CN103279446A - 一种利用cpu+gpu+mic异构混合计算的多平台*** - Google Patents
一种利用cpu+gpu+mic异构混合计算的多平台*** Download PDFInfo
- Publication number
- CN103279446A CN103279446A CN 201310229342 CN201310229342A CN103279446A CN 103279446 A CN103279446 A CN 103279446A CN 201310229342 CN201310229342 CN 201310229342 CN 201310229342 A CN201310229342 A CN 201310229342A CN 103279446 A CN103279446 A CN 103279446A
- Authority
- CN
- China
- Prior art keywords
- gpu
- cpu
- mic
- performance
- card
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title abstract description 22
- 238000012545 processing Methods 0.000 title abstract description 5
- 230000010365 information processing Effects 0.000 claims abstract description 24
- 238000004647 photon scanning tunneling microscopy Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000000034 method Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Landscapes
- Multi Processors (AREA)
Abstract
本发明涉及一种利用CPU+GPU+MIC异构混合计算的多平台***，该***包括：一个中央处理器（CPU）平台，所述平台包括CPU芯片；至少一个GPU卡、至少一个集成众核（MIC）卡；连接器，用于连接所述GPU卡、MIC卡至所述CPU平台。本发明异构***可以有效提高***性能、提高计算密度，并满足不同的高性能应用的要求，以解决高性能计算应用时***性能低下、软件生产力低的问题。本发明信息处理异构***由CPU芯片、GPU芯片和MIC芯片构成，较佳地是采用目前比较流行的双路CPU芯片、2个GPU芯片和2个MIC芯片高计算密度***，可以有效提高***性能，满足高性能应用的要求。
Description
技术领域
本发明涉及计算机技术领域,具体地说是一种利用CPU+GPU+MIC异构混合计算的多平台***。
背景技术
高性能计算是信息领域的前沿高技术，在保障国家安全、推动国防科技进步、促进尖端武器发展方面具有直接推动作用，是衡量一个国家综合实力的重要标志之一。随着信息化社会的飞速发展，人类对信息处理能力的要求越来越高，不仅石油勘探、气象预报、航天国防、科学研究等需求高性能计算，而金融、政府信息化、教育、企业、网络游戏等更广泛的领域对高性能计算的需求迅猛增长。
计算速度对于高性能计算尤为重要，高性能计算将朝多核、众核发展，采用异构并行提升应用计算速度，目前CPU+GPU是非常成熟的异构协同计算模式，适合高度并行计算的应用或算法，如计算流体力学应用、FFT计算等，但由于GPU在编程效率、细粒度并行算法设计、大规模并行性能上都存在巨大挑战。随着Intel MIC(Intel Many Integrated Core，集成众核)的正式发布，CPU+MIC将是高性能计算一个不错的选择，采用此架构能在提升应用性能的同时大大提高编程效率，MIC能与CPU完美结合解决更多的应用性能瓶颈，但对于某些向量化程度不高、内存密集型应用其性能也面临着挑战，而CPU+GPU+MIC异构混合计算的多平台架构将综合CPU+GPU与CPU+MIC两种异构模式的优势，将极大满足不同应用的计算性能需求。
发明内容
本发明的目的是提供一种利用CPU+GPU+MIC异构混合计算的多平台***。
本发明的目的是按以下方式实现的，该***包括：
一个中央处理器CPU平台，所述平台包括CPU芯片；至少一个GPU卡；至少一个集成众核MIC卡；还有用于连接所述GPU卡与MIC卡至所述CPU平台的连接器，所述的连接器为PCIE插槽，***的内存配置不小于128GB，最大功率支持不小于1800w；CPU平台的操作***、编译器及驱动都支持GPU、MIC，操作***为Linux，所述编译器为Intel的icc、icpc、ifort和Nvidia的nvcc；***还包括2个CPU芯片、2个GPU卡和2个MIC卡，所述CPU芯片包括8个核心，所述GPU卡包括512个GPU核心，所述的MIC卡包括 至少50个核心。
该***包括：第一执行单元，其处理器由2个CPU芯片实现，用于执行信息处理；第二、第三执行单元，均与所述第一执行单元连接，处理器分别由2个GPU卡和2个MIC卡实现，用于与所述第一执行单元并行执行信息处理。
所述第一、第二、第三执行单元采用多线程的方式执行信息处理。
所述第一、第二、第三执行单元基于负载均衡的原则执行信息处理。
所述第一执行单元启动16个线程执行信息处理、所述第二执行单元启动至少1万个GPU线程执行信息处理、第三执行单元启动至少200个线程执行信息处理。
本发明的有益效果是： 本发明要解决的技术问题是提供一种利用CPU+GPU+MIC异构混合计算的多平台***，以解决高性能计算应用时***性能低下、软件生产力低的问题。本发明信息处理异构***由CPU芯片、GPU芯片和MIC芯片构成，较佳地是采用目前比较流行的双路CPU芯片、2个GPU芯片和2个MIC芯片高计算密度***，可以有效提高***性能，满足高性能应用的要求。
附图说明
图1是利用CPU+GPU+MIC异构混合计算的多平台***实施例1的模块结构示意图；
图2是利用CPU+GPU+MIC异构混合计算的多平台***实施例2的模块结构示意图；
图3是 PSTM串行运行效果图；
图4是***运行PSTM的运行效果图。
具体实施方式
参照说明书附图对本发明的***作以下详细地说明。
实施例1
本发明基于CPU+GPU+MIC异构混合计算的多平台***，如图1所示，该***包括：
一个中央处理器（CPU）平台，所述平台包括CPU芯片；
至少一个GPU卡；
至少一个集成众核（MIC）卡；
连接器，用于连接所述MIC卡和GPU卡至所述CPU平台。
具体地，所述连接器为PCIE插槽。
GPU为NVIDIA公司开发的Fermi架构的GPU，MIC是Intel公司开发的，用于高性能并行计算的众核芯片。GPU与MIC都能提供高度并行的计算能力，其双精峰值性能都达到1TFlops以上。采用CPU+GPU+MIC混合异构方式，将综合三个平台的优势，适应加速不同的高性能应用，加快高性能计算的发展，快速解决高性能计算应用的性能瓶颈。
该***针对高性能计算应用，采用CPU+GPU+MIC异构体系结构，融合了CPU平台的多核计算能力、GPU与MIC的众核计算能力，充分利用三种芯片的计算能力，使三者都共同参与计算，从而使***的计算能力大大加强，解决了高性能计算应用的性能瓶颈，所以此***是一个高性能***，并且此***满足不同应用的需求，对不同的应用能实现加速。同时此***还是一个低能耗高密度***，其性能功耗比远远高于同构CPU平台，整个***在获得高性能的同时，节省了能耗，并减少机房的空间，所以总的来说，此***是一个高效能、高密度***。
所述***的内存配置为128GB以上，最大功率支持1800w以上。
所述CPU平台的操作***、编译器及驱动都支持MIC。
所述操作***为Linux，所述编译器为Intel的icc、icpc、ifort、nvcc。
优选地，所述***包括2个CPU芯片、2个GPU卡和2个MIC卡，所述CPU芯片包括8个核心，所述GPU卡包括512个GPU核心，所述的MIC卡包括50个核心以上。
为了使本发明的目的、技术方案和优点更加清晰，下面结合附图和实施例，对本发明作以下详细说明。
本发明是基于CPU+GPU+MIC异构混合架构，实现高性能、高计算密度、低功耗、高应用适应性。以下从硬件部分和***环境配置两发明进行说明：
硬件部分：
CPU平台采用双路，支持2块CPU同时工作，本实施过程***采用2块intel E5-2680 8核 CPU，主频为2.7GHz
***带有4个以上PCIE插槽，能够插2块GPU卡、2块MIC卡，本***采用2块MIC卡，每个卡上有50个核心以上。
***的内存配置要大，是原有CPU平台的2倍以上。本***配置128GB以上内存。
***功耗支持1800w以上，保证整个***正常运转，本***最大功率支持1800w。
***环境配置：
操作***支持MIC，需要安装Linux操作***。本实施过程采用Red Hat Enterprise Linux 6.0 GA 64-bit kernel 2.6.32-71 ；
编译器支持GPU、MIC，可采用采用Intel的icc、icpc、ifort和NVIDIA的nvcc编译器；
支持GPU和MIC的驱动 。
实施例2
此***要实现高效，必须软硬件一体化设计，让应用软件运行跑在此***上效率最高。
鉴于此，本发明一种利用CPU+GPU+MIC异构混合计算的多平台***还可从以下角度进行描述，如图2所示，该***包括：
第一执行单元，其处理器由2个CPU芯片实现，用于执行信息处理；
第二、第三执行单元，均与所述第一执行单元连接，处理器分别由2个GPU卡和2个MIC卡实现，用于与所述第一执行单元并行执行信息处理；
具体地，所述第一、第二、第三执行单元采用多线程的方式执行信息处理，且所述第一、第二、第三执行单元基于负载均衡的原则执行信息处理。
其中，所述第一执行单元启动16个线程执行信息处理、所述第二执行单元2个GPU卡都启动成千或上万个GPU轻粒度线程执行信息处理、所述第三执行单元2块MIC卡都启动200个以上线程执行信息处理。
优选地，所述CPU芯片包括至少8个核心，每个核起一个线程，所述的GPU卡包括512个GPU核心，MIC卡包括至少50个核心，每个核心可以起4个线程。
目前主流的服务器是双路，即插2块CPU，由于目前SandyBridge CPU有40个通道，2块CPU为80个通道，在PCIE插槽上插2块GPU卡、2块MIC卡， PCIE效率最高，从CPU与GPU及CPU与MIC之间传输数据性能最好。
为了测试该***的性能，可选择高性能计算应用，此应用算法有高并行任务，并行任务之间数据无依赖，并行性好，整个应用对***性能要求高，地震叠前时间偏移（PreStack Time Migration，PSTM）正是具备以上特定的应用，以下以该应用为例，对现有以单线程运行的CPU平台进行改进的过程进行说明：
原有PSTM程序以单线程运行在CPU平台，首先利用CPU多核平台，采用OpenMP编程模型把它以多线程方式实现，把所用计算任务采用16个线程并行起来，使2块CPU的所有核的计算能力全部发挥出来；
把整个***的计算能力划分为5个设备，第一块GPU卡作为设备0，启动上万个GPU线程，第二块GPU卡作为设备1，启动上万个GPU线程；第一块MIC卡作为设备2，启动200个线程以上，第二块MIC芯片作为设备3，启动200个线程以上；2块CPU作为设备4，启动16个线程；如附图2所示；
把整个PSTM的计算任务按照这五个设备的计算能力进行划分，使五个设备同时并行计算，即这5个设备共同参与计算，达到CPU、GPU与MIC同时计算的效果，并且保证负载均衡，整个***实现高性能。
具体地，以测试91条测线，每条测线上963个CMP（共中心点）点，输入110000道数据进行偏移成像为例，在原有CPU同构***下，PSTM以单线程串行方式花费的时间为76053s，而本***运行时间为537s，性能大大提升。CPU串行版PSTM运行的成像效果图见附图(3)所示，本***运行的成像效果图见附图(4)所示，其中横坐标为某条侧线的共中心点，纵坐标为时间，从图像来看，两幅图像基本一致，说明运行结果正确。
本发明***，此***具有高性能、低功耗、高计算密集、高应用适应性特点，将解决高性能应用的性能瓶颈和功耗问题，满足实际生产和科研需求，并且降低机房构建成本和管理、运行、维护费用。本发明中，CPU不仅参加逻辑计算，还参与密集核心计算，而GPU、MIC仅参与核心密集计算，CPU+GPU+MIC异构混合计算，实现性能最大化。
从地震叠前时间偏移实施例可以看出整个***实现高性能、低功耗、高计算密度，大大满足了高性能应用的科研要求和工业生产要求，此***还减少了机房构建成本和管理、运行、维护费用。
除说明书所述的技术特征外，均为本专业技术人员的已知技术。
Claims (5)
1.一种利用CPU+GPU+MIC异构混合计算的多平台***, 其特征在于该***包括：
一个中央处理器CPU平台，所述平台包括CPU芯片；至少一个GPU卡；至少一个集成众核MIC卡；还有用于连接所述GPU卡与MIC卡至所述CPU平台的连接器，所述的连接器为PCIE插槽，***的内存配置不小于128GB，最大功率支持不小于1800w；CPU平台的操作***、编译器及驱动都支持GPU、MIC，操作***为Linux，所述编译器为Intel的icc、icpc、ifort和Nvidia的nvcc；***还包括2个CPU芯片、2个GPU卡和2个MIC卡，所述CPU芯片包括8个核心，所述GPU卡包括512个GPU核心，所述的MIC卡包括 至少50个核心。
2.根据权利要求1所述的多平台***，其特征在于，该***包括：第一执行单元，其处理器由2个CPU芯片实现，用于执行信息处理；第二、第三执行单元，均与所述第一执行单元连接，处理器分别由2个GPU卡和2个MIC卡实现，用于与所述第一执行单元并行执行信息处理。
3.根据权利要求2所述的多平台***，其特征在于，所述第一、第二、第三执行单元采用多线程的方式执行信息处理。
4.根据权利要求2所述的多平台***，其特征在于，所述第一、第二、第三执行单元基于负载均衡的原则执行信息处理。
5.根据权利要求2所述的多平台***，其特征在于，所述第一执行单元启动16个线程执行信息处理、所述第二执行单元启动至少1万个GPU线程执行信息处理、第三执行单元启动至少200个线程执行信息处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201310229342 CN103279446A (zh) | 2013-06-09 | 2013-06-09 | 一种利用cpu+gpu+mic异构混合计算的多平台*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201310229342 CN103279446A (zh) | 2013-06-09 | 2013-06-09 | 一种利用cpu+gpu+mic异构混合计算的多平台*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103279446A true CN103279446A (zh) | 2013-09-04 |
Family
ID=49061971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201310229342 Pending CN103279446A (zh) | 2013-06-09 | 2013-06-09 | 一种利用cpu+gpu+mic异构混合计算的多平台*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103279446A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104461849A (zh) * | 2014-12-08 | 2015-03-25 | 东南大学 | 一种移动处理器上cpu与gpu软件功耗测量方法 |
| CN104536936A (zh) * | 2015-01-28 | 2015-04-22 | 浪潮电子信息产业股份有限公司 | 一种拉杆箱式可编程计算器装置 |
| CN105183079A (zh) * | 2015-09-01 | 2015-12-23 | 浪潮(北京)电子信息产业有限公司 | 一种便携式可编程计算器 |
| CN105227669A (zh) * | 2015-10-15 | 2016-01-06 | 浪潮(北京)电子信息产业有限公司 | 一种面向深度学习的cpu与gpu混合的集群架构*** |
| CN105893151A (zh) * | 2016-04-01 | 2016-08-24 | 浪潮电子信息产业股份有限公司 | 一种基于cpu+mic异构平台的高维数据流的处理方法 |
-
2013
- 2013-06-09 CN CN 201310229342 patent/CN103279446A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104461849A (zh) * | 2014-12-08 | 2015-03-25 | 东南大学 | 一种移动处理器上cpu与gpu软件功耗测量方法 |
| CN104461849B (zh) * | 2014-12-08 | 2017-06-06 | 东南大学 | 一种移动处理器上cpu与gpu软件功耗测量方法 |
| CN104536936A (zh) * | 2015-01-28 | 2015-04-22 | 浪潮电子信息产业股份有限公司 | 一种拉杆箱式可编程计算器装置 |
| CN105183079A (zh) * | 2015-09-01 | 2015-12-23 | 浪潮(北京)电子信息产业有限公司 | 一种便携式可编程计算器 |
| CN105227669A (zh) * | 2015-10-15 | 2016-01-06 | 浪潮(北京)电子信息产业有限公司 | 一种面向深度学习的cpu与gpu混合的集群架构*** |
| CN105893151A (zh) * | 2016-04-01 | 2016-08-24 | 浪潮电子信息产业股份有限公司 | 一种基于cpu+mic异构平台的高维数据流的处理方法 |
| CN105893151B (zh) * | 2016-04-01 | 2019-03-08 | 浪潮电子信息产业股份有限公司 | 一种基于cpu+mic异构平台的高维数据流的处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101901042B (zh) | 多gpu***中基于动态任务迁移技术的降功耗方法 | |
| CN102243321B (zh) | 一种地震叠前时间偏移的处理方法及*** | |
| CN103279446A (zh) | 一种利用cpu+gpu+mic异构混合计算的多平台*** | |
| Wang et al. | SODA: Software defined FPGA based accelerators for big data | |
| CN102253919A (zh) | 基于gpu和cpu协同运算的并行数值模拟方法和*** | |
| CN109284250A (zh) | 一种基于大规模fpga芯片的计算加速***及其加速方法 | |
| Camp | GPU Acceleration of Particle AdvectionWorkloads in a Parallel, Distributed Memory Setting | |
| CN112631986B (zh) | 大规模dsp并行计算装置 | |
| Lai et al. | Hybrid MPI and CUDA parallelization for CFD applications on multi‐GPU HPC clusters | |
| CN103294639A (zh) | 一种实现大规模计算的cpu+mic混合异构集群*** | |
| CN103049329A (zh) | 一种基于cpu/mic异构体系结构的高效能*** | |
| CN102902655A (zh) | 信息处理异构*** | |
| Cui et al. | Research on parallel association rules mining on GPU | |
| Wang et al. | Task scheduling of parallel processing in CPU-GPU collaborative environment | |
| CN109918335A (zh) | 一种基于cpu+fpga 8路dsm架构服务器***及处理方法 | |
| Wang | Power analysis and optimizations for GPU architecture using a power simulator | |
| CN104360979B (zh) | 基于图形处理器的计算机*** | |
| CN203465722U (zh) | 一种面向多尺度计算的计算机*** | |
| Zhou et al. | Parallel data cube computation on graphic processing units | |
| Kerbyson et al. | Adapting wave-front algorithms to efficiently utilize systems with deep communication hierarchies | |
| CN102866423B (zh) | 地震叠前时间偏移的处理方法和*** | |
| Kryuchkov et al. | Design of multipurpose computational cluster based on ARM single-board computers | |
| Khaled et al. | Parallel study of 3-D oil reservoir data visualization tool using hybrid distributed/shared-memory models | |
| Gong et al. | Optimizing Sweep3D for graphic processor unit | |
| Wang et al. | Data motion acceleration: Chaining cross-domain multi accelerators |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130904 |
|
| WD01 | Invention patent application deemed withdrawn after publication |