بهبود کارایی سیستم های پردازشی ترکیبی: مورد مطالعه الگوریتم های جبر خطی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 713

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

COMPUTER01_020

تاریخ نمایه سازی: 22 مهر 1394

چکیده مقاله:

امروزه پردازنده های مرکزی و گرافیکی هر یک از توان پردازش موازی خاص خود برخوردارند. یکی از راه کارهای بهبود هر چه بیشتر کارایی سیستم ها اینست که بتوان از توانمندی های هر دو نوع پردازنده به تناسب کارکردهای هر یک بهره برداری نمود. به عبارت دیگر اگر بتوان هر کار را روی پردازنده مناسب اجرا کرد، کارایی کل سیستم بهبود می یابد. در این پژوهش پس از تحلیل نظری سیستم های پردازشی ترکیبی، الگوریتم های جبر خطی به طور خاص بررسی شده اند. سپس این تحلیل نظری با اجرای یک نمونه الگوریتم جبر خطی به دو شیوه مورد سنجش قرار گرفته است. در شیوه اول، الگوریتم بصورت ترتیبی روی پردازنده مرکزی پیاده سازی می گردد و در شیوه دوم نیز اجرا بصورت ترکیبی موازی روی پردازنده های مرکزی و گرافیکی خواهد بود.

نویسندگان

فاطمه ناظمی جنابی

دانشگاه پیام نور واحد تهران شمیرانات

حمیدرضا حمیدی

دانشگاه بین المللی امام خمینی قزوین

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Towards Dense Linear Algebra for Hybrid GPU accelerated manycore Systems. ...
  • Transparenr CPU-GPU Collaboration for Data-parallel Kernels on Hetrogeneous systems. Janghaeng, ...
  • Hybrid Computing: CPU+GPU Co-processing and its Application to Tomographic Reconstructio, ...
  • What's next in high Performance Computing? Bell, Gordon and Gray, ...
  • PEPPHER: Efficent and Productive Usage of Hybrid Computing Systems. Benkner, ...
  • Power Efficent Work Distribution Method for CPU-GPU Hetrogeneous Systems. Wang, ...
  • Evaluating application performance and energy consumption on hybrid CPU+GPU architecture. ...
  • Cooperative heterogeneous computing for parallel processing on CPU/GPU hybrids. Lee, ...
  • Efficent Parallel Graph Exploration on Multi-Core CPU and GPU. Hong, ...
  • Providing Source Code Level Portability Between CPU and GPU with ...
  • APTCC : Auto Parallelizing Translator From C To CUDA. Nawataa, ...
  • hiCUDA: High-Level GPGPU Programming. Han, Tianyi David and Abdelrahman, Tarek ...
  • Introduction to GPGPU, a hardware and software background. de Verdiere, ...
  • Agullo, Emmanuel, et al. Faster, Cheaper, Better - a Hybridization ...
  • NVIDIA Corporation. CUDA Tool, [Online] http://www. culatools.co. ...
  • University of Tennesee. MAGMA. [Online] http : //icl. cs _ ...
  • Dongarra, Jack, et al. MAGMA: A New Generation of Linear ...
  • An Improved Magma Gemm For Fermi Graphics Processing Units. Nath, ...
  • Benchmarking GPUs to _ Dense Linear Algebra. Volkov, Vasily and ...
  • NVIDIA Corporation. CUBLAS- NVIDIA Developer Zone. NVIDIA Developer Zone. [Online] ...
  • --. cuSPARSE Library v 5.0. [Online] 2012. http ://docs .nvidia. ...
  • CULA: Hybrid GPU Accelerated Linear Algebra Routines. Humphrey, John R., ...
  • EM Photonics & NIDIA. CULA Performanc _ _ CULA http ...
  • Spagnoli, Kyle. New Advances in GPU Linear Algebra. [Online] May ...
  • EM Photonics & NVIDIA CULA Sparse Reference Manual. CULA Tool, ...
  • BLAS Comparison on FPGA, CPU and GPU. Kestur, Srinidhi, Davis, ...
  • A High -Performance, Low-Power Linear Algebra Core. Pedram, Ardavan, Gerstlauer, ...
  • Farber, Rob. Cuda Application Design and Development. s.l. : Morgan ...
  • نمایش کامل مراجع