图形处理单元,也叫Graphics Process Unit(GPU)是现代计算机系统中不可或缺的硬件之一,它的初衷是为了承担计算机系统中关于图形图像的运算。近些年,随着计算机技术的发展,计算机的应用范畴也大大拓展,GPU也由传统的图形图像计算,开始承担更多的通用计算的功能:例如机器学习、视频编解码等等。与此同时,云计算的浪潮,让越来越多的应用选择部署到云上,其中不乏GPU计算密集型的应用。因此,云提供商正寻求着高效、可拓展的GPU虚拟化方案。然而,目前最前沿的GPU虚拟化方案,例如iGVT-g,却面临着可拓展性不足的问题。本文提出了gScale,一种基于iGVT-g的,可拓展的GPU虚拟化方案。通过利用GPU编程模型,gScale将全局显存地址空间的静态划分和共享结合在一起,从而形成一种动态的资源利用机制,打破了iGVT-g所存在的全局显存地址空间不足的硬件限制。我们在设计gScale时,提出了三种创新机制,它们分别是:(1)私有全局显存影子页表,让全局显存地址空间得以在多个虚拟机中复用。(2)梯子映射与fence地址池,让CPU可以绕过全局显存地址空间访问宿主机的物理地址空间,解决由于私有全局显存影子页表引入的,CPU和GPU在访问全局显存空间时的冲突问题。(3)分区共享等优化机制,降低全局显存影子页表拷贝的性能开销,提高多台虚拟机实例同时运行时的总体性能。通过实验分析表明,gScale可以同时运行多达15台Linux虚拟机或者12台Windows虚拟机,分别是同等硬件条件下iGVT-g可拓展性的5倍和4倍。与此同时,当gScale在运行多个虚拟机实例的时候,整体性能与iGVT-g相当,产生的开销处于可接受的水平,某些情况下,额外开销可低至整体性能的5%以内。