[发明专利]一种自动配置GPU扩展箱的方法

说明书

本发明涉及配置GPU扩展箱技术领域，具体地说，涉及一种自动配置GPU扩展箱的方法。其方法步骤如下：数据流挖掘：采用CUDA计算模型对数据流进行挖掘，拓扑优化：采用BESO算法软删除的方式实现单元的增减，并行计算：在预处理阶段进行显存空间分配，并将计算模型信息从主机复制到设备，然后采用异步执行的方式进行数据传输，数值检测：采用二维和三维结构优化检测试精度和计算效率，本发明可以在对GPU扩展箱与CPU之间配置时，可以在保证计算精度的前提下，极大的提高二维和三维拓扑优化问题的计算效率，配置的准确性和配置效率高。

技术领域

本发明涉及配置GPU扩展箱技术领域，具体地说，涉及一种自动配置GPU扩展箱的方法。

背景技术

将多个GPU集成到一个扩展箱内，形成GPU扩展箱，从而实现GPU资源的池化，便于GPU资源的调度，GPU和CPU之间通过PCIE接口连接的方式就是GPU扩展箱的连接拓扑，实际应用中，在进行GPU配置时，多GPU设计就是会使服务器变得比较庞大，而且和其他标卡设计兼容性不好，同样这样PCIE结构就会成为GPU之间数据交换处理的瓶颈，严重影响多GPU架构下多GPU的性能发挥，但是，传统的并行计算方法的硬件昂贵，编程和软件操作也需要专业化的技能，不利于推广使用，同时配置容易出现GPU扩展箱配置误差，配置的准确性和配置效率不够高，从而影响计算机的性能，随着图形处理器( GPU)技术的快速发展，当前GPU已经发展成为具有极高并行计算能力的通用并行处理器，这使得基于GPU的通用计算技术( GPGPU)硬件成本且实现容易，逐步成为了近几年的一个研究热点，但是这导致大规模的拓扑优化问题会产生庞大的计算量，常规的计算将十分耗时，极大的限制了拓扑优化方法，鉴于此，我们提出一种自动配置GPU扩展箱的方法。

发明内容

本发明的目的在于提供一种自动配置GPU扩展箱的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供一种自动配置GPU扩展箱的方法，其方法步骤如下：

S1、数据流挖掘：采用CUDA计算模型对数据流进行挖掘；

S2、拓扑优化：采用BESO算法软删除的方式实现单元的增减，不会真正的删除单元，保证了迭代过程中有限元模型的统一性，具有很好的并行性；

S3、并行计算：在预处理阶段进行显存空间分配，并将计算模型信息从主机复制到设备，然后采用异步执行的方式进行数据传输配置，有利于减少中间结果数据输出对程序执行效率的影响；

S4、数值检测：采用二维和三维结构优化检测试精度和计算效率。

作为本技术方案的进一步改进，所述S1中的CUDA计算模型采用数据流分位数并行算法。

作为本技术方案的进一步改进，所述数据流分位数并行算法包括以下步骤：

①、初始化，分配主机缓冲区和设备内存；

②、从数据流源中获取并向设备交换一块数据；

③、启动设备内核，执行数据流分位数并行计算子算法GPUQuantilesHistogram；

代码如下：FOR elements in block B

IFB[i]maxorB[i]min

Normalize B[ i]into [ min, max] ENDIF

intj = GpuHash( B[ i])

SynopsisHist[j] ++;

④、更新基本窗口、删除过期基本窗口；

⑤、如果接到On-time查询请求，执行数据流分位数并行查询子算法GPUQuantilesQuery；

代码如下：sharedMem[ tid] = source[ index]

int tid = threadldx. x//对于块内每个线程

for(len1; len0;len =1){ //b len次迭代完成求和