4.3.3 實(shí)時(shí)數(shù)據(jù)高復(fù)用策略
    4.4 實(shí)驗(yàn)結(jié)果及性能分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 有效性分析
        4.4.3 可擴(kuò)展性分析
        4.4.4 數(shù)據(jù)松耦合交互應(yīng)用測試
        4.4.5 數(shù)據(jù)緊耦合交互應(yīng)用測試
    4.5 本章小結(jié)
第五章 基于GPU的量子搜索算法仿真研究
    5.1 引言
    5.2 量子計(jì)算的疊加性及量子搜索算法特點(diǎn)
    5.3 一種壓縮存儲的量子搜索算法仿真
        5.3.1 相關(guān)數(shù)據(jù)結(jié)構(gòu)
        5.3.2 算法仿真工作流
        5.3.3 存儲壓縮優(yōu)化
        5.3.4 存儲訪問優(yōu)化
        5.3.5 實(shí)驗(yàn)數(shù)據(jù)與分析
    5.4 通用量子搜索算法仿真
        5.4.1 量子疊加性仿真
        5.4.2 中間變量仿真
        5.4.3 存儲訪問優(yōu)化
        5.4.4 實(shí)驗(yàn)結(jié)果
    5.5 本章小結(jié)
第六章 基于GPU的三維斷層成像重構(gòu)研究
    6.1 引言
    6.2 基于輸入-輸出混合（HIO）算法的三維斷層成像重構(gòu)
        6.2.1 混合型的輸入-輸出混合（HIO）算法
        6.2.2 三維空間下的采樣方案
        6.2.3 非對稱空間下的二維傅里葉變換
        6.2.4 一種圓柱型的三維傅里葉變換
    6.3 非對稱傅里葉變換（NFT）的并行化策略
        6.3.1 輸入驅(qū)動方法下的數(shù)據(jù)集壓縮
        6.3.2 存儲訪問優(yōu)化
        6.3.3 聚集狀采樣點(diǎn)下的負(fù)載平衡策略
    6.4 基于GPU的三維重構(gòu)算法并行化方法
        6.4.1 三維CFT計(jì)算
        6.4.2 GPU中的計(jì)算流程
    6.5 數(shù)值實(shí)驗(yàn)及分析
        6.5.1 單精度下的NFT性能分析
        6.5.2 雙精度下的NFT中卷積步驟的性能分析
        6.5.3 三維輸入-輸出混合（HIO）算法的性能分析
        6.5.4 可用性測試
    6.6 本章小結(jié)
第七章 結(jié)論與展望
    7.1 論文研究工作總結(jié)
    7.2 進(jìn)一步工作展望
參考文獻(xiàn)
致謝
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文



本文編號：3944072