基于CMP+GPU異構(gòu)計(jì)算系統(tǒng)的并行離散事件仿真優(yōu)化技術(shù)研究.pdf

1、隨著仿真應(yīng)用的不斷深入，仿真規(guī)模越來(lái)越大，模型越來(lái)越復(fù)雜，導(dǎo)致其對(duì)計(jì)算能力的需求越來(lái)越高，如何縮短仿真的運(yùn)行時(shí)間，滿足時(shí)效性的需求，是一個(gè)亟待研究的問(wèn)題。近年來(lái)，由CMP和GPU構(gòu)建的異構(gòu)計(jì)算系統(tǒng)，具有強(qiáng)大計(jì)算能力、低功耗以及可持續(xù)增長(zhǎng)等特點(diǎn)，正成為新一代高效能計(jì)算機(jī)發(fā)展的重要方向，同時(shí)也為加速仿真應(yīng)用帶來(lái)了重要的機(jī)遇。然而，當(dāng)前并行仿真系統(tǒng)多以傳統(tǒng)的共享存儲(chǔ)多處理機(jī)和集群為目標(biāo)體系結(jié)構(gòu)，難以針對(duì)多/眾核化、異構(gòu)化等特點(diǎn)有效利用CMP和

2、GPU的計(jì)算資源。因此，開(kāi)展基于CMP+GPU異構(gòu)計(jì)算系統(tǒng)的并行離散事件仿真優(yōu)化技術(shù)研究，對(duì)于充分利用計(jì)算資源、提高仿真運(yùn)行效率、滿足仿真時(shí)效性要求等具有十分重要的理論意義和實(shí)用價(jià)值。
　　論文針對(duì)當(dāng)前并行離散事件仿真存在的尚未充分發(fā)揮CMP的優(yōu)勢(shì)，難以有效支持基于GPU的離散事件仿真以及CMP+GPU協(xié)同效率低下等問(wèn)題，在深入分析處理器微體系結(jié)構(gòu)特點(diǎn)和離散事件仿真應(yīng)用特征的基礎(chǔ)上，對(duì)面向CMP的并行仿真內(nèi)核優(yōu)化、基于GPU的存儲(chǔ)

3、管理算法、時(shí)間管理算法以及CMP+GPU協(xié)同機(jī)制等進(jìn)行了深入研究，主要工作和創(chuàng)新點(diǎn)如下：
　?。?）提出了一種基于CMP的層次化并行仿真內(nèi)核模型。現(xiàn)有并行仿真內(nèi)核常常以多進(jìn)程方式使用多核資源，存在較大的同步和通信開(kāi)銷(xiāo)，無(wú)法深入發(fā)掘多核處理器潛能。針對(duì)這一問(wèn)題，提出了一種層次化并行仿真內(nèi)核模型HPSK，以多線程架構(gòu)進(jìn)行仿真調(diào)度和事件執(zhí)行，并重點(diǎn)對(duì)時(shí)間管理服務(wù)和事件管理服務(wù)進(jìn)行優(yōu)化：（i）基于混合時(shí)間推進(jìn)模式，提出最小發(fā)送時(shí)戳計(jì)算協(xié)議

4、。該協(xié)議將同步計(jì)算分割為預(yù)備態(tài)和計(jì)算態(tài)，由各個(gè)線程異步地參與時(shí)間同步計(jì)算，僅記錄發(fā)送到計(jì)算態(tài)消息的時(shí)戳，在確保正確性的前提下支持高效的時(shí)間同步。（ii）基于并行離散仿真事件交互的特點(diǎn)，提出無(wú)鎖創(chuàng)建，異步提交和指針通信的事件管理算法，以最小化線程之間的鎖開(kāi)銷(xiāo)和減少內(nèi)存的消耗。實(shí)驗(yàn)表明，采用上述優(yōu)化服務(wù)的HPSK具有很好的加速效果和可擴(kuò)展性。特別在事件局部率和前瞻值較低的情況下，可獲得相比于多進(jìn)程仿真內(nèi)核8x的相對(duì)加速比。
　?。?）

5、提出了一種基于GPU的并行離散事件仿真存儲(chǔ)管理算法?；贕PU的離散事件仿真中，存在動(dòng)態(tài)不規(guī)則的存儲(chǔ)空間需求，難以存儲(chǔ)于相對(duì)規(guī)則的GPU數(shù)據(jù)結(jié)構(gòu)中，且深度并發(fā)的存儲(chǔ)空間分配請(qǐng)求將導(dǎo)致大量的線程沖突，使得仿真事件的存儲(chǔ)管理十分困難。針對(duì)這一問(wèn)題，提出了一種基于入口映射的并行離散事件仿真存儲(chǔ)管理算法 AMM。AMM算法集成一個(gè)具有“單射”和“概率均等”特性的入口映射來(lái)控制線程訪問(wèn)存儲(chǔ)資源，“單射”特性保證每個(gè)線程分配到唯一的存儲(chǔ)空間訪問(wèn)入口

6、，支持深度并發(fā)的存儲(chǔ)空間分配請(qǐng)求；“概率均等”特性確保仿真事件均衡地存放在存儲(chǔ)空間中。實(shí)驗(yàn)表明，AMM算法能夠顯著降低存儲(chǔ)消耗和提高運(yùn)行效率。
　?。?）提出了一種基于GPU的并行離散事件仿真時(shí)間管理算法。GPU擁有數(shù)百個(gè)可并行處理的運(yùn)算單元，其性能高度依賴(lài)于并行度。但傳統(tǒng)的保守時(shí)間管理算法過(guò)于悲觀，極大地限制了可并行處理事件的數(shù)目，無(wú)法有效發(fā)掘 GPU性能。針對(duì)這一問(wèn)題，提出了一種基于擴(kuò)展輔助的保守時(shí)間管理算法ESCTM。算法利

7、用運(yùn)行時(shí)信息擴(kuò)展可安全執(zhí)行事件的時(shí)間界限以提高可并行執(zhí)行的事件數(shù)量，同時(shí)采用模擬退火算法動(dòng)態(tài)地調(diào)整參數(shù)來(lái)控制事件擴(kuò)展次數(shù)以避免過(guò)度擴(kuò)展，從而確保在不同條件下算法都能在高并行度和過(guò)度擴(kuò)展之間取得平衡。實(shí)驗(yàn)表明，相比傳統(tǒng)保守時(shí)間管理算法，ESCTM算法可獲得多達(dá)30％的性能提升。
　?。?）提出了面向并行離散事件仿真的CMP和GPU協(xié)同機(jī)制。GPU內(nèi)核函數(shù)需要由某個(gè)CPU線程（主機(jī)線程）來(lái)調(diào)度，容易加重該線程工作負(fù)載，造成CPU線程間

8、負(fù)載不均衡，且大量消息交互容易成為系統(tǒng)瓶頸，導(dǎo)致協(xié)同效率低下。針對(duì)這一問(wèn)題，提出了一種面向并行離散事件仿真的CMP和GPU協(xié)同機(jī)制CoopCG。該機(jī)制將事件處理任務(wù)和GPU調(diào)度任務(wù)分離，由各個(gè)CPU線程動(dòng)態(tài)地獲取GPU的控制權(quán)分擔(dān)負(fù)載，以實(shí)現(xiàn)CPU線程之間負(fù)載平衡；同時(shí)，通過(guò)二級(jí)緩存方法降低通信開(kāi)銷(xiāo)，由一級(jí)緩存處理高度并發(fā)的訪存操作，然后通過(guò)并行前綴和計(jì)算剔除無(wú)效數(shù)據(jù)后存入二級(jí)緩存進(jìn)行數(shù)據(jù)傳輸，可有效降低數(shù)據(jù)傳輸量。實(shí)驗(yàn)表明，CoopC

9、G能有效利用CMP和GPU資源，具有良好的可擴(kuò)展性。在4核CPU+GPU配置下，可獲得相比于單核CPU約24.87-67.34x的并行加速比。
　　在上述研究成果的基礎(chǔ)上，論文在課題組研制的YH-SUPE并行離散事件仿真支撐環(huán)境的基礎(chǔ)上，設(shè)計(jì)實(shí)現(xiàn)了一個(gè)支持 CMP+GPU異構(gòu)計(jì)算系統(tǒng)的并行仿真支撐環(huán)境 CGSUPE；通過(guò)人群暴動(dòng)模型對(duì)其進(jìn)行了綜合測(cè)試，結(jié)果表明論文提出的仿真優(yōu)化方法在4核CPU+1GPU配置下可獲得相比于4核CPU