[发明专利]一种基于CUDA与OpenMP的三维Kriging算法协同加速方法

说明书

本发明公开了一种基于CUDA与OpenMP的三维Kriging算法协同加速技术。其包括以下基本步骤：构建KD树搜索结构，计算带插值点坐标，OpenMP并行搜索，CUDA并发流异步构造克里金方程并求解最终结果。本发明的有益效果是：可充分利用CPU与GPU的计算资源，使得插值过程中GPU与CPU计算部分异步执行，具有快速、高效的优点；同时，当更多的变差模型参与计算时，本发明具有更好的加速效果。

技术领域

本发明属于异构并行计算领域，主要是三维Kriging插值并行计算

背景技术

Kriging插值算法基于最优线性无偏估计的插值算法，是一系列从协方差的先验模型中确定最小化估计方差的广义线性回归技术的集合，广泛应用于地质矿产、石油地质与煤田地质勘探与开发等领域。这种算法插值效果优异，但其缺点是计算复杂，需要非常多的计算时间，在高精度，实时要求性较强的应用场合中存在明显不足。实际应用中虽然一般要借助于计算机进行计算，但现有地学软件中的Kriging插值算法模块开发时间较早，多是运行在桌面端的单核CPU上的串行算法，未能适应目前最新的计算技术与充分发挥当前主流计算设备的潜力。现如今，具有数量众多计算单元与强大的并行计算能力的GPGPU逐渐成为高性能并行计算的首选设备。许多个人计算机、计算集群都配有GPU。2006年显卡厂商NVIDIA推出了CUDA并行计算架构，该架构规范了一种并行计算机制，屏蔽了不同它所生产的GPU在硬件配置上的差异，使得在该架构下编写的代码能在不同的GPU上运行。支持CUDA的GPU销量已逾1亿，基于CUDA的GPU的高性能计算已经成为研究人员在进行超高速数据处理时热衷的技术手段，许多软件开发人员正在CUDA框架下来解决各种专业问题。这些应用程序从视频与音频处理和物理效果模拟到石油天然气勘探、产品设计、医学成像等涵盖了各个领域。它极大的推动了相关研究与工程的进步。就已有的并行Kriging插值算法而言，多是CPU与GPU协同完成整个计算流程，且将过多的计算任务分配到CPU，依赖于GPU平台上的线性代数库完成最终系数的计算，在设备层面上的并行程度远远不够，在设备的利用率上也是如此，而且当面临多变差模型复杂地质建模时，计算效率存在明显的不足。

发明内容

本专利提出一种基于CUDA与OpenMP的三维Kriging算法协同加速技术。本专利的特点是运用CUDA并发流与OpenMP的并行机制进行协同计算，充分利用设备计算资源使得算法的计算效率达到最大化，能在多变差模型地质建模中取得十分优异的性能提升。本发明旨在充分利用CPU与GPU的计算资源，针对三维Kriging算法的近邻搜索，方程构造等计算密集阶段实现对三维Kriging算法的快速计算。

该技术的核心思想是使用OpenMP并行技术在CPU端通过KD树进行近邻搜索，在GPU端通过启动大量线程进行方程求解，并通过分批次处理与CUDA并发流的机制使得设备端与主机端的计算异步执行。本发明技术作为一种异构并行计算方案，方法流程包括：

步骤1：获取原始三维空间属性数据(四维向量)，对其过滤或者变换后，通过建立KD树这种数据结构来组织这些数据。

步骤2：根据三维Kriging算法的必要条件，确定插值范围与分辨率、搜索椭球，变差模型套合结构、近邻点数量限制等相关参数，以及用于计算资源的相关控制参数，包括对插值计算的迭代次数，用于KD树近邻搜索的OpenMP线程数量，CUDA并发流数量等参数。并完成计算与存储资源的初始化。

步骤3：根据迭代次数进行分批次计算，在每个批次中，根据OpenMP线程数量，在每个线程中的计算过程如下：

步骤3.1：利用KD树进行近邻搜索，其中距离的计算采用如公式(1)所示：

其中搜索椭球的相关参数确定了一个矩阵，如式中矩阵，dx,dy,dz为近邻点与待插值点的距离向量，通过比较h与椭球长轴的大小，确定该点是否属于落入椭球中的近邻点。