[发明专利]基于GPU的GRAPES系统优化方法、系统、介质及设备

说明书

本发明涉及一种基于GPU的GRAPES系统优化方法、系统、介质及设备。方法包括：进行数据格式转换以及存储空间开辟的数据初始化；利用CUDA将所述广义共轭余差法的计算流程进行GPU移植，对于计算流程中能进行并行处理的，在GPU中采用多线程并行处理，计算过程中利用显存进行通信，且中间变量均保存在GPU上；对于计算流程中不能并行处理的，将前置数据拷回CPU端进行计算，再将计算结果拷回GPU端。本发明实施例将计算流程进行GPU移植，能进行并行处理的，在GPU中采用多线程并行处理，计算过程中利用显存进行通信，且中间变量均保存在GPU上，避免了和CPU端进行频繁的数据传输，减少了GPU与CPU之间的数据传输开销，提升了程序的整体性能。

技术领域

本发明涉及计算机信息技术领域，尤其涉及一种基于GPU的GRAPES系统优化方法、系统、介质及设备。

背景技术

二十一世纪初期，我国气象学家为改善天气预报模式的性能和满足人民日益增加的对天气预报精度的需求，开始对我国新一代数值天气预报系统(GRAPES)进行自主研究。GRAPES动力框架的计算核心是赫姆霍兹方程的求解，该方程是原始大气方程组经过一系列离散化处理之后形成的大规模稀疏线性方程组。目前对线性方程组的求解方法主要有两种，分别是直接法和迭代法。由于计算机硬件条件的限制使用直接法并不能完成有效求解。而迭代法具有硬件存储空间要求较小，原始矩阵在计算过程中保持不变等优点，所以在求解大规模稀疏线性方程组的方法选择上主要采用迭代法。GRAPES数值天气预报系统目前采用的迭代法为广义共轭余差法(GCR)。

当前赫姆霍兹方程的求解优化工作在CPU方面较多。CPU并行技术主要采用MPI和OpenMP。MPI是消息传递模型，多用于多节点设备，MPI在求解赫姆霍兹方程中的运用主要通过将算法的不同计算任务划分至不同进程中，不同进程并行执行任务。广义共轭余差算法的计算内容主要有稀疏矩阵向量乘、向量内积、向量数乘。这些计算核心分布在不同的迭代过程中，且都具有一定的并行度，所以可以较好地进行MPI进程任务分配。MPI并行优化的缺陷主要在通信开销部分，随着进程数量的增加，进程之间的通信开销也会随之增加，从而限制MPI并行优化的整体性能。OpenMP并行技术属于共享内存模型，与MPI程序相比，OpenMP主要利用共享内存进行数据通信，可以减少一部分通信开销。MPI+OpenMP混合并行技术虽然能够提升一定的求解速度，但计算性能仍然有待提高。

发明内容

本发明所要解决的技术问题是针对现有技术存在的问题，提供一种基于GPU的GRAPES系统优化方法、系统、介质及设备。

为解决上述技术问题，本发明实施例提供一种基于GPU的GRAPES系统优化方法，其中，基于广义共轭余差法求解赫姆霍兹方程的优化过程包括：

进行数据格式转换以及存储空间开辟的数据初始化；

利用CUDA将所述广义共轭余差法的计算流程进行GPU移植；

对于计算流程中能进行并行处理的，在GPU中采用多线程并行处理，计算过程中利用显存进行通信，且中间变量均保存在GPU上；

对于计算流程中不能并行处理的，将前置数据拷回CPU端进行计算，再将计算结果拷回GPU端。

为解决上述技术问题，本发明实施例还提供一种基于GPU的GRAPES系统优化系统，所述系统包括：

数据初始化模块，用于进行数据格式转换以及存储空间开辟的数据初始化；

GPU移植模块，用于利用CUDA将所述广义共轭余差法的计算流程进行GPU移植；

GPU计算模块，对于计算流程中能进行并行处理的，在GPU中采用多线程并行处理，计算过程中利用显存进行通信，且中间变量均保存在GPU上；

CPU计算模块，对于不能并行处理的，将前置数据拷回CPU端进行计算，再将计算结果拷回GPU端。