检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

一类异构众核芯片低功耗调度算法研究

一类异构众核芯片低功耗调度算法研究

作者：安萌萌湖南大学

学位级别：硕士

随着半导体技术的持续高速发展,众核芯片内部可集成上百个处理器内核。多核或众核芯片在提供硬件资源更多并行性的同时,也使其任务调度和资源管理成为充分发挥和提升计算效能的关键问题。此外,“绿色计算”已成为信息技术领域的重要研... 详细信息

随着半导体技术的持续高速发展,众核芯片内部可集成上百个处理器内核。多核或众核芯片在提供硬件资源更多并行性的同时,也使其任务调度和资源管理成为充分发挥和提升计算效能的关键问题。此外,“绿色计算”已成为信息技术领域的重要研究方向。从超级计算系统到桌面计算机、再到种类繁多的智能计算终端,如何控制和降低它们的功耗、优化与提升计算效率已经成为一个无法回避的问题。众核芯片处理器内核数量多,需要在提升总体性能和降低功耗两个方面进行仔细的权衡。如何通过合理调度应用负载来提高计算性能,并尽可能降低众核芯片的功耗是本文关注的重点。有向无环图DAG(Directed Acyclic Graph)和条件任务图CTG(Conditional Task Graph)可以对相应不同应用特点的计算任务进行建模。本文针对基于DAG和CTG两种任务模型下的异构众核芯片低功耗调度算法进行研究,主要做了如下研究工作:在以DAG为应用模型的异构多处理器调度中,将特定任务复制到多个处理器节点上执行的任务复制策略可以减少多处理器系统上程序的完成时间。已有的DAG低功耗调度算法在调度过程中一般通过协同考虑应用的执行时间和功耗两个指标来减少整个多处理器系统的功耗。结合任务复制和已有DAG调度算法,本文提出了一个基于复制的异构众核芯片中功耗感知DAG调度算法。该算法以网格结构的异构众核芯片为系统平台,在调度过程中均等考虑应用的执行时间和功耗两个指标对于系统性能的影响,通过引入任务复制策略减少了任务间通信带来的延迟和功耗开销,从而达到降低应用完成时间和减少功耗的目的。模拟实验表明,本文提出的算法有效的提高了应用程序的性能、降低了系统的功耗。在以CTG为模型的多处理器任务调度研究中,研究者主要以功耗为优化目标。本文提出了面向CTG任务模型的多处理器层次化任务调度算法。该算法分为两个阶段:第一阶段通过分簇减少任务间的通信开销、进一步在分簇的基础上进行负载均衡从而优化任务的完成时间;第二阶段寻找在处理器执行过程中的处理器空闲时间,找到在空闲时间前后执行的任务中符合延展执行(延长任务执行的时间)这一条件的任务,在保证应用完成时间的情况下,对这些任务进行降压降频操作,使任务延展执行来减少任务执行阶段的功耗,最终达到既保证调度长度,也降低功耗的目的。实验中使用随机生成的CTG来进行模拟实验,结果表明本文提出的CTG低功耗调度不仅降低了总体调度长度,也相对降低了系统的功耗。

关键词：众核芯片低功耗调度 DAG调度 CTG调度

LQCD Dslash在神威·太湖之光上的研究分析与MPI实现

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机科学与探索 2019年第10期13卷 1664-1676页

作者：张淼周宇陈建海何钦铭徐顺宫明浙江大学计算机科学与技术学院杭州310012 中国科学院计算机网络信息中心北京100190 中国科学院高能物理研究所北京100049

“神威·太湖之光”是我国全自主研发的千万核超级计算机,目前已有很多大型应用程序在此先进架构上进行了移植优化。然而,高能物理领域的格点量子色动力学(LQCD)数值模拟软件在神威平台上尚未进行过移植优化,这引起了科学工作者们的关... 详细信息

“神威·太湖之光”是我国全自主研发的千万核超级计算机,目前已有很多大型应用程序在此先进架构上进行了移植优化。然而,高能物理领域的格点量子色动力学(LQCD)数值模拟软件在神威平台上尚未进行过移植优化,这引起了科学工作者们的关注。针对LQCD在神威平台上的移植优化问题展开研究。首先,论述了国内外对LQCD在不同硬件架构上进行并行优化的发展历程。其次,通过对其热点模块Dslash的重构,实现了在神威平台上的成功移植。再次,针对申威26010芯片异构众核的架构和并行模式,实现了从核阵列异构并行、从核本地设备存储器(LDM)与主存之间的直接存储访问(DMA)通讯、主核之间的消息传递接口(MPI)通讯及全局归约等操作。最后,经过实验测试,单核组优化程序与16核组优化程序相比单主核程序分别获得了165倍和25倍的加速比,并发现了一些重要的性能瓶颈问题,为进一步优化提升整体效率奠定重要基础。同时,对国产超算平台的推广使用具有积极意义。

关键词：格点量子色动力学(LQCD) Dslash 消息传递接口(MPI) 神威·太湖之光众核芯片

基于温度感知任务调度的3D NoC混合拓扑结构

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2017年第8期34卷 2395-2398页

作者：冯申杰李冰程良伦广东工业大学计算机学院广州510006 华南理工大学软件学院广州510006

3D NoC较高的功率密度容易造成温度过高,对系统性能和芯片可靠性造成负面影响。利用温度感知任务调度来控制节点温度的思路是在运行时把"热"节点上的任务迁移到"冷"节点上,这不可避免会出现迁移之后任务间通信距离变大进而影响整体性能... 详细信息

3D NoC较高的功率密度容易造成温度过高,对系统性能和芯片可靠性造成负面影响。利用温度感知任务调度来控制节点温度的思路是在运行时把"热"节点上的任务迁移到"冷"节点上,这不可避免会出现迁移之后任务间通信距离变大进而影响整体性能。因此,在任务调度的过程中保持通信开销已经成为迫切需求。提出了分层次的ring/mesh混合拓扑结构RMH,可以在任务迁移的同时保持原来较小的通信延迟。仿真结果表明,相比于3D NoC拓扑结构,RMH拓扑可以有效缓解散热问题,并且平均减少31.1%的网络延迟。

关键词：众核芯片片上网络任务调度三维混合拓扑

在线全文

学校读者我要写书评

暂无评论

一种实时细颗粒度片上网络功率分配方法

计算机应用研究 2016年第8期33卷 2358-2362页

作者：饶东宁李建华广东工业大学计算机学院广州510006

片上网络(No C)不仅直接影响众核芯片的性能,而且消耗了芯片部分功率,在给定功率条件下使得片上网络的性能最优已经成为迫切需求。片上网络中路由器的工作负载(包的到达率)差异很大,需要对每一个路由器进行异构调整功率才能得到很好的... 详细信息

片上网络(No C)不仅直接影响众核芯片的性能,而且消耗了芯片部分功率,在给定功率条件下使得片上网络的性能最优已经成为迫切需求。片上网络中路由器的工作负载(包的到达率)差异很大,需要对每一个路由器进行异构调整功率才能得到很好的性能。为此,针对如何在给定功率条件下优化No C性能进行了研究,提出了一个实时细颗粒度的功率分配方法,它能够根据每一个路由器的工作负载实时快速地分配功率,实现片上网络性能最优。实验结果表明相比其他功率分配方法,该方法平均减少26.1%的应用执行时间且具有较低的硬件开销。

关键词：众核芯片片上网络功率受限性能最优功率分配

基于深度学习的计算图物理布局算法的研究与实现

在线全文

学校读者我要写书评

暂无评论

基于深度学习的计算图物理布局算法的研究与实现

作者：李莹北京邮电大学

学位级别：硕士

深度学习技术在图像、语音、自然语言处理等领域得到了广泛应用。随着神经网络规模和数据集规模的不断扩大,如何提高神经网络模型的运行效率成为了一个巨大的挑战。近年来,基于流水线并行模式的众核人工智能芯片的出现,为解决这一问题... 详细信息

深度学习技术在图像、语音、自然语言处理等领域得到了广泛应用。随着神经网络规模和数据集规模的不断扩大,如何提高神经网络模型的运行效率成为了一个巨大的挑战。近年来,基于流水线并行模式的众核人工智能芯片的出现,为解决这一问题提供了有效的方案。如何将神经网络模型部署到众核人工智能芯片的物理核上,成为一个有价值的研究问题。而该问题的核心是神经网络模型的计算图表示如何在众核布局。本文主要研究计算图划分后的子图在众核上的布局,以减少核间的通信代价。本文首先将计算图布局问题抽象成一个马尔科夫决策过程,分别设计了基于REINFORCE、DQN、PPO等深度强化学习方法的布局算法用于优化决策过程,完成了小规模众核芯片上的高质量布局。其次,针对上述三种算法在大规模芯片上表现较差的局限性,本文设计了基于异步架构Ape-X的改进布局算法和基于异步架构APPO的改进布局算法,并尝试了单机多卡的分布式训练。最后,基于计算图布局算法研究成果,本文开发了计算图物理核布局原型系统,实现了布局模型训练、布局方案生成和展示布局结果的功能。本文的主要贡献和创新如下:(1)定义了一种针对计算图物理核布局问题的环境描述方式,并针对布局环境中不可重复选择同一核的特点,设计了根据CORES-MASK向量动态更新可选动作范围的动作约束策略;(2)通过异步架构下的多智能体并行采样,有效增大了数据的随机性和丰富度,提高了训练过程中奖励值的上限。解决了单智能体采样模式下难以有效学习的局限性;(3)提出了基于奖励值的两极优先采样算法,以每一条轨迹的奖励值作为该条数据的优先级对数据进行排序,并在训练过程中按照优先级从两端抽取数据,从而更大限度地提高高奖励动作被选择的概率以及降低低奖励动作被选择的概率。实验结果显示,此采样算法有效改善了基于APPO的改进布局算法在训练过程中早期奖励值上升缓慢的现象,也提升了模型最终的收敛效果。

关键词：计算图布局深度强化学习众核芯片异步采样