GPU应用于SAR回波仿真性价比分析.docVIP

GPU应用于SAR回波仿真性价比分析 　　[摘 要]合成孔径雷达（SAR）回波仿真需要进行大量浮点运算。图形处理单元（GPU：Graphical Processing Unit）具有强大的并行计算能力。该文提出了一种在GPU上进行SAR回波仿真的处理方法。该方法根据GPU编程架构进行了优化，极大地挖掘了GPU的浮点运算能力，缩短了回波仿真的运算时间。本文从价格、功耗、体积等多个方面与基于CPU的运算平台进行了比较。实验结果表明，采用GPU实现SAR回波仿真相对于传统的基于多线程CPU算法平均加速比达到10倍以上，性价比可以高达6倍以上。 　　[关键词]合成孔径雷达，GPU，回波仿真，性价比 　　中图分类号：V448.25+3 文献标识码：A 文章编号：1009-914X（2015）30-0170-02 　　1 引言 　　合成孔径雷达（SAR，Synthetic Aperture Radar）是一种主动发射微波从而对目标进行观测的遥感设备，具有全天时、全天候的工作特性等优势，因而具有非常重要的应用价值[1][2]。通过实际飞行载体获取SAR原始回波数据既不经济又不够灵活，因此，可以通过模拟的方法获取所需要的原始回波信号。 　　SAR回波数据仿真的运算量是十分巨大的[3][4]。在以往的基于CPU服务器的计算机上仿真SAR回波数据时，随着仿真场景点数和仿真脉冲数的增加，仿真时间成几何量级增加，需要几十分钟甚至几十个小时的时间。通常采用集群技术将多台高性能CPU服务器连接到一起，将回波仿真任务适当地分配到不同的CPU服务器上，以提高仿真效率。但由此将会带来成本、体积、功耗等多方面的提升，性价比相对降低。 　　当前的GPU（Graphic Processing Unit）具有很强的并行计算能力，其浮点运算能力10倍于同代CPU[5]。同时，NVIDIA公司推出的CUDA（Compute Unified Device Architecture）编程架构，增强了GPU的可编程型，在系统模拟、数学建模等通用计算领域有着广泛的应用前景。本文采用GPU对SAR复杂目标进行回波模拟，并从性能、功耗、体积、价格等多个方面与基于CPU的运算平台进行了比较，得出了将GPU应用于SAR回波仿真领域具有很高的性价比的结论。 　　2 CUDA简介 　　CUDA是NVIDIA公司推出的用于GPU计算的开发环境，是一个全新的软硬件架构。其主要特点表现在CUDA独特的存储器模型和异构编程模型[5][6]。CUDA异构编程模型是把CPU作为主控制器（Host）端，GPU作为设备端（Device）。在GPU上运算的函数被称为核，它由主机调用并在设备上运行。 　　CUDA能够并行地执行和管理大量的线程。这些线程在GPU上执行，它们被组织成一个3层结构。线程被组织成为线程块，多个线程块在一个线程网格中运行。同一个块内的线程可以彼此协作，它们通过共享存储器来共享数据，并同步执行来协调存储器的访问。 　　在CUDA架构下，每个线程都有自己的寄存器和本地内存空间。同一个线程块中的每个线程共同用于一份共享内存。此外，所有的线程都共享一份全局内存、常量内存和纹理内存。设计程序时，每个内核需要根据存储量、访问速度、是否为只读等属性来选择合适的存储器，以达到最优的效果。 　　3 基于GPU的SAR回波仿真实现 　　3.1 算法流程 　　基于距离时域脉冲相干法的SAR原始回波数据信号仿真需要对整个场景内的每一个散射点的回波分别进行仿真，然后再进行相干叠加，运算量巨大。基于GPU的SAR回波仿真过程主要分为CPU端执行部分和GPU端执行部分。CPU主要工作包括系统参数设置、目标参数设置、分配内存空间和显存空间并初始化、启动GPU核函数，在GPU核函数计算完成后将位于显存内的回波数据拷贝到主机内存并存储；GPU端主要工作为计算每个散射点所产生的回波信号，具体包括：计算参数初始化、计算雷达平台到目标散射点的斜距和延时、生成目标散射点的回波数据并相干叠加到显存中。 　　图1展示了使用CUDA实现回波仿真算法的处理流程。 　　3.2 GPU并行架构设计 　　SAR各个方位向采样时刻是独立的，距离向各采样点也可以视为独立采样数据。同时，场景中的各散射点也独立反射雷达发射脉冲[7]。因此，可以采用多种线程划分方式实现并行处理。综合考虑GPU处理架构的特点、程序的移植性和扩展性，采用如下的线程划分方式： 　　（1）将方位脉冲数与线程网格相对应。线程网格设置为一维变量，大小等于方位脉冲数。这样的线程网格设置方式只需要启动一次核函数就可以完成所有方位脉冲采样时刻的回波仿真。相比于启动一次核函数仿真一个脉冲发射时刻回波数据，连续调用次核函数完成个脉冲的回波数据仿真的并行处