.png){kind=icon}
返回
Workload Placement on Heterogeneous CPU-GPU Systems
.png){kind=icon}
PRE
AI
DOI：10.14778/3685800.3685845.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，异构CPU-GPU处理架构的普及程度显著提高。为高效利用异构资源，数据处理系统依赖于适当的负载放置策略，以将适量的计算任务分配给合适的处理器。然而，寻找最优放置策略并非易事，这主要由于涉及处理器特性、负载性质和数据局部性等多种复杂且相互冲突的权衡因素。此外，放置决策会影响工作负载的运行时间和性能成本，并且还取决于CPU和GPU可能存在的不同实现方案的可用性，这进一步增加了此类异构环境的复杂性。在本教程中，我们回顾并比较了异构CPU-GPU架构上负载放置的最新策略，以及运行时预测技术和支持多设备代码的方法。我们还讨论了开放性问题，并识别出潜在有前景的未来研究方向。
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏GFlink: An In-Memory Computing Architecture on Heterogeneous CPU-GPU Clusters for Big DataGFlink: 面向大数据的cpu-gpu异构集群内存计算架构
PREAI
分享收藏分享收藏Orchestrating Large-Scale SpGEMMs using Dynamic Block Distribution and Data Transfer Minimization on Heterogeneous Systems基于动态块分布和数据传输最小化在异构系统上编排大规模稀疏矩阵乘法。
PREAI
分享收藏CGgraph: An Ultra-Fast Graph Processing System on Modern Commodity CPU-GPU Co-processorCGgraph: 一个基于现代商品CPU-GPU协处理器的超快速图处理系统
PREAI
分享收藏
分享收藏
查看更多内容