GPU协同计算模型在大数据处理中的应用研究

"面向大数据复杂应用的GPU协同计算模型" 大数据处理是现代信息技术领域的重要组成部分，涉及多种计算模式，如流计算、内存计算、批计算和图计算。这些不同的计算模式各自具有独特的访存、通信和资源利用特性。随着大数据分析需求的日益增长，GPU异构集群因其强大的并行计算能力在大数据分析中被广泛采用。然而，针对GPU异构集群在大数据分析中的计算模型研究却相对匮乏。 为了解决这一问题，研究人员提出了一个名为p-DCOT（多阶段协同计算模型）的理论框架，旨在深入理解GPU与多核CPU协同计算的过程。p-DCOT模型基于BSP（Bulk Synchronous Parallel）大同步并行模型，将协同计算过程划分为数据层、计算层和通信层三个阶段。这种分层结构有助于分析和优化各个阶段的性能，同时利用DOT（Data-Operational Transitions）模型的矩阵形式，详细描述计算和通信的行为。 在p-DCOT模型中，对节点内和节点间的协同计算行为进行了扩展描述，通过细化负载均衡的参数，可以更准确地预测和控制计算任务的时间成本。研究人员还通过实际的计算作业验证了该模型的有效性，并进行了参数分析，以确保模型的实用性和准确性。 这篇由张龙翔、曹云鹏和王海峰等人完成的研究工作，得到了山东省自然科学基金、山东省高等学校科学技术计划项目以及山东省重点研发项目的资助。他们的研究对于理解和优化GPU异构集群在大数据处理中的协同计算行为提供了理论基础，有助于提升大数据分析的效率和性能。 关键词：协同计算模型；计算模式；大数据处理；GPU异构集群 这篇研究文章发表于《信息科学与工程学院》期刊，其doi为10.19734/j.issn.1001-3695.2019.02.0016，对深入理解GPU在大数据环境下的协同计算提供了重要的理论参考。