基于OpenStack的GPU调度技术研究与实现
发布时间：2021-11-05 07:35
随着人工智能和大数据技术的进一步发展,企业对服务器的性能要求越来越高,云计算作为这些技术的底层运算支撑不可避免地需要进一步加强其数据处理能力,图像处理单元GPU便成为了加强云端计算能力的主要选择。因为CPU与GPU的主要功能不同,导致两者的硬件架构不同。使得CPU擅长处理逻辑运算,主要用于管理计算机硬件和软件的工作调度。而GPU则擅长并行处理数据计算,主要负责高性能计算与图像处理。因此将GPU计算服务添加到云端能有效提高云端的计算能力,同时能降低云端CPU的工作负载,从而使云端能提供更好的服务。但是由于架构原因,GPU不能进行完全虚拟化导致在云端利用率极低,所以目前云端主要使用CPU处理数据计算任务,这限制了云端进一步加强数据处理能力。本研究主要目的是在云端利用CUDA（Compute Unified Device Architecture统一计算设备架构）使GPU提供通用并行计算服务,并提高GPU在云端的利用率和稳定性。具体研究内容是使用OpenStack搭建具有IaaS的云平台,通过透传技术在云端虚拟化GPU并创建独占GPU设备的虚拟机,同时在控制节点、GPU虚拟机以及用户虚拟机上...
【文章来源】：贵州大学贵州省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
OpenStack主要组件及架构
图 2-2 CUDA 单元架构DA 编程架构如上图所示，每一个 CUDA 程序是通过多个线程块来进算的，每个线程块都是并行执行的，同时线程块里面的线程也是并行执够实现如此大量的线程间并行运算，依靠的是 GPU 中大量的计算单元 GPU 的计算能力远高于 CPU 的原因。图 2-3 CPU 与 GPU 的简易架构图
图 2-2 CUDA 单元架构CUDA 编程架构如上图所示，每一个 CUDA 程序是通过多个线程块来进行行计算的，每个线程块都是并行执行的，同时线程块里面的线程也是并行执行。能够实现如此大量的线程间并行运算，依靠的是 GPU 中大量的计算单元，也是 GPU 的计算能力远高于 CPU 的原因。
【参考文献】：
期刊论文
[1]OpenStack开源社区中商业组织的参与模式[J]. 张宇霞,周明辉,张伟,赵海燕,金芝. 软件学报. 2017(06)
[2]面向CPU+GPU异构计算的多目标测试用例优先排序[J]. 边毅,袁方,郭俊霞,李征,赵瑞莲. 软件学报. 2016(04)
[3]专利引证视角下的虚拟化技术竞争态势[J]. 周婷,文禹衡. 图书情报工作. 2015(19)
[4]基于OpenStack的异构混合云解决方案[J]. 陈天,陈楠,黄志兰,樊勇兵,赖培源. 电信科学. 2015(07)
[5]基于OpenStack Swift构建高可用私有云存储平台[J]. 李磊,李达港,金连文,马丽红. 实验技术与管理. 2015(05)
[6]一种改进的GPU虚拟化实施方法[J]. 陈志佳,朱元昌,邸彦强,冯少冲. 计算机工程与科学. 2015(05)
[7]一种基于OpenStack的云应用开发框架[J]. 孙寒玉,顾春华,万锋,杨巍巍,周冀平,陈煌. 华东理工大学学报(自然科学版). 2015(02)
[8]基于GPU加速的超精简型编码数据库系统[J]. 骆歆远,陈刚,伍赛. 计算机研究与发展. 2015(02)
[9]OpenStack认证安全问题研究[J]. 熊微,房秉毅,张云勇,吴俊,李素粉. 邮电设计技术. 2014(07)
[10]基于GPU的稀疏矩阵Cholesky分解[J]. 邹丹,窦勇,郭松. 计算机学报. 2014(07)
博士论文
[1]网络虚拟化资源管理及虚拟网络应用研究[D]. 杨宇.北京邮电大学 2013
[2]高性能网络虚拟化技术研究[D]. 杨洪波.上海交通大学 2012
[3]GPU通用计算虚拟化方法研究[D]. 石林.湖南大学 2012
[4]基于GPU的高性能并行算法研究[D]. 白洪涛.吉林大学 2010
硕士论文
[1]基于虚拟化的云游戏GPU资源自适应调度策略[D]. 张超.上海交通大学 2014
本文编号：3477362
【文章来源】：贵州大学贵州省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
OpenStack主要组件及架构
图 2-2 CUDA 单元架构DA 编程架构如上图所示，每一个 CUDA 程序是通过多个线程块来进算的，每个线程块都是并行执行的，同时线程块里面的线程也是并行执够实现如此大量的线程间并行运算，依靠的是 GPU 中大量的计算单元 GPU 的计算能力远高于 CPU 的原因。图 2-3 CPU 与 GPU 的简易架构图
图 2-2 CUDA 单元架构CUDA 编程架构如上图所示，每一个 CUDA 程序是通过多个线程块来进行行计算的，每个线程块都是并行执行的，同时线程块里面的线程也是并行执行。能够实现如此大量的线程间并行运算，依靠的是 GPU 中大量的计算单元，也是 GPU 的计算能力远高于 CPU 的原因。
【参考文献】：
期刊论文
[1]OpenStack开源社区中商业组织的参与模式[J]. 张宇霞,周明辉,张伟,赵海燕,金芝. 软件学报. 2017(06)
[2]面向CPU+GPU异构计算的多目标测试用例优先排序[J]. 边毅,袁方,郭俊霞,李征,赵瑞莲. 软件学报. 2016(04)
[3]专利引证视角下的虚拟化技术竞争态势[J]. 周婷,文禹衡. 图书情报工作. 2015(19)
[4]基于OpenStack的异构混合云解决方案[J]. 陈天,陈楠,黄志兰,樊勇兵,赖培源. 电信科学. 2015(07)
[5]基于OpenStack Swift构建高可用私有云存储平台[J]. 李磊,李达港,金连文,马丽红. 实验技术与管理. 2015(05)
[6]一种改进的GPU虚拟化实施方法[J]. 陈志佳,朱元昌,邸彦强,冯少冲. 计算机工程与科学. 2015(05)
[7]一种基于OpenStack的云应用开发框架[J]. 孙寒玉,顾春华,万锋,杨巍巍,周冀平,陈煌. 华东理工大学学报(自然科学版). 2015(02)
[8]基于GPU加速的超精简型编码数据库系统[J]. 骆歆远,陈刚,伍赛. 计算机研究与发展. 2015(02)
[9]OpenStack认证安全问题研究[J]. 熊微,房秉毅,张云勇,吴俊,李素粉. 邮电设计技术. 2014(07)
[10]基于GPU的稀疏矩阵Cholesky分解[J]. 邹丹,窦勇,郭松. 计算机学报. 2014(07)
博士论文
[1]网络虚拟化资源管理及虚拟网络应用研究[D]. 杨宇.北京邮电大学 2013
[2]高性能网络虚拟化技术研究[D]. 杨洪波.上海交通大学 2012
[3]GPU通用计算虚拟化方法研究[D]. 石林.湖南大学 2012
[4]基于GPU的高性能并行算法研究[D]. 白洪涛.吉林大学 2010
硕士论文
[1]基于虚拟化的云游戏GPU资源自适应调度策略[D]. 张超.上海交通大学 2014
本文编号：3477362
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/3477362.html
