异构结构的并行编程开发,特别以CPU-GPU为代表的异构结构,在GPU的开发利用上需要使用厂商提供的OpenCL/CUDA等GPU编程标准,而对普通开发者GPU内部底层架构的复杂性为其开发带来了诸多困难。MapReduce编程模型成功的应用在基于多核CPU或GPU设备中,为开发者提供了抽象可编程接口。本文在已有基于CPUs或GPU的MapReduce编程模型的基础上,针对新的异构计算架构——CPU-GPU融合架构,提出了一种新的MapReduce编程模型(FGMR),并提供统一的编程接口。主要工作包括以下两个方面。第一,本文分析了多种基于MapReduce的异构编程模型,以前的MapReduce模型都是基于分离式的CPU-GPU架构,在GPU内采用全局原子操作带来严重的写延迟。基于新的异构架构提出了 FGMR的编程模型,为了解决使用全局原子锁的影响,设计了一种多hash表的结构,解决了多线程之间的并行写入问题,并巧妙的利用了 GPU中的shared memory加速数据的写入。本文分析了静态任务调度和动态任务调度策略,根据实际情况采用了动态的任务调度策略,提高了系统的计算性能,定量分析了任务块大小对异构结构的性能影响。用四种不同的负载分别在Mars、MapCG和FGMR进行测试,实验结果表明数据处理性能有明显的提高。第二,针对原有的Hadoop分布式系统,分析了多种异构架构加速基于CPU的Hadoop分布式系统的方法,将Fusion的单节点模式扩展为多节点的分布式系统,利用多层的并行加速数据的处理。文章给出了多节点情况下的Fusion结构Hadoop框架,并通过Kmeans的实例在不同数据情况下验证了该加速模型的性能,与CPU版本的Hadoop比较,实验结果显示性能有了一定的提升,同时验证了FGMR模型具有良好的可扩展性。