基于云边协同的通用板级自动测试系统方案设计

针对当前数字电路自动测试领域,对通用板级自动测试系统进行了设计,完成了系统方案的设计开发和测试验证。为了解决通用板级自动测试系统的测试数据量大、本地存储容量不足、测试向量与被测试目标无法自动化匹配、无法进行批量快速测试等问题,采用云边协同架构设计了通用板级自动测试系统,避免了大量数据传输和数据集中式处理,使得云端计算资源能够集中解决关键数据处理任务。为了提高板级测试平台的通用性,使平台适配不同接口的电路板,同时具有高速网络数据处理能力,系统选用精简命令集处理器和现场可编程门阵列(Advanced RISC machines,Filed programmable gate array,ARM+FPGA)的异构计算平台作为边缘设备。为了提高系统的测试效率,采用模块化的设计思想,系统硬件测试平台设计了多总线分布式结构。系统采用扇出导向(Fan-out-oriented,FAN)算法生成测试向量,并基于浏览器/服务器(Brower/Server,B/S)架构设计了用户操作界面,用户可通过浏览器进行测试操作,完成板级自动故障测试,并自动生成故障诊断报告。实验结果表明,对两个待测板卡进行测试验证,通用板级自动测试系统可以自动识别目标板卡,自动匹配测试向量,进行自动测试,生成测试报表。基于云边协同的通用板级自动测试系统提高了测试效率,满足数字电路板卡出厂前批量测试的需求,具有实际应用价值。

面向大规模异构计算平台的MiniGo高效训练方法

提出一种适用于大规模异构计算平台训练MiniGo智能体的高效多级并行训练方法,包括节点间任务级并行、中央处理器-数字信号处理器(central processing unit-digital signal processor, CPU-DSP)异构并行、DSP核内并行。实现了高效的输入/输出部署,消除网络通信瓶颈。提出了面向CPU-DSP共享内存结构的异构计算内存管理,减少异构设备间的数据搬运。实现了共享内存编程优化,并利用DSP实现密集卷积计算算子加速优化。结果表明,与16核CPU计算相比,单核DSP算子加速最大加速比达16.44;该方法实现计算节点规模从1 067扩展至4 139,得到达到给定终止条件所需时间从43.02 h降至16.05 h,可扩展效率为69.1%。评估表明,该方法能够实现MiniGo在大规模异构计算平台的高效并行训练。

面向国产异构DCU平台的大规模并行矩量法研究

面向国产异构众核处理器超级计算机发展趋势,实现了基于CPU+DCU国产异构并行系统的大规模并行高阶矩量法。在同构并行矩量法负载均衡策略的基础上,提出了一种“MPI+openMP+DCU”的高效异构并行编程框架,解决了计算任务与计算能力不匹配的问题,实现了矩量法异构并行计算过程的负载均衡。采用细粒度任务划分策略与异步通信技术,对深度计算处理器计算过程进行了流水线优化设计,实现了计算与通信重叠,提升了矩量法异构协同计算的效率。通过与有限元法的仿真结果对比,验证了CPU+DCU异构并行矩量法的准确性。基于国产深度计算处理器异构平台的可扩展性分析结果表明,与单纯CPU计算相比,所实现的CPU+DCU异构协同计算方法能够获得5.5~7.0倍的加速效果,且在国家超级计算西安中心能够实现全系统运行,并行规模从360节点扩展到3 600节点(共1 036 800个处理器核心),并行效率可以达到约73.5%。

基于鲲鹏和昇腾异构平台的单节点HPL-AI设计与优化

鉴于低精度浮点运算拥有更快的运算速度,越来越多的高性能应用采用混合精度方案进行加速,而同样采用该方案来加速的AI(人工智能)大模型也受到广泛关注。最近,HPL-AI(High Performance LINPACK for Accelerator Introspection)基准测试被提出,用于评估高性能系统的混合精度运算性能。针对该基准测试,本研究在鲲鹏和昇腾异构平台上设计并优化了单节点HPL-AI基准测试的实现。其主要通过循环任务分配的策略将任务均匀地分配给AI处理器以平衡AI处理器的负载;通过带间隔值的任务分配策略提高数据传输的连续性来减少CPU和AI处理器之间的数据传输时间;在不影响计算精度的情况下,通过取消数据缩放的策略来减少CPU侧的计算量。最终实验结果表明:当间隔值为8时,HPL-AI基准测试的混合精度浮点运算速度最快;同时,取消数据缩放不会对HPL-AI基准测试的结果精度产生影响;在鲲鹏和昇腾异构平台上,与非优化的HPL-AI基准测试方法相比,本研究提出的优化策略使混合精度浮点运算速度提升了29%左右,为单节点HPL-AI基准测试的进一步优化和部署多节点HPL-AI基准测试奠定了坚实的基础。

基于OpenVPX标准的异构融合处理模块软硬件协同设计研究

随着计算机软硬件技术的持续进步,机载计算平台集成的任务功能日益增多,导致平台内部的计算需求在规模和复杂性上不断攀升。面对智能化应用的迅猛增长,传统的单一处理器架构已不足以应对多样化的复杂任务。为此,基于OpenVPX标准,定义并设计了一种符合硬件开放式架构的3U异构融合处理模块,以适应多种复杂任务的需求。文中还提出了一种异构计算资源池化技术,旨在实现多类型任务应用的快速部署和高效运行,同时降低通信延迟,显著提升计算平台的处理能力和适用性。最后进行了实验验证,结果表明与多CPU架构相比,文中所设计的异构融合处理模块在执行特定神经网络算法时,处理时间缩短了约4.8倍,证明了其在性能上的显著提升。该研究成果不仅展示了异构融合处理模块在机载智能计算应用中的显著性能优势,而且为航空计算平台的未来发展提供了创新的解决方案和技术支持。

基于国产异构平台的奇异值分解法

随着深度学习等高算力应用的发展,异构计算正在逐步成为并行计算的重要方向。国产异构平台近年来发展迅速,针对国产平台的架构定制开发适配的算法与软件有着重要意义。奇异值分解(SVD)作为线性代数库中用于处理一般矩阵的强大分解器,应用在科学计算、人工智能、信号处理等众多领域。现有某类国产加速器的可用库中SVD算法性能远低于NVIDIA,这对相关应用的高效移植带来了挑战。为此,通过调整算法流程减少线程启动与访存开销,提出了面向国产加速器的矩阵双对角化方法mySVD。卸载计算密集型任务到加速器,设计面向国产异构平台的分治算法;通过CPU+加速器多流,提出了任务并行的奇异向量矩阵生成方法。最终形成一套奇异值算法的高效移植优化方案。实验结果表明,该方案在不同的测试矩阵规模上,性能最高达到现有的商业闭源线性代数库MKL的9.8倍,以及现有开源异构计算线性代数库MAGMA的5.5倍。最终将其用于图像处理,并跨平台与MATLAB、NVIDIA公司的GPU线性代数库CUSOLVER进行对比,其具有更快的速度且生成的图像与原图像相似度更高。

基于虚拟化的GPU异构资源池平台架构设计、关键技术及应用研究

人工智能算力资源面临价格高昂、市场断供等现状问题,传统的单卡单用模式导致资源利用率和使用效率低下,现有的技术研究手段难以支撑多元异构图形处理单元(graphics processing unit,GPU)资源的高效管理和调度。基于此,提出一种基于虚拟化的GPU异构资源池平台,首先对平台总体架构、逻辑架构和功能架构进行了规划设计;其次,对关键技术进行研究,提出了虚拟化异构GPU资源池框架和基于时间切片+负载均衡的调度模型;最后,基于所提方法,提出了多业务单卡叠加、交叉拉远、跨机整合、混合部署和时分复用等多种创新应用模式。所提方法为企业级AI应用提供了可兼容多个GPU不同厂商、支持远程访问、可灵活切分和聚合、可弹性调度的GPU算力资源。经测算分析,同等开发和训练量下,GPU卡数量可节省60%、运行效率可提升4倍。

基于国产异构计算平台的快速SVD算法及其在海洋资料同化的应用

【目的】资料同化已经在大气和海洋的数值预报中发挥重要作用,它可以利用不同来源的观测资料对初始场数据进行修正,从而提高数值预报的准确性,目的在于通过奇异值分解(SVD)算法的改进提高基于国产异构计算平台的资料同化计算效率。【方法】本文在大规模计算环境下并行策略及实现方法基础上,设计并实现了基于国产异构计算平台的CPU和类GPU卡协同批量SVD解算的实现流程和数据结构,并给出了实际性能提升测试数据,同时,完整地使用C/C++实现了资料同化程序。【结果】该算法充分利用国产异构计算平台CPU和计算卡的计算资源,实现了基于SVD的矩阵求逆的高效实现算法,从基础算法上显著提高了资料同化的计算效率。【结论】基于国产异构计算平台CPU和计算卡协同方式的奇异值分解的高效实现算法,其应用可以扩展到量子计算、人工智能、图像处理、信号降噪等领域的算法实现,具有广泛的应用价值,使用C/C++语言的资料同化应用软件,丰富了国产异构计算平台的应用生态。

基于车载异构计算平台的SOA服务部署设计与实现

针对异构SOC实时内核部署SOA服务的性能瓶颈,文章设计一种基于车载异构计算平台的SOA服务部署方法。实时内核从总线获取和提供原始数据,通过核间通信协议传输至性能内核,性能内核基于SOME/IP协议将原始数据封装为服务进行发布。与传统的直接在实时内核上发布SOME/IP服务的方式相比,该方法能显著降低实时内核系统的开销,有效解决实时内核运算力不足、无法支撑大量SOME/IP报文发送的问题。同时,由于性能内核具有强大的运算能力,后续服务可以灵活迭代与扩展,用户可以获得更加便捷的车控交互体验。

面向边缘智能计算的异构并行计算平台综述

边缘智能计算对硬件资源的需求复杂多元,传统计算平台难以为继,异构并行计算平台成为边缘智能算法落地的关键途径之一。以深度学习算法和边缘计算为牵引,对异构并行计算平台展开研究。一方面,阐述了传统计算平台适配实现边缘智能计算的优缺点,指出边缘端应用场景中传统计算平台算力与功耗矛盾突出等局限性,并以指令模型、通讯机制和存储体系三个关键技术为线索梳理技术发展脉络。另一方面,从运算速度、功耗等角度重点对比分析了近年来典型异构平台较新的代表性产品,然后针对不同应用场景和约束条件给出了异构平台的选择建议:优先选择CPU+X组合的异构平台。功耗要求严格约束下的应用建议优先选择CPU+FPGA组合;功能迭代更新快的场景建议优先选择CPU+GPU组合;算法成熟且对实时性和功耗均具有高要求的应用优先选择ASIC计算平台。提出了异构并行计算平台在指令模型统一、通讯机制轻量化、存储体系灵活性以及开发生态完备化四个方面的问题与挑战,期望能为该领域研究人员带来一定的启发。

基于SYCL的多相流LBM模拟跨平台异构并行计算研究

异构并行体系结构是当前高性能计算的重要技术趋势。由于各种异构平台通常支持不同的编程模型,跨平台性能可移植异构并行应用开发非常困难。SYCL是一个基于C++语言的单源跨平台并行编程开放标准。目前针对SYCL的研究主要集中于与其他并行编程模型的性能比较,对SYCL中提供的不同并行内核实现及其性能优化研究得较少。针对这一现状,基于SYCL编程模型对开源多相流数值模拟软件openLBMmflow实现跨平台异构并行模拟,通过对比基础并行版本、细粒度调优的ND-range并行版本以及计算到工作项多对一映射方法,系统总结了SYCL并行应用的性能优化方法。测试结果表明,在Intel Xeon Platinum 9242 CPU以及NVIDIA Tesla V100 GPU上,相比优化后的OpenMP并行实现,在不需要额外调优的情况下,基础并行版本在CPU上获得了2.91的加速比,表明了SYCL的开箱即用性能具备一定优势。以基础并行版本为基准,ND-range并行版本通过改变工作组大小及形状,在CPU与GPU上分别取得了最高1.45以及2.23的加速比。通过优化计算到工作项的多对一映射改变每个工作项处理的格子数量以及形状,与基础并行版本相比,在CPU与GPU上分别取得了最高1.57以及1.34的加速比。结果表明,SYCL并行应用在CPU上更适合采用计算到工作项多对一映射的优化方法,在GPU上更适合采用ND-range并行内核,以提高性能。

面向多异构平台的不可压求解器的移植算法和优化

研究开源计算流体力学软件OpenFOAM中典型不可压求解器icoFoam在异构平台上的并行算法,针对OpenFOAM设计了多异构平台兼容的数据存储结构,并结合可移植异构计算接口(HIP),提出了在两种主流异构平台上移植icoFoam的方案;同时,提出了一种在icoFoam中使用Krylov子空间线性求解器时高效的矩阵格式转换算法,并耦合hipSPARSE和hipBLAS库实现了压力和速度方程的高效求解。实验表明,该统一的移植方案在AMD和NVIDIA异构计算平台上,均使得icoFoam求解器的计算效率得到较大幅度的提升,相比于CPU,可分别获得20.5倍和38.4倍的加速效果。

多云异构平台统一管理关键技术研究

云计算逐步从概念转化成实际产物,并且成为为信息系统提供运行环境的主流基础架构之一。如今各种公有云、私有云、混合云等不同资源的形式出现在企业的信息技术(Information Technology,IT)基础架构环境中,导致企业需要在复杂的环境中找到合适统一的运营管理方式。文章对多云异构平台的统一运营和要点技术开展深入研究,分析适合的运营方式与管理技术。

实时多任务异构云计算平台负载均衡算法

针对组成云计算平台各节点之间软件环境存在异构性及数据分布不均匀等原因而导致云计算平台在处理大量任务时往往出现节点负载不均衡的问题,提出了解决异构云计算平台负载均衡方法与相关算法.研究首先统计云计算平台提供的各类服务的平均资源消耗,结合任务分配给指定节点后运行时长和资源占用情况,预测评估某一时刻节点上任务剩余资源消耗需求总量既剩余负载总量;各节点按周期反馈实际任务负载情况,及时修正任务负载信息;最后综合考虑节点各项性能,预测各节点负载评估值,并将待分配任务分发给最适合的节点.实验结果表明,该算法具有可行性并在实时多任务异构云计算平台负载均衡方面具有一定优势.

一种基于异构云计算平台的资源管理模型

文章将多Agent与云计算技术相融合,提出一种基于异构云计算平台的资源管理模型,即利用多Agent技术特性,在异构云计算环境中构造相应的资源、Agent,通过多Agent的交互协作,实现云计算环境中的资源调度的有效分配及管理,实现现有云计算平台之间的数据和应用的互操作性和可移植性,并以Chukwa为例,验证该模型在现有技术条件下的可行性及其在性能上的优势。

异构云环境多目标Memetic优化任务调度方法

云计算系统的高效能调度优化是当前重要的研究课题,面向异构云环境的多目标优化调度方法研究具有重要意义.云计算环境下的能耗和性能优化管理是NP-HARD的多目标组合优化问题,目前一般启发式调度系统大多采用带约束的性能或能耗的单目标优化计算方法,不能完全满足复杂云计算系统资源约束动态性与管理需求多样性的需求.基于传统进化优化的随机搜索算法应用于云环境下的DAG任务的多目标调度优化,计算开销大、计算实时性不足,文中提出了新的Memetic优化方法以解决异构云环境多目标调度优化问题.首先,文中针对异构云环境多目标调度优化问题,构建了一般性的数学定义;其次,针对该问题设计了多目标Memetic优化算法,采用基于解结构相关信息的Memetic局部搜索算子加速调度方案的局部优化能力,以提高算法的收敛速度、降低计算开销.实验结果表明,应用所提出的多目标Memetic优化算法进行异构云环境能耗和性能多目标调度优化,比传统方法具有更好的计算效率、解集多样性与收敛性能.

基于异构云计算平台的负载均衡机制研究

文章介绍了不同云计算平台的负载均衡机制及相关研究工作,提出异构云计算环境下的负载均衡机制是制约现阶段云计算技术普及与发展的主要原因之一。基于此,提出将云计算技术与Mobile Agent技术结合起来,形成一种基于异构云计算平台的负载均衡机制,并就此展开研究与分析。

异构云环境下基于分簇的云资源感知任务调度方案

针对提高异构云平台中资源调度的效率,提出了一种基于任务和资源分簇的异构云计算平台任务调度方案。利用K-means算法,根据任务的CPU和I/O处理时间对任务分簇,根据资源的计算能力对资源分簇;然后,将任务簇对应到合适的资源簇,并利用最早截止时间优先(EDF)算法对任务簇中的独立任务进行调度,利用提出的改进型最小关键路径(MCP)算法对依赖性任务进行调度。实验结果表明,在资源异构的云计算环境中,该方案执行任务时间短、能耗低。

网格计算中的任务调度模型研究

任务调度对于获取高性能具有十分重要的作用,各种任务调度算法都是基于不同的假设模型。从任务模型、网络平台模型和性能目标模型3个方面讨论了各种模型,结论为网格任务调度模型的主要发展方向是异构、非专用和多目标。

支持现场建档系统的异质数据传输软件平台

普适计算是计算模式的发展趋势。现场建档系统是其中一类重要应用,这通常需要在多台设备间互通性质不同的数据。为实现功能重用,加快建档系统的开发,提出一种支持异质数据通讯的软件平台,采用“订阅/发布”模式支持传输关系的动态调整及系统的易扩展性;针对异质数据设计不同传输结构保证传输的高效;平台的调用接口屏蔽了数据传输的实现细节,简单易用。该平台已成功用于课堂建档系统,验证了它在现场建档系统构建中的功用。