射电数据处理的流程包括各类校准、射频干扰消除、频率参考系转换、Gridding、信号提取等步骤,Gridding是其中计算最为密集的步骤。Gridding负责将校正后的采样数据从不规则的采样空间转换到规则的网格空间,从而生成均匀网格下的观测图像。随着新一代设备的落成,射电数据生产量已经达到了TB/hr量级,对Gridding步骤而言是一项巨大的挑战。虽然目前存在很多可以借鉴的Gridding性能优化的研究成果,而且主要是借助多核异构的硬件结构来提升效率。但它们大部分是面向干涉阵的,或者是针对小规模数据以及网格分辨率的,或者是结合望远镜进行的深度定制。要满足新一代设备的数据处理的性能要求,Gridding在处理效率上还有很大的提升空间。因此,结合大规模射电数据的特点,考虑到CPU和GPU各自的优势,本课题提出了一种CPU-GPU异构结构下基于卷积的Gridding优化算法(CPUGPU Hybrid Convolution-based Gridding,HyGrid)。通过限制卷积的数据查找空间和计算量,提高设备内存的读写效率,HyGrid能够在整体上提升了Gridding的性能。HyGrid算法主要包含两部分:第一部分利用多核CPU对采样数据进行重排,并基于有序数据设计了两级查找表的构建方法,从而快速定位需要卷积的数据并且减少计算量;第二部分在GPU上加速卷积计算本身,采用了线程组织配置、寄存器和纹理内存、线程粗化等并行优化策略来提升存储器访问的效率以及设备的利用率。性能分析表明,HyGrid能够满足大规模射电数据以及大规模网格分辨率的Gridding处理需求,与传统的多线程CPU方法相比,HyGrid能在整体上将Gridding计算的性能提升104.67倍。