论文部分内容阅读
作为一种新兴的计算平台,图形处理器(GPU)在科学计算和工程领域展现出巨大的计算能力。GPU也很快由单纯的图形处理加速单元,演变成适合通用计算的处理器(GPGPU)。然而随着计算性能和存储带宽的提升,GPGPU的功耗也由以前的几十瓦增大到数百瓦,严重影响了GPGPU系统的设计,这使得功耗成为设计高性能GPU系统首先考虑的重要指标之一。热设计功耗是衡量GPU的热量释放的指标,决定GPU冷却模块和电源模块的功耗设计。通常热设计功耗来自GPGPU满负荷状态下实际能达到的极限功耗值。因此,准确地测试极限功耗对高性能GPGPU的设计有重要的意义。大量并行的计算核心、多层次的存储系统和复杂的内部互联结构使得GPU实际的极限功耗测试工作极其困难。传统的做法是手工编写功耗病毒程序进行测试。这种方法繁琐耗时,要求设计人员精通GPGPU体系结构和编译器原理。通常,手工编写的功耗程序无法保证测得的极限功耗的准确性,且不适用于不同的GPGPU体系结构。针对上述问题,本文深入研究了当前GPGPU主流基准测试程序的功耗特征,设计了一种基于遗传算法的GPGPU极限功耗测试框架。本框架首先通过一种基于随机森林的功耗分析模型对程序功耗影响因子进行分析,抽象出用于参数化描述功耗负载的负载模型。然后结合框架设计的代码合成算法生成相应的功耗负载模型搜索空间,最后由机器学习模块SNAP使用遗传算法对负载模型空间进行自动化搜索求出极限功耗最优解。本文借助gpgpu-sim和gpgpu-wattch模拟器对NVIDIA公司的GTX480和quadro FX5600两款GPGPU进行测试。实验表明使用自动化框架测得的两款GPU的极限功耗分别比当前主流GPGPU基准测试程序测得的最大功耗高出19%和14%。同时结合静态功耗,框架测得极限功耗与官方设计的TDP误差只有6%和3%。本文设计的极限功耗测试框架采用一种系统化的方法,不但可以简单、准确、快速地找到不同体系结构GPGPU的极限功耗,而且还可以对新型GPGPU系统进行风险和效率评估,对现代新型GPGPU系统的设计有重要的意义。