图形处理器通用计算的功耗分析与优化研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第14-34页 |
| 1.1 引言 | 第14-15页 |
| 1.2 GPU 通用计算关键问题 | 第15-24页 |
| 1.2.1 GPU 体系及发展 | 第15-17页 |
| 1.2.2 GPU 编程模型 | 第17-19页 |
| 1.2.3 存储模型与分析 | 第19-21页 |
| 1.2.4 通信模型 | 第21-22页 |
| 1.2.5 负载均衡 | 第22-24页 |
| 1.3 大数据处理 | 第24-26页 |
| 1.4 处理器能耗研究 | 第26-29页 |
| 1.4.1 CPU 能耗研究 | 第26-27页 |
| 1.4.2 GPU 能耗研究 | 第27-29页 |
| 1.5 集群能耗研究 | 第29-31页 |
| 1.5.1 CPU 集群能耗 | 第29-30页 |
| 1.5.2 GPU 集群能耗 | 第30-31页 |
| 1.6 可靠性与容错计算 | 第31-34页 |
| 1.6.1 GPU 片内可靠性与容错 | 第31-33页 |
| 1.6.2 GPU 分布式可靠性与容错 | 第33-34页 |
| 第二章 基于指令层的功耗预测模型 | 第34-48页 |
| 2.1 相关工作 | 第34-35页 |
| 2.2 研究背景 | 第35-38页 |
| 2.2.1 PTX 简介 | 第35-36页 |
| 2.2.2 指令分类 | 第36-37页 |
| 2.2.3 能耗测量 | 第37页 |
| 2.2.4 功耗分析 | 第37-38页 |
| 2.3 能耗预测模型 | 第38-44页 |
| 2.3.1 相关概念 | 第38-40页 |
| 2.3.2 预测模型 | 第40页 |
| 2.3.3 预测算法 | 第40-44页 |
| 2.3.4 原型系统 | 第44页 |
| 2.4 实验及分析 | 第44-46页 |
| 2.5 小结 | 第46-48页 |
| 第三章 静态功耗预测模型研究 | 第48-66页 |
| 3.1 相关工作 | 第48-51页 |
| 3.1.1 能耗与功耗 | 第48页 |
| 3.1.2 程序切片法 | 第48-50页 |
| 3.1.3 功耗影响因素 | 第50-51页 |
| 3.2 切片功耗模型 | 第51-56页 |
| 3.2.1 回归预测模型 | 第51-53页 |
| 3.2.2 小波神经网络预测模型 | 第53-56页 |
| 3.3 程序功耗预测模型 | 第56-62页 |
| 3.3.1 分支稀疏程序的功耗预测模型 | 第56-57页 |
| 3.3.2 BSPM 关键技术 | 第57-60页 |
| 3.3.3 分支稠密程序的功耗预测模型 | 第60-61页 |
| 3.3.4 BDPM 关键技术 | 第61-62页 |
| 3.4 实验分析 | 第62-65页 |
| 3.4.1 BSPM 的验证 | 第63页 |
| 3.4.2 BDPM 的验证 | 第63-64页 |
| 3.4.3 不同体系的对比 | 第64-65页 |
| 3.5 小结 | 第65-66页 |
| 第四章 单 GPU 节点的能耗优化 | 第66-89页 |
| 4.1 大数据处理 | 第66-67页 |
| 4.2 模型 | 第67-68页 |
| 4.2.1 任务模型 | 第67页 |
| 4.2.2 核函数模型 | 第67页 |
| 4.2.3 能耗模型 | 第67-68页 |
| 4.2.4 评估指标 | 第68页 |
| 4.3 并行调度策略 | 第68-72页 |
| 4.3.1 多阶段并行策略 MSPS | 第69页 |
| 4.3.2 多轮并行策略 MPPS | 第69-70页 |
| 4.3.3 性能分析 | 第70-71页 |
| 4.3.4 能耗分析 | 第71-72页 |
| 4.4 实验及分析 | 第72-75页 |
| 4.4.1 仿真实验 | 第73-74页 |
| 4.4.2 工程应用实验 | 第74-75页 |
| 4.5 复杂网络聚类 | 第75-83页 |
| 4.5.1 快速复杂网络算法 | 第76页 |
| 4.5.2 GPU 复杂网络聚类算法 | 第76-80页 |
| 4.5.3 两种并行策略的对比 | 第80-81页 |
| 4.5.4 实验分析 | 第81-83页 |
| 4.6 计算可靠性 | 第83-87页 |
| 4.6.1 GPU 故障检测及容错 | 第83-84页 |
| 4.6.2 计数型抽样故障检测 | 第84-86页 |
| 4.6.3 容错机制的分析 | 第86-87页 |
| 4.7 小结 | 第87-89页 |
| 第五章 GPU 集群能耗优化的控制模型 | 第89-111页 |
| 5.1 研究背景 | 第90页 |
| 5.1.1 GPU 能耗特征 | 第90页 |
| 5.1.2 GPU 能耗调整 | 第90页 |
| 5.2 相关模型 | 第90-92页 |
| 5.2.1 数据流 | 第91页 |
| 5.2.2 GPU 集群模型 | 第91页 |
| 5.2.3 GPU 能耗模型 | 第91-92页 |
| 5.3 GPU 能耗优化控制 | 第92-99页 |
| 5.3.1 现存方法 | 第92-95页 |
| 5.3.2 模型预测控制 | 第95-99页 |
| 5.4 大规模实时数据流 | 第99-104页 |
| 5.4.1 视频数据流 | 第99-100页 |
| 5.4.2 入侵数据流 | 第100-102页 |
| 5.4.3 动态蜜网部署 | 第102-104页 |
| 5.5 实验分析 | 第104-110页 |
| 5.5.1 实验方法 | 第104-105页 |
| 5.5.2 仿真数据 | 第105-107页 |
| 5.5.3 工程测试数据 | 第107-108页 |
| 5.5.4 参数优化 | 第108-110页 |
| 5.6 小结 | 第110-111页 |
| 第六章 基于可靠性的 GPU 集群能耗优化控制 | 第111-128页 |
| 6.1 研究动机 | 第111-112页 |
| 6.2 量化模型 | 第112-114页 |
| 6.2.1 性能模型 | 第112页 |
| 6.2.2 能耗模型 | 第112页 |
| 6.2.3 可靠性模型 | 第112-114页 |
| 6.3 极大熵函数法 | 第114-116页 |
| 6.3.1 多目标优化 | 第114页 |
| 6.3.2 极大熵函数转化 | 第114-116页 |
| 6.4 模型预测控制 | 第116-121页 |
| 6.4.1 控制模型 | 第116-118页 |
| 6.4.2 控制系统分析 | 第118-119页 |
| 6.4.3 算法描述 | 第119-121页 |
| 6.5 实验分析 | 第121-126页 |
| 6.5.1 可靠性分析 | 第121-122页 |
| 6.5.2 算法对比 | 第122-123页 |
| 6.5.3 计算负载的影响 | 第123-125页 |
| 6.5.4 能耗优化分析 | 第125-126页 |
| 6.6 讨论 | 第126-127页 |
| 6.7 小结 | 第127-128页 |
| 第七章 结束语 | 第128-130页 |
| 7.1 工作总结 | 第128-129页 |
| 7.2 研究展望 | 第129-130页 |
| 参考文献 | 第130-143页 |
| 在读期间公开发表的论文和承担科研项目及取得成果 | 第143-145页 |
| 致谢 | 第145页 |
