基于细粒度任务分配的空时自适应并行处理算法研究

对于空时自适应信号处理(Space-Time Adaptive Processing,STAP)算法的并行处理问题,传统方法以粗粒度的划分方式将STAP算法分配到特定硬件系统中的不同处理器中,利用处理器间的流水计算来提高系统计算吞吐量。该文分析了传统并行处理方法的缺陷:粗粒度的任务划分方式牺牲了STAP算法的并行度;传统处理方法仅能适用于特定的系统环境。针对上述情况,该文提出一种基于细粒度任务分配的STAP并行处理方法,该方法分为以下3个步骤:构建细粒度的DAG(Direct Acyclic Graph)形式的STAP算法任务模型;使用统一拓扑结构模型描述不同结构的目标硬件系统;基于细粒度任务分配算法将任务模型分配到拓扑结构模型中的处理器实现并行计算。实验结果表明该并行处理方法能够达到良好的加速比,并且对于不同的STAP应用系统具有很好的适应性。

STAP并行处理系统的调度问题研究

为了研究空时自适应处理(STAP)并行系统中的调度问题,以系统数据和任务为研究对象,以时延和吞吐率为目标函数参数,以均衡性和扩展性为系统设计理念,首先研究了STAP系统的数据划分和任务映射方法。然后提出了任务映射模型,建立了任务流程粗粒度有向非循环图(DAG),进一步分析了STAP系统中的两个重要性能指标。并基于以性能指标为参数的目标函数,研究了STAP系统中的调度策略,提出的五步映射法能够较好地均衡系统负载,满足系统的设计要求。最后给出了一组基于异构处理系统的测试基准和实际STAP系统的实现过程,验证了该研究的有效性。