随着5G(5th-Generation)时代的到来,通信技术的发展会对人们的生活产生越来越多的积极影响。5G链路级仿真平台是对5G场景和关键技术进行链路级仿真评估的依托,为5G的发展和应用奠定了基础。本文主要研究高性能图形处理器(Graphics Processing Unit,GPU)计算在5G链路级仿真平台加速中的应用与实现。利用NVIDIA公司高性能GPU中含有的数量庞大的统一计算设备架构(Compute Unified Device Architecture,CUDA)核心对5G链路级仿真平台进行并行加速,解决5G链路级仿真平台运行过程中的时间瓶颈问题。论文主要完成了以下几个方面的工作:首先采用了 MATLAB中并行工具箱的GPU API方式,对5G链路级仿真平台进行加速。这种方式比较方便的对MATLAB程序进行并行运算,但是对高性能GPU的利用率不太高,导致加速效果一般,对信道建模模块的加速倍数在6倍左右,对整体链路级平台的加速倍数在2～4倍左右。然后使用了 MATLAB与GPU CUDA混合编程的方式,对5G链路级仿真平台进行加速。这种方式可以为并行运算过程分配好GPU中的CUDA核心,提高GPU中计算资源的利用率,但是这种方式较前一种方法开发起来难度更大。对信道建模模块的加速倍数为15～22倍,对整个5G链路级仿真平台的加速倍数在3～7倍左右。最后采用多GPU的方式对5G链路级仿真平台进行加速。在本次实验的过程中,使用了 2块NVIDA Tesla P40 GPU。通过在MATLAB中的worker并行调用两块GPU,这样充分利用了计算机中的计算资源。在不考虑各个worker将结果的数据转移至MATLAB的主会话时,对信道建模模块的加速效果为35～40倍左右,基本上是单GPU的加速倍数的两倍。但是考虑到数据转移后,由于各个worker中结果数据是十分庞大的,数据转移过程耗时较多,这样拖累了加速倍数,加速倍数还比单GPU的略小。由此可知,在没有数据转移或数据转移的规模较小时,推荐使用多GPU的加速方式。