دانلود ترجمه مقاله مدیریت حافظه نهان و زمانبندی Warp برای کاهش رقابت حافظه پنهان در GPU

1. مقدمه 2. مقالات مرتبط 3. پیشینه و انگیزه 4. مدیریت کش مبتنی بر محل 5. زمانبندی Warp مبتنی بر محل 6. ارزیابی 7. نتیجه گیری

چکیده – GPGPU ها در زمینه انجام محاسبات با عملکرد بالا به تدریج به یک مولفه اصلی شتاب تبدیل شده اند. لازم به ذکر است که تأخیر طولانی عملیات حافظه، گلوگاه عملکرد GPU بوده و در GPU جهت زمانبندی و اجرا، چندین رشته به یک Warp بخش بندی می‌شوند. همچنین لازم به ذکر است که، داده L1 دارای ظرفیت اندکی است و چندین warp یک کش کوچک را اشتراک گذاری می کنند. این امر سبب می شود که کش در معرض رقابت بالای کش قرار گرفته و در نهایت خط لوله متوقف شود. در این مطالعه، دستورالعمل های مربوط به مدیریت کش مبتنی بر محل (LCM)، همراه با زمان‌بندی Warp مبتنی بر محل (LWS) را برای کاهش رقابت‌های کش و بهبود عملکرد GPU ارائه می دهیم. همچنین بر اساس محل، هر دستورالعمل بارگذاری به سه نوع، بخش بندی می شود: تنها یک مرتبه به عنوان محل جاری سازی داده مورد استفاده قرار گرفته و چندین مرتبه در همان warp به عنوان محل درون warp استفاده می شود و در warp های مختلف به عنوان محل داده میان warp قابل دسترسی است. همچنین، LWS برای بهبود نرخ استفاده از کش، بای پس کش را برای درخواست محلی جریان بر طبق محل دستورالعمل بارگذاری اعمال می کند، ادغام درخواست حافظه میان warp را برای استفاده کامل از محل میان warp گسترش داده و برای کاهش رقابت کش با LWS ترکیب شود. همچنین، LCM و LWS به نحو موثری می توانند عملکرد کش و در نتیجه عملکرد کلی GPU را بهبود بخشند. ارزیابی های تجربی حاکی از آن است که، LCM و LWS نسبت به GPU خط مبنا می‌توانند از میانگین بهبود عملکرد 26٪ برخوردار باشند.

GPGPUs has gradually become a mainstream acceleration component in high-performance computing. The long latency of memory operations is the bottleneck of GPU performance. In the GPU, multiple threads are divided into one warp for scheduling and execution. The L1 data caches have little capacity, while multiple warps share one small cache. That makes the cache suffer a large amount of cache contention and pipeline stall. We propose Locality-Based Cache Management (LCM), combined with the Locality-Based Warp Scheduling (LWS), to reduce cache contention and improve GPU performance. Each load instruction can be divided into three types according to locality: only used once as streaming data locality, accessed multiple times in the same warp as intra-warp locality, and accessed in different warps as inter-warp data locality. According to the locality of the load instruction, LWS applies cache bypass to the streaming locality request to improve the cache utilization rate, extend inter-warp memory request coalescing to make full use of the inter-warp locality, and combine with the LWS to alleviate cache contention. LCM and LWS can effectively improve cache performance, thereby improving overall GPU performance. Through experimental evaluation, our LCM and LWS can obtain an average performance improvement of 26% over baseline GPU.

ترجمه این مقاله در 21 صفحه آماده شده و در ادامه نیز صفحه 11 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.