隨著機(jī)器學(xué)習(xí)、多媒體等技術(shù)在新興的自動(dòng)駕駛和邊緣計(jì)算領(lǐng)域的廣泛應(yīng)用,應(yīng)用程序?qū)τ?jì)算能力的需求越來(lái)越強(qiáng)烈。GPU廣泛的普及極大緩解后摩爾定律時(shí)代中應(yīng)用程序日漸增長(zhǎng)的計(jì)算離需求和緩慢發(fā)展的計(jì)算機(jī)硬件之間的沖突。諸如自動(dòng)駕駛等實(shí)時(shí)系統(tǒng)中也開(kāi)始大量使用GPU作為協(xié)處理器增加計(jì)算效率,因此GPU上實(shí)時(shí)任務(wù)調(diào)度研究受到工業(yè)界和學(xué)術(shù)界關(guān)注。盡管NVIDIA公司在帕斯卡架構(gòu)以及之后的架構(gòu)提供了中斷功能,但是并不支持基于優(yōu)先級(jí)的調(diào)度。此外GPU上傳統(tǒng)的最早截止時(shí)間優(yōu)先（Earliest Deadline First,EDF）調(diào)度并未考慮到GPU中單個(gè)流處理器內(nèi)部的資源利用情況,往往高優(yōu)先級(jí)任務(wù)長(zhǎng)時(shí)間獨(dú)占GPU,對(duì)整個(gè)系統(tǒng)調(diào)度的性能產(chǎn)生影響。而GPU中單個(gè)流處理器上能夠并行運(yùn)行多個(gè)應(yīng)用的機(jī)制給增加GPU上實(shí)時(shí)調(diào)度效率提供了機(jī)會(huì)。本文探索了基于空間共享的EDF調(diào)度策略,設(shè)計(jì)了自動(dòng)化地以EDF為規(guī)則的空間共享任務(wù)調(diào)度框架。通過(guò)使用馬爾科夫鏈,利用應(yīng)用的訪存指令比例和訪存延遲,靜態(tài)地計(jì)算兩個(gè)并行執(zhí)行的應(yīng)用在使用不同資源時(shí)的相互影響,結(jié)合實(shí)際測(cè)試得到最壞執(zhí)行IPC（Instruction Per Clock,即C... 

【文章來(lái)源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 GPU資源分配優(yōu)化
        1.2.2 GPU多任務(wù)調(diào)度
        1.2.3 GPU實(shí)時(shí)調(diào)度
    1.3 本文的主要工作
    1.4 論文的章節(jié)安排
第2章 相關(guān)背景
    2.1 GPU硬件架構(gòu)
    2.2 GPU編程模型
    2.3 GPU任務(wù)調(diào)度策略
    2.4 持久化線程技術(shù)
    2.5 本章小結(jié)
第3章 并行任務(wù)性能分析
    3.1 非線性的任務(wù)-資源關(guān)系分析
    3.2 基于資源共享的搶占調(diào)度
    3.3 并行任務(wù)的性能競(jìng)爭(zhēng)
    3.4 本章小結(jié)
第4章 調(diào)度框架設(shè)計(jì)
    4.1 相關(guān)假設(shè)
    4.2 靜態(tài)分析階段
        4.2.1 kernel轉(zhuǎn)換和分析
        4.2.2 性能估計(jì)器
    4.3 動(dòng)態(tài)運(yùn)行階段
    4.4 本章小結(jié)
第5章 實(shí)驗(yàn)環(huán)境及結(jié)果分析
    5.1 實(shí)驗(yàn)環(huán)境配置
    5.2 實(shí)驗(yàn)任務(wù)集
    5.3 實(shí)驗(yàn)結(jié)果分析
        5.3.1 性能比較
        5.3.2 開(kāi)銷(xiāo)分析
        5.3.3 性能估計(jì)模型準(zhǔn)確性分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
學(xué)位論文評(píng)閱及答辯情況表


【參考文獻(xiàn)】：
期刊論文
[1]一種面向高性能計(jì)算的性能分析工具設(shè)計(jì)與實(shí)現(xiàn)[J]. 張?zhí)祺?  現(xiàn)代計(jì)算機(jī). 2019(16)
[2]基于異構(gòu)多核系統(tǒng)的混合關(guān)鍵任務(wù)調(diào)度算法[J]. 趙瑞姣,朱怡安,李聯(lián).  計(jì)算機(jī)工程. 2018(02)
[3]嵌入式GPU中二級(jí)高速緩存的設(shè)計(jì)與實(shí)現(xiàn)[J]. 杜慧敏,楊超群,季凱柏.  微電子學(xué)與計(jì)算機(jī). 2018(02)
[4]面向存儲(chǔ)層次設(shè)計(jì)優(yōu)化的GPU程序性能分析[J]. 唐滔,彭林,黃春,楊燦群.  計(jì)算機(jī)科學(xué). 2017(12)
[5]一種微處理器二級(jí)Cache的優(yōu)化設(shè)計(jì)[J]. 王思瑤,樊曉椏,肖楠.  科學(xué)技術(shù)與工程. 2008(09)
[6]軟硬件協(xié)同設(shè)計(jì)環(huán)境中性能分析工具的研究與實(shí)現(xiàn)[J]. 程煊,欒靜,顧君忠.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2005(11)

碩士論文
[1]基于異構(gòu)多處理器的關(guān)鍵任務(wù)調(diào)度平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 劉慕寒.哈爾濱工業(yè)大學(xué) 2019
[2]基于近似計(jì)算的GPU并行度提升方法[D]. 郝岳明.山東大學(xué) 2019
[3]基于嵌入式異構(gòu)GPU平臺(tái)的實(shí)時(shí)目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì)[D]. 柳佳園.山東大學(xué) 2019
[4]GPU的資源與性能優(yōu)化策略研究[D]. 楊偉光.大連理工大學(xué) 2018
[5]基于YARN的GPU調(diào)度支持及調(diào)度策略研究[D]. 董輝.電子科技大學(xué) 2018



本文編號(hào)：3207434