【摘 要】
：
COStream是一门高效的数据流编程语言,通过将通信与计算分离凸显出程序的高并行性,从而充分利用多核平台的性能。但在任务划分方面,COStream现有划分算法不具有普适性,划分各个阶段的界限模糊不清;在数据传输方面,编译器底层的缓冲区设计不够系统化,且COStream作为支持并行编程的语言,其线程同步机制也存在优化的空间。针对现有COStream任务划分存在的问题,将任务划分细分为两个阶段进行优
论文部分内容阅读
COStream是一门高效的数据流编程语言,通过将通信与计算分离凸显出程序的高并行性,从而充分利用多核平台的性能。但在任务划分方面,COStream现有划分算法不具有普适性,划分各个阶段的界限模糊不清;在数据传输方面,编译器底层的缓冲区设计不够系统化,且COStream作为支持并行编程的语言,其线程同步机制也存在优化的空间。针对现有COStream任务划分存在的问题,将任务划分细分为两个阶段进行优化,在初始划分阶段提出了一种基于COStream计算节点特有层次属性的散列划分算法;在节点移动阶段,对负载均衡和通信开销分别进行优化,限制了负载均衡优化时在最大负载子图中选择候选节点的类型以及节点的移动方向,扩大通信开销优化时增益结构中候选节点的类型范围;同时引入了增益结构来减少每轮算法迭代的重复计算,设计了禁忌列表确保算法的正确收敛,以及采用扰动策略扩大解的搜索范围。针对COStream数据传输方面存在的问题,设计并实现了尾节点缓冲区,完备了COStream缓冲区体系,解决了尾节点到文件系统间的数据传输问题;改进了COStream线程同步机制,使用全局变量数组模拟屏障机制优化静态子图内线程同步,并借助无锁编程思想优化节点间数据传输。选择多媒体领域的8个经典应用作为测试程序,对COStream改进后的任务划分算法、尾节点缓冲区以及改进后的COStream线程同步机制开展了测试实验。实验结果表明,与旧版COStream相比,优化后的COStream在程序性能上有了一定的提升。
其他文献
计算机断层成像技术（Computed Tomography,CT）广泛运用于人体组织结构的扫描,但是当人体内含有金属植入物和其他具有高衰减系数的物体时,会导致在CT图像中形成金属伪影,这些低质量的CT图像对医疗诊断和治疗评估等会产生不利影响。所以需要去除金属伪影（Metal Artifact Reduction,MAR）以改善CT图像的质量。针对MAR问题,提出一种基于监督式的条件生成对抗网络MA
部分接受全髋关节置换术的患者,在术后一段时间出现病理情况需要进行二次翻修。在翻修术前,需要通过患者CT图像获取关键解剖点和解剖轴的参数信息,辅助医生进行术前规划,提高手术准确度。根据临床需求,确定课题任务,即定位髋部假体球头和臼窝中心、拟合假体柄轴线和颈轴线。鉴于要定位的点、线并非解剖结构上的显著点,且病例图像较少的情况,充分利用髋关节假体的特征,制定了基于传统图像处理的定位方案。算法主要分为三个
对于全髋关节置换的一些患者,在假体使用一段时间后,可能要进行髋关节假体的翻修。在临床手术前,需要在CT图像中定位出假体股骨柄球头和髋臼杯的中心点的坐标位置,为髋关节翻修手术的术前规划提供依据。研究关键点的自动化精确定位方法,有助于提高医生的工作效率,减轻工作负担,提升手术的成功率。针对髋部假体的几何形态特点,提出一种基于假体形状拟合的快速定位髋骨假体关键点的方法。方法分为三个步骤:首先对原始CT图
大脑是人体极为重要的器官。尽早诊断与治疗可以有效的减少脑部疾病带来的巨大伤害。脑组织的分割是对脑组织进行定量分析的关键步骤,其中脑脊液分割是脑组织分割中的一个重要研究课题。近年来,基于深度学习的CT图像脑脊液分割取得了较大进展,但因预测时间过长,限制了其广泛的应用和发展,因此,研究高精度且预测效率高的分割模型具有重要意义。本文提出了一种基于U-Net的脑脊液自动分割方法,即Reduce U-Net
随着计算机软件及硬件技术不断完善和成熟,以及当前影像测量市场的需求极大地促进了影像测量系统的发展。国外的影像测量系统技术发展非常成熟,并且已经商业化,然而国内的影像测量系统大多是基于国外软件接口进行二次开发。在这两个背景下,通过对影像测量系统需求的分析,实现了影像测量仪几何元素构造系统。首先介绍了开发工具和环境,Qt开发平台用来设计与用户进行数据交互的界面,Open CASCADE提供了几何元素类
随着越来越多的人从农村迁居到城市,小区的规模越发壮大,由于疏于管理防范等原因也引发了许多安全问题,越来越多的居民开始担忧小区的安全情况,因此小区的安全防控也越发显得重要。为了保护居民的生命健康和财产安全,借助目标检测等相关技术实现小区的自动化实时安全监控与报警。小区的周界检测系统是智能监控系统的一个方向,它可以实现摄像头视频流的读取和解码、人体检测、多路摄像头并行处理、危险区域标记和告警等功能。系
随着工业的发展,工厂产品测量对测量精度和效率的要求越来越高,影像测量仪作为高精度仪器,如何减小其误差、提高其精度受到行业内广泛研究。构建数学模型、利用软件完成影像测量仪误差补偿的方法以其经济、高效等特点,在行业内广泛应用。拥有精确度高、稳定性强、热膨胀系数小、耐腐蚀性好等特点的线纹尺,常用于长度测量工具中作为测量校准光学部件。利用线纹尺进行影像测量仪的定位误差补偿方法,即基于交互的误差补偿,需要人
在人工髋关节使用一段时间后,可能需要进行翻修。在含有髋关节假体的CT影像中分割出非假体部分,并对不同骨组织给予不同的标签,是翻修髋关节手术规划的需要。自动化地准确分割出临床需要的组织将对医生提供有力的辅助。鉴于深度学习在图像分割中取得的成就,采用深层卷积神经网络作为框架。在网络模型的选择上,为了避免随着深度的加深可能出现的网络退化情况,选用了带有残差机制的3D-Res Unet网络,并在该网络的扩
利用CT图像对髋关节疾病进行诊断时,需要对髋关节骨组织进行多标签分割。显然,基于深度学习的医学影像分割效果超越了传统图像分割技术,但是,该方法需要大量有标签的数据进行监督学习,而标记CT图像目标组织需要耗费相当多的人力资源。对此,设计并实现一套基于传统方法的多标签分割方法,得到接近最优的分割结果,以此为基础进行少量的人工修正,可以有效地减少人工工作量。设计的传统图像分割算法分为髋关节的粗分割和精细
I/O性能已成为高性能运算系统性能提升的瓶颈。I/O日志（trace）作为系统在运行过程中记录的I/O请求信息,已被广泛应用于I/O性能分析之中。但是由于传统trace收集工具存在着资源消耗大等缺点,制约了性能评估准确性的提升。因此,trace生成工具应运而生。另一方面,生成对抗网络作为发展最迅速的生成模型之一,已经成功应用于计算机视觉、加密与安全等领域,并且在实值序列数据的生成方面具有很大的潜力