基于GPU集群的能效优化调度算法
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 GPGPU负载性能功耗方面的研究 | 第11页 |
| 1.2.2 GPU集群管理方面的研究 | 第11-13页 |
| 1.3 研究内容 | 第13-15页 |
| 1.4 组织结构 | 第15-16页 |
| 第2章 GPU架构集群概述及其影响因素 | 第16-33页 |
| 2.1 GPU影响因素 | 第16-28页 |
| 2.1.1 体系结构对性能的影响因素 | 第17-20页 |
| 2.1.2 负载代码对性能的影响因素 | 第20-21页 |
| 2.1.3 体系结构对能耗的影响因素 | 第21-24页 |
| 2.1.4 负载代码对能耗的影响因素 | 第24-28页 |
| 2.2 GPU集群概述 | 第28-32页 |
| 2.2.1 GPU集群管理系统 | 第28-29页 |
| 2.2.2 集群调度系统 | 第29-30页 |
| 2.2.3 集群调度算法 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 GPGPU能效模型 | 第33-50页 |
| 3.1 能效建模方法分析 | 第33-34页 |
| 3.2 GPGPU性能预测模型 | 第34-42页 |
| 3.2.1 计算特征提取 | 第34-36页 |
| 3.2.2 特征数据预处理 | 第36页 |
| 3.2.3 关键特征提取 | 第36-39页 |
| 3.2.4 基于BP的性能预测模型 | 第39-41页 |
| 3.2.5 模型预测结果分析 | 第41-42页 |
| 3.3 GPGPU能耗预测模型 | 第42-48页 |
| 3.3.1 特征提取 | 第42-43页 |
| 3.3.2 基于遗传算法优化的BP的能耗预测算法 | 第43-44页 |
| 3.3.3 模型预测结果分析 | 第44-48页 |
| 3.4 集群适用的能效模型 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于人工蜂群的GPU集群能效优化算法 | 第50-60页 |
| 4.1 算法提出的背景 | 第50-51页 |
| 4.2 问题模型描述 | 第51-52页 |
| 4.3 GPU集群能效优化调度算法 | 第52-54页 |
| 4.3.1 算法功能模块 | 第52-53页 |
| 4.3.2 算法描述 | 第53-54页 |
| 4.4 基于改进人工蜂群算法的调度策略 | 第54-59页 |
| 4.4.1 传统的人工蜂群算法 | 第54-55页 |
| 4.4.2 加速收敛的蜂群算法思想及改进 | 第55-57页 |
| 4.4.3 加速收敛蜂群的时间复杂度与伪代码分析 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 GPU集群搭建及算法性能分析 | 第60-69页 |
| 5.1 GPU集群搭建 | 第60-63页 |
| 5.2 集群调度算法分析 | 第63-68页 |
| 5.2.1 集群能耗情况分析 | 第63-65页 |
| 5.2.2 调度算法效果分析 | 第65-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 工作总结 | 第69-70页 |
| 6.2 工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读学位期间取得的学位论文相关科研成果 | 第75页 |
