异构多核处理器系统计算与内存协同调度研究

The complexity of applications and the heterogeneity of computing and storage resources make the traditional task scheduling problem more and more complicated. The collaborative scheduling mechanism and algorithm of computing and storage resources are the key factors determining whether a heterogeneous multi-core processor system can become a high-performance and energy-aware computing platform that meets the application requirements. Based on domain-specific- oriented applications, this project intends to use hybrid monitoring to perceive the behavior of complex programs, optimize scheduling cost and prediction model based on machine learning, and collaboratively consider the impact of the heterogeneity of the kernel and memory devices on program execution performance. Considering the fact that computing resources are closely related with on-chip storage resources and the completion for shared resources and interference between multiple threads, this project intends to design novel distributed computing and storage collaborative scheduling mechanism and key algorithm, which aims at improving the quality of thread scheduling. Finally, simulator will be employed to simulate and evaluate the theoretical results, and then the collaborative scheduling mechanism and algorithm will be implemented and testified on the driverless vehicle integration verification platform. This research proposal has important theoretical and practical significance to the development of the performance evaluation method and prediction theory for complex heterogeneous computing systems, and also to the construction of high-performance and energy-aware computing systems oriented at multiple and complex new applications.

应用的复杂性和计算与存储资源的异构性使得传统的任务调度问题日益复杂。计算与存储资源的协同调度机制与算法是异构多核处理器系统能否成为满足应用需求的高效能计算平台的关键。项目拟面向应用领域使用混合监测的方法感知复杂程序的行为，并基于机器学习方法优化调度成本和预测模型，协同考虑计算内核及存储器件的异构性对程序执行性能的影响；考虑到计算资源与片上存储资源紧密相关以及多个线程之间对于共享资源的竞争和干扰，拟设计新的分布式计算与存储协同调度机制及关键算法，优化线程调度质量；最后，使用模拟器对理论成果进行数值仿真与评估，并基于无人驾驶汽车集成验证平台对协同调度机制和算法进行工程实现与验证。项目的研究对于发展复杂异构计算系统性能评价与预测理论和方法，构建面向多种类型复杂新应用的高效能计算系统，具有重要的理论和现实意义。

本研究拟解决面向人工智能、智能汽车与CPS、移动互联网等新兴领域应用的各种异构多核处理器系统的开发和设计中所面临的计算与存储资源的协同调度问题。项目中综合考虑系统性能、功耗、信息安全和服务质量等多种优化目标，面向几类典型应用在调度理论和算法设计与实现等方面进行研究，具体包括应用程序测试、面向领域的调度和数据存储建模、异构多核处理器中的任务和存储资源管理。.本项目面向人工智能算法的推荐系统、汽车信息物理系统和大数据金融三种典型应用场景中的相关问题进行研究。首先，项目组对互联网推荐系统中常用的基于随机梯度下降的矩阵分解应用、汽车信息物理系统的车载电子系统应用和互联网金融大数据三类完全不同应用进行了程序分析和测试工作。然后，项目组一个是建立了基于随机梯度下降的推荐系统多CPU/GPU异构多核系统的同步/异步成本模型，另一方面也针对汽车信息物理系统中混合关键级任务建立了异构多核系统的任务管理模型，从而可以在理论上分析和演算复杂任务调度流程。第三，项目组选择互联网金融应用程序进行了P2P金融大数据的数据分布建模，并根据实际存储系统中所用的存储设备的特性，研究了基于闪存的应用程序访问行为建模和管理方法。最后，项目组设计和实现了针对矩阵分解大数据应用的多CPU/GPU异构多核系统协同调度框架和汽车电子系统任务/消息调度系统。.本项目对推荐系统、汽车信息物理系统与存储、金融大数据等多个重要领域中的关键应用进行了大量的测试，并构建了相关时间开销模型、能耗开销模型、调度模型和数据预测模型。建立了一个包含GPU和多核CPU的异构统一计算平台，该计算平台能有效加速矩阵分解应用。建立了一个异构分布式多ECU的汽车信息物理系统验证平台。通过项目的执行，发表相关高水平研究论文14篇，申请发明专利6项，软件著作权3项，教学论文1篇。