一种基于主动认知决策的高效能模型

发布时间：2019-11-01 18:50

【摘要】：随着高性能计算机的发展,如何降低功耗、提高计算机的效能,越来越受到人们的关注。针对高性能计算机的效能问题,采用可重构思想,提出一种基于主动认知决策的高效能模型。该模型不断感知应用任务的实时状态,并对应用状态和当前应用结构做出评估决策,通过主动重构应用结构来达到降低系统能耗和提高效能的目的。为了验证模型的有效性,搭建了原型实验系统,实现了视频拷贝检测和口令恢复两个应用,并采用真实的互联网流量统计曲线模拟负荷。结果表明,基于该模型构建的应用能够提高系统的效能,在上述环境下,与传统方法相比,效能提高了58%。
【图文】：

架构图,原型,架构,平台

ＣＰＵ和非ＣＰＵ处理单元的比例可以自由调整。理论上，当节点内ＣＰＵ个数或ＲＰＵ个数的其中一个为０时，该节点将退化为一致的；当ＣＰＵ个数和ＲＰＵ个数都不为０时，该节点为非一致的。在系统层面，当所有节点组成恰好相同时，系统将退化为一致的；反之，系统是非一致的。因此，从这个角度上说，ＵＮＮＳ和ＮＮＵＳ只是３ＮＳ的特殊情况。需要指出的是，尽管图１和本文实验平台仅使用了可重构ＦＰＧＡ作为异构设备，但实际上３ＮＳ也可以包含其它类型的异构设备。图２给出了实验平台的总体架构。原型实验平台中一共包含了１５个节点，它们又被分为２类：１０个通用处理节点（ＣＰＮ）和５个混合可重构处理节点（ＨＲＰＮ）。使用ＩＢＭ的Ｘ３６５０Ｍ３商用服务器作为ＣＰＮ，每台机器包含一个ＸｅｏｎＸ５６５０２．６６ＧＨｚ的６核处理器，２＊４ＧＢ的内存，并配备２个Ｉｎｔｅｌ的４端口以太网千兆网卡Ｉ３５０－Ｔ４和一个Ｉｎｔｅｌ万兆网卡８２５９９ＥＢ。在ＨＲＰＮ中，每个节点包含１个Ａｔｏｍ处理器、４个ＸｉｌｉｎｘＶｉｒｔｅｘ－６ＸＣ６ＶＬＸ５５０ＴＦＰＧＡ芯片。Ａｔｏｍ处理器配备２ＧＢ内存。每个ＦＰＧＡ配备了独立的３＊８ＧＢ的内存、１个Ｉｎｔｅｌ万兆网卡８２５９９ＥＢ。节点内ＦＰＧＡ通过点对点的ＧＴＸ＊４进行数据传输，节点间处理单元采用ＩｎｆｉｎｉＢａｎｄ网络进行数据通信，对千兆以太网进行管理控制。Ａｔｏｍ处理器与ＦＰＧＡ通过Ｊｔａｇ菊花链的方式连接。图２原型平台架构３高效能

平均性能,效能,检测系统,节点性能

６０３３６００３１０．１５１５００．２０７ＨＲＰＮ＼字典８７４６４１９３６００６１３２０．２３２３０２６．６６ＨＲＰＮ＼穷举２８８３６１３７３６００８０１００．１９１９０４２．１５４．３集群平均性能和效能为了测试在不同系统规模下，高效能模型对两种应用任务性能和效能的影响，设计了视频拷贝检测、口令恢复字典模式和口令恢复穷举模式分别在ＣＰＮ节点规模为２、４、６、８、１０和ＨＲＰＮ节点规模为１、２、３、４、５时的３０种实验场景。测试结果分别如图４、图５所示。可以看出，，ＣＰＮ集群的性能并不是单个节点最大性能的倍数，与最大性能的倍数相差较多，这主要是由ＣＰＮ节点重构时间较长和处理速度较慢造成的。ＨＲＰＮ集群的少量性能损失主要是因为负荷发送模型导致部分节点在某段时间处于“饥渴”状态，没有发挥出最大性能。对比表２、图４和图５还可得出：（１）当处理单元重构时间较短、处理速度较快时，认知决策和系统重构取得的效果较好；（２）认知决策和系统结构重构并没有损失系统的额外性能；（３）当集群规模达到一定程度时，系统性能可以达到或接近系统的最大性能；（４）认知决策和系统结构重构对效能提升明显，尤其是对处理节点数比较多的大规模系统。（ａ）ＣＰＮ节点性能和效能（ｂ）ＨＲＰＮ节点性能和效能图４视频拷贝检测系统的平均性能和效能（ａ）ＣＰＮ节点性能和效能（ｂ）ＨＲＰＮ节点性能和效能图５口令恢复应用系统的平均性能和效能４．４动静态结构效能对比主动认知决策和系统结构重构是高效能模型的核心，对提高系统效能起着关键作用。它们

【参考文献】