[发明专利]一种任务调度处理方法及装置

说明书

技术领域

本发明属于调度控制领域，尤其涉及一种任务调度处理方法及装置。

背景技术

CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题，它包含了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎；由于GPU具有远远高于CPU的浮点运算能力和内存带宽，同时由于其高度的并行性，非常适合于大规模数据处理。

但是，目前在CPU上进行任务处理，且写入到全局内存global memory的数据数量很大(8192bit)，大大影响了任务处理效率。

因此，迫切需要提供一种利用GPU性能，实现高效的任务调度处理方案来解决上述技术问题。

发明内容

本发明提供一种任务调度处理方法及装置，以解决上述问题。

本发明提供一种任务调度处理方法，包括以下步骤：在全局内存中建立映射表；其中，所述映射表包括任务名称、任务对应的调度单元、任务对应的执行函数；所述调度单元调用所述执行函数，对所述任务进行处理。

本发明提供一种任务调度处理装置，包括处理器，适于实现各指令；存储设备，适于存储多条指令，所述指令适于由所述处理器加载并执行；

在全局内存中建立映射表；其中，所述映射表包括任务名称、任务对应的调度单元、任务对应的执行函数；

所述调度单元调用所述执行函数，对所述任务进行处理。

本发明实施例提供的技术方案：在全局内存中建立映射表；其中，所述映射表包括任务名称、任务对应的调度单元、任务对应的执行函数；所述调度单元调用所述执行函数，对所述任务进行处理。通过在GPU上对多个任务进行科学管理调度，大大提高了任务执行效率。

本发明实施例提供的技术方案：将任务处理结果存储至共享内存；其中，所述全局内存、所述共享内存均位于图形处理器GPU。通过使用在GPU上的共享内存进行数据的操作，大大提高的处理速度，提高了任务执行效率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1所示为本发明实施例1的任务调度处理方法流程图；

图2所示为本发明实施例2的任务调度处理装置结构图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

图1所示为本发明实施例1的任务调度处理方法流程图，包括以下步骤：

步骤101：在全局内存中建立映射表；其中，所述映射表包括任务名称、任务对应的调度单元、任务对应的执行函数；

步骤102：所述调度单元调用所述执行函数，对所述任务进行处理。

进一步地，将任务处理结果存储至共享内存；其中，所述全局内存、所述共享内存均位于图形处理器GPU。

进一步地，若所述任务被划分为多个子任务，则所述映射表还包括：子任务名称、子任务对应的调度子单元、子任务对应的执行函数；

所述调度子单元调用所述子任务对应的执行函数，对所述子任务进行处理。

其中，建立共享内存数组并将共享内存数组地址传给所述执行函数；

所述调度子单元调用所述子任务对应的执行函数，并将子任务处理结果传输至所述共享内存数组中选择的同一地址的共享内存。

进一步地，所述调度子单元调用所述子任务对应的执行函数，通过运行多个线程，对所述子任务进行处理。

其中，所述多个线程对应同一地址的共享内存。

下面进行详细说明：

本发明实施例充分利用众核并行计算形式对矩阵向量乘法进行加速，在全局内存GlobalMemory中建立映射表，并确定执行函数即Kernel函数，对于共享内存SharedMemory，采用静态分配的方式对多任务进行分配。

进一步地，在全局内存中建立映射表；其中，所述映射表包括任务名称、任务对应的调度单元、任务对应的执行函数。

若所述任务被划分为多个子任务，则所述映射表还包括：子任务名称、子任务对应的调度子单元、子任务对应的执行函数。