مقاله برنامه نویسی موازی شبکه در سیستم GPU چند هسته شتاب یافته با بهینه سازی

معرفی مقاله ترجمه شده برنامه نویسی موازی شبکه روی سیستم GPU چند هسته ای شتاب یافته با بهینه سازی همراه با متن اصلی

Parallelizing Network Coding on Manycore GPU-Accelerated System with Optimization

چکیده

واضح است که کدگذاری شبکه به عنوان روشی امیدوار کننده برای بهبود بازده شبکه و پهنای باند موجود پدید آمده است. اما، با توجه به پیچیدگی محاسباتی بالا، قابلیت پیاده سازی کدگذاری شبکه هنوز هم به عنوان یک چالش بر جای مانده است. همچنین، کاربردهای شتاب یافته با GPU محدود به روش های سنتی هستند، که در آن GPU به عنوان یک کوپروسسور (هم پرداز یا کمک پردازنده) برای مصرف مجموعه داده های انتقالی از CPU استفاده می شود. بنابراین، یک چارچوب کدگذاری شبکه موازی مهاجم با بهینه سازی برای GPU سفارشی شده است، که در آن یک گرنیولاریتی مناسب موازی شدگی برای کدگذاری شبکه ارائه شده است، و GPU نه تنها می تواند به عنوان مصرف کننده داده، بلکه تولیدکننده داده نیز عمل کند. علاوه بر این، کدگذاری شبکه خطی تصادفی، در GPU فعال شده با CUDA موازی و بهینه سازی شده است تا به اعتباربخشی روش ارائه شده بپردازد. نتایج عملی [آزمایشگاهی] نشان می دهد که موازی کردن کدگذاری شبکه در سیستم چند هسته شتاب یافته با GPU استفاده از روش های پیشنهادی بسیار موثر است.

کلمات کلیدی: GPU، کدگذاری شبکه، موازی سازی، CUDA، بهینه سازی.

با معرفی کدگذاری شبکه که در صنعت و جوامع علمی توجه زیادی به آن پرداخته شده است، کاربردپذیری کدگذاری شبکه هنوز هم یک چالش است، که عمدتا به دلیل پیچیدگی محاسبه شبکه کدگذاری است. با معرفی GPU چند هسته ای برای سرعت بخشیدن به کدگذاری شبکه می تواند به سرعت بالا دست یابد، که حداقل می تواند مشکل یاد شده را بهبود بخشد. GPU یک معماری با عملکرد بالای امیدوار کننده است، برای به حداکثر رساندن عملکرد و به حداقل رساندن هزینه بهتر است که به درک منابع محاسباتی قدرتمند و سلسله مراتب از پهنای باند حافظه در دسترس و همکاری بین GPU و CPU پرداخت.

معماری و مدل برنامه نویسی CUDA

شکل 1 نمایی کلی از معماری سیستم مشترک متشکل از GPU و CPU را نشان می دهد، که در آن داده ها بین CPU و GPU با کانال PCIe مورد تقاضا انتقال می یابند. معماریGPU شامل تعدادی از مولتی-پروسسورهای مقیاس پذیر (SMها) است که هر کدام شامل هشت هسته جریان پردازنده (SP) است و هر سه SM تشکیل یک شاخه مولتی پروسسور ریسه ای (TPC) در NVidia GTX 280، حافظه پنهان ثابت خواندنی، و حافظه پنهان بافت خواندنی است. علاوه بر این، هر SM دارای16KB حافظه داخلی خواندنی و نوشتنی است که وجه مشترک همه SP های 8 بیتی است.