基于异构计算的泛kriging算法并行化分析-parallelization analysis of universal krig ing algorithm based on heterogeneous computing.docxVIP

摘要Kriging 插值算法是一种最优的线性无偏空间插值算法，并被广泛应用在采矿 学、水文地质学、环境科学、遥感学等领域。在一些大规模的工程应用中，需要 Kriging 算法处理的数据量日益庞大，且其计算量随着数据的规模增大而呈指数级 上升，造成串行 Kriging 算法在应用中的性能瓶颈问题。采用集群、多核/众核的并 行 Kriging 插值算法是解决这类问题的主要手段，然而这些研究却存在 1）基于集 群的 Kriging 并行算法存在线性扩展性较差、能源消耗过大的问题；2）基于多核 的 Kriging 并行算法本身面临多核架构并不是针对计算密集型应用而设计的硬伤， 算法的效率与适用性存在缺陷；3）已有基于众核的 GPU 算法存在局限于特定平 台，其可移植性、通用性较差问题。随着计算技术的不断进步与发展，异构计算以其强大计算能力、较强的通用 性 、 可 扩 展 性 而 崭 露 头 角 。 针 对 上 述 所 面 对 的 问 题 ， 本 研 究 基 于 异 构 平 台（CPU+GPU/MIC），利用 OpenCL 编程模型探索了泛 Kriging 插值算法在异构计算 平台上的并行化途径及方法。主要工作和研究内容包括：（1）研究泛 Kriging 算法原理并对其进行了串行实现，选定插值算法的评价 参数，将串行程序与专业地学软件进行插值结果对比，验证了串行程序的正确性。（2）利用专业程序性能分析工具进行了串行程序的热点分析，定位了串行程 序的热点所在，并针对此热点进行了并行化框架的设计与程序实现，通过对比实 验测试与分析，验证了并行程序的有效性。（3）对并行程序运行于单计算设备的情况进行了应用扩展，实现了在多设备 存在时任务调度的动态负载策略，使其在实际的单/多设备应用环境均具有适用性， 实现了泛 Kriging 算法在多设备上的并行化研究。最后，通过在两种不同的专业高性能计算平台 GPU 和 Intel Xeon Phi 上进行插 值数据规模、搜索邻近点个数、像元大小的参数变换，记录串、并行程序的实验 运行结果，得到了并行程序的加速比性能指标，并对结果进行分析得到了相应的 结论。实验结果表明：所设计的泛 Kriging 并行算法在高性能计算平台 GPU 平台 上获得了很好的处理速度及运算性能，并行化部分的加速比获得了 40x 以上的加 速比，总程序加速比在很多时候也以接近理论峰值加速比运行；通过与不同的异 构平台 Intel Xeon Phi 上的实验对比，表明了并行程序不仅具有很好的加速效果， 而且具有跨平台移植的特性；当平台上存在多个计算设备时，采用动态负载均衡 策略实现的并行程序运行结果表明，利用多个设备得到的加速比结果与单个设备相比基本呈线性关系增长，最高获得了 80x 以上的加速性能。总之，该研究为在异构平台上进行地学算法的设计与应用提供了参考与借鉴， 具有一定的指导意义及研究价值。关键词：泛 Kriging 算法，并行计算，异构计算，OpenCL，GPU，MICABSTRACTKriging interpolation algorithm is one of Best Linear Unbiased Estimate (BLUE) spatial interpolation algorithms, which have been widely used in the fields of mining, hydrogeology, environmental science, and remote sensing etc. In some large-scale engineering applications, there usually are very large amount of data need to be dealt with, where the computation increases exponentially as the size of the data sets gets larger. Under this circumstance, utilizing certain high performance computing technologies, such as parallel computing on clusters, or on multi/many-core platforms, becomes the primary solution. However, there are still many problems and challenges to be resolved: 1) On traditional PC clusters, Kriging algorithm