3.3. Анализ результатов

В результате тестирования разработанной программной реализации можно сделать вывод, что, чем мельче делится система на полосы (до определённого момента – m=32) и чем больше число блоков нитей, тем эффективнее происходит использование вычислительных ресурсов ускорителя. Значениеm=32 является оптимальным, т.к. при дальнейшем уменьшении полосы (m≤16) наблюдалось снижение ускорения параллельного решения. При тестировании наблюдался более высокий рост ускорения в случае большого размера задачи (n=16×10⁶) при увеличении числа блоков нитей, чем при малом размере задачи.

Первый вариант реализации не предусматривал экономии ресурсов из-за неэффективного выделения памяти, в следствии чего, не удалось решить систему порядка n≥14000. Поэтому, была разработана улучшенная реализация, в которой память не выделялась под нулевые элементы. Это позволило добиться существенной экономии ресурсов, например, в улучшенной модификации при решении системы размером 2×10⁶память ускорителя была загружена на 35%, в то время как, в обычной реализации память ускорителя была исчерпана при решении системы порядкаn=13500.

При проведении экспериментов было найдено оптимальное число нитей в блоке – 128 нитей на каждый блок. При значении 8 нитей на блок время вычислений ухудшилось в среднем на 4%. Суммарное число нитей оставалось неизменным.

В результате экспериментов были выявлены следующие положительные и отрицательные стороны применения графических ускорителей:

• Преимущества

  • огромное количество нитей, работающих параллельно;

  • возможность получить хорошие результаты на современном домашнем ПК;

  • GPU– это со‑процессор, который позволяет разгрузить центральный процессор от вычислений, но не освободить его полностью;

• Недостатки

  • объём памяти ускорителя меньше объёма памяти хоста, в следствие чего, требуется внимательный подход к выделению памяти;

  • накладные затраты на обмен данными между хостом и ускорителем;

  • низкая загруженность графического процессора.

3.4. Выводы по разделу 3

В данном разделе было описано деление разработанной программы на модули, пояснены этапы работы программы. В этом разделе приведены практические результаты исследования в форме графиков времени и ускорения параллельного решения, а также загруженности памяти ускорителя для разных реализаций. Проведен анализ результатов.

Заключение

Основные результаты работы заключаются в следующем:

1. Проведено исследование архитектуры современных графических процессоров и этапов её развития, в результате которого можно сделать вывод о том, что современные графические процессоры за последние 7-10 лет достигли высоких показателей производительности и получили широкое распространение;

2. Рассмотрено влияние, оказываемое графическими ускорителями на развитие высокопроизводительных систем, в результате чего можно сказать, что гибридные системы, в которых используются графические ускорители, занимают высшие позиции в ведущих мировых рейтингах, что свидетельствует от преимуществах гибридного подхода;

3. Изучены современные технологии программирования GPU, в результате чего можно сделать вывод о том, что данные технологии сделали большой шаг в развитии от низкоуровневых средств, которые сдерживали применениеGPU, к высокоуровневым, которые облегчают процесс разработки программы;

4. Проведено исследование средств графических процессоров для организации эффективного решения двухточечной краевой задачи методом параллельной блочной прогонки, в результате чего можно сделать вывод о том, что существует некоторый оптимальный диапазон ширины полосы матрицы (от 16 до 64), на котором достигается максимальное ускорение для любой размерности системы;

5. Написано две программных реализации данного метода, отличающиеся способами использования ресурсов графического ускорителя;

6. Проведено теоретическое исследование, касающееся взаимосвязи CPUиGPUво время вычислений, которое было подкреплено практическими результатами во время написания и тестирования программной реализации метода.