分布式并行绘制系统中几何指令流压缩的研究与实现

对分布式并行绘制系统的几何指令流进行压缩能缓解网络带宽瓶颈 .对操作码使用 L ZW算法 ,对法向量使用球面对称网格剖分算法 ,对颜色和位置数据使用 DPCM型预测编码算法 ,根据位置数据的特殊性 ,使用了 4类预测器和自适应量化算法 .对几何指令流组合使用多种压缩算法取得了良好的效果 ,在几何模型质量基本没有损失的情况下 ,指令平均长度压缩到原来的 1/ 3左右 ,执行速度达到了 4 0 0指令 /

并行绘制系统Chromium中的3D模型数据压缩

网络带宽不足严重限制了Chromium等并行图形绘制系统渲染巨型几何场景的速度。通过对网络传输中的几何数据进行无损压缩,提出了一种能有效缓解网络负荷的方法。该方法可以很容易地实现不同算法对特定几何数据的压缩。实现了ZLib和哈夫曼算法对Chromium系统的压缩,测试了系统对10类OpenGL应用程序的加速比和压缩比,以及在4种配置环境下的并行运行效果。使用ZLib算法时,测试程序的运行速度都有不同程度的提高,最高提升3倍;数据压缩比平均在5.0以上,最高为30;并行绘制加速比在单服务器数目下最高。ZLib算法整体表现良好,能有效减少网络通信量。

基于InfiniBand的并行绘制系统中的数据压缩

为提高并行绘制系统中的帧率,从数据压缩的角度出发,搭建了基于InfiniBand的并行绘制系统。首先对并行绘制系统中数据进行分类,根据当前帧的数据量大小设置临界值,对达到临界值的几何数据进行无损压缩。本文研究并对比了LZ77,LZW,LZO三种数据压缩算法对系统的影响。实验表明,LZ77,LZW和LZO算法均对系统的帧率有所提高,而LZO算法对系统的帧率提高最明显且稳定性最好,使系统帧率提高近60%。无损数据压缩对提高并行绘制系统性能具有很明显的效果。

基于Caffe的并行绘制系统帧绘制时间预测

在具有多个绘制节点的并行绘制系统中,负载均衡算法起到至关重要的作用,直接影响到并行绘制系统的工作效率和系统资源的利用率。传统方法利用基于绘制历史所预测下一帧的绘制时间来作为负载均衡算法的负载划分依据,这种方法在突变场景中负载估计准确度较低。针对基于绘制历史算法中的问题,采用深度学习的方法来预测下一帧绘制的时间。该方法通过采用Caffe深度学习框架,首先采集并行绘制系统中影响负载的数据,然后输入采集到的数据集训练和测试设计的神经网络模型,最后在预测下一帧绘制时间时,调用训练好的模型实时获得下一帧的绘制时间。通过实验验证,深度学习方法提高了突变场景中下一帧绘制时间预测的准确度,并且预测所需时间满足了并行绘制系统的实时需求。该方法在预测准确度和预测耗时方面都达到的并行绘制系统负载平衡能够接受的范围。

并行绘制系统中基于随机森林的预测算法改进

并行绘制系统中,负载平衡是影响绘制效率的关键因素。系统运行时的负载通过随机森林(RF)进行预测,并根据预测结果调整子任务划分方式,实现负载平衡,提高绘制帧率。预测结果越准确,负载调度过程越快速。随机森林的预测结果由组成它的决策树中的部分叶子节点均值决定。随机森林中的决策树在构建过程中不考虑过拟合的问题,因此得到的随机森林的准确性也会存在一定偏差。为了解决这个问题,将部分中间节点加入最终结果的预测中去,通过拟合度判定函数去决定一棵决策树用来预测的节点。实验证明,该方法可以提升随机森林的预测准确率。

基于学习的并行绘制系统中数据集增强算法

并行绘制系统中,负载平衡是保证其绘制效率的关键因素。为了达到负载平衡,基于随机森林的并行绘制系统在绘制之前,利用训练好的随机森林模型来预测各个子屏的绘制时间,以此为依据找到负载平衡的划分方式。随机森林的预测好坏直接影响寻找平衡划分方式的时间,而想要获得一个预测准确度高的随机森林模型,一个好的训练集是必要因素。因此,基于系统的粗糙采样集,对于每个采样点,进行“邻域”(采样点周围的点)的寻找,再依据“邻域”进行重采样,以此增强训练集。经实验证明,利用该方法对数据集进行增强后,相比于用原始采样方法形成的同样大小的训练集,给随机森林的预测性能带来更大的提升。