嵌入式异构多核系统应用程序自动并行化过程关键技术研究

Heterogeneous multi-core systems will unavoidably become the mainstream architecture of embedded systems, for its advantages at performance, flexibility, and energy efficiency. Research on efficiently exploiting the huge amount of hardware resources in embedded heterogeneous multi-core systems, and the parallelism of application programs, to enhance performance of the whole system, has become very popular. This research is focused on the automatic parallelization of applications for embedded heterogeneous multi-core systems. Data intensive research methods will be exploited to help construct modeling method for hardware resources in heterogeneous multi-core systems, and to help design paralleled task dividing, scheduling and mapping algorithms. Researches on techniques that can enhance the real-time characteristic and the parallelism of applications will also be included in this work. Those algorithms and techniques will be implemented based on open source compiler. The construction of the automatic parallelization platform will largely enhance the design efficiency, retargetablity, and flexibility of parallel applications for embedded heterogeneous multi-core systems.

异构多核系统凭借其在处理能力、适应性和能耗有效性方面的优势，必将成为嵌入式系统的主流架构。如何有效利用嵌入式异构多核系统中的海量硬件资源，充分挖掘应用程序中的并行性，提升系统整体性能，已成为国际上的一个重要研究课题。本课题拟以多媒体处理领域为研究对象，结合数据密集型研究方法，围绕嵌入式异构多核系统的应用自动并行化过程开展研究，重点突破异构多核系统硬件资源的建模方法，考虑系统异构特性的并行任务的划分、映射和调度算法，以及提升应用运行时实时特性和并行效率的相关技术，并基于开源编译器实现所提出的算法和方法，构建应用自动并行化平台，大幅提升嵌入式异构多核系统的并行应用开发效率。

异构多核系统凭借其在处理能力、适应性和能耗有效性方面的优势，必将成为未来的主流架构。如何有效利用异构多核系统中的海量硬件资源，充分挖掘应用程序中的并行性，提升系统整体性能，已成为国际上的一个重要研究课题。本课题的总体目标是围绕异构多核系统的应用自动并行化过程，运用数据密集型研究方法，重点突破其中多项关键技术，实现一种高效开发高性能并行应用的方式。目前，已经结合多媒体处理、神经网络仿真、智能交通、精准医学等应用领域实现了一种具备普适性的面向特定应用领域的异构多核系统硬件资源建模方法。参照了多种编译器中间表示形式的结构，优化设计了一种面向异构多核系统的应用程序中间表示形式，以便更好地将应用程序的行为与硬件资源的特性进行匹配。并运用了诸如聚类、标签等数据密集型研究方法，充分考虑系统异构特性的影响，实现了并行任务的划分、映射和调度优化算法。还探索了充分运用了异构多核系统的海量硬件资源，提升了应用运行时的实时特性和并行效率的方法。相关研究成果已经成功应用于多个热门研究领域。在多媒体处理领域，针对多媒体数据的传输安全问题，基于指令集扩展，实现了相应的多媒体编解码多核系统，并构建了对应的并行化程序。在神经网络仿真领域，基于并行化技术构建了可视化并行化网络仿真平台，可基于该平台实现30万规模脉冲神经网络的仿真，开展脉冲神经网络学习算法的研究，并已经成功将脉冲神经网络运用于图像识别和运动物体识别领域。在智能交通领域，将自动并行化技术应用在了构建交通流数据的分析和预测方面。基于所设计的自动并行化技术，实现了对于交通流数据的入库、整理，并可基于历史交通流数据构建时变交通模型，可基于当前交通数据构建路网状况，并结合低碳排放数据去引导交通流，从而实现基于低碳环保的导航算法。在精准医学领域，主要是将并行化技术应用到了meta分析的自动化过程与构建可视化并行化医学研究平台方面，大大提升了对于医学数据的研究效率。