一种基于GPU数据包分类的模糊控制节能方法技术

本发明专利技术公开了一种基于GPU数据包分类的模糊控制节能方法，包括以下步骤：设计基于GPU的模糊控制节能模型，定义模糊规则；设置数据包分类任务的GPU初始运行参数；监控GPU运行功耗、吞吐率性能指标状态；使用GPU节能模糊控制模型，不断进行模糊调整控制，以达到节能效果。本发明专利技术提供了一种根据变频空调节能原理设计出来的模糊控制方法，使得GPU在运行任务时，能够同时兼顾高性能与低能耗的平衡问题，具有重要的实际应用价值；在数据包分类领域，提供了一种基于GPU进行包分类的高性能、低能耗模糊控制模型，对网络设备实现绿色计算具有重要的实用价值。

【技术实现步骤摘要】

本专利技术涉及GPU应用的节能领域,特别是一种基于GPU数据包分类的模糊控制节能方法。
技术介绍
网络数据包分类是指路由器转发数据包到相应端口。目前，应用最广泛的包分类技术是基于TCAM(TernaryContentAddressableMemory)硬件平台，该平台虽然性能高，但是存在高功耗、高价格的问题。近些年，基于FPGA(Field－ProgrammableGateArray)、NPU(NetworkProcessingUnit)、GPU(GraphicsProcessingUnit)等其它硬件平台的包分类技术也得到不断发展。其中，基于GPU的包分类技术因为可编程性、可扩展性好，通用性强，产品种类与价格多样而具有较好的科研与实际应用价值。然而，GPU平台也同样存在功耗较高的问题，因此研究基于GPU数据包分类的节能方法具有重要的应用价值。在超级计算机领域，速度性能是一项最重要的评价指标，TOP500则是列出当前世界上计算速度最快的前500台超级计算机。但是人们发现，随着计算性能的不断提升，功耗问题也不断突出，从而导致能耗墙问题。所以还专门以单位功耗的计算性能为指标，列出世界上最节能的Green500超级计算机名单。在2015年6月TOP500前十名中，仅有两台使用了TeslaK20GPU的超级计算机进入前十，但是在同期Green500的前十名中有6台超级计算机使用了TeslaK20/40/80系列GPU。可以看出，在高性能计算领域，能耗是一项比较重要的评价指标。网络数据包分类是一种执行高性能计算的任务，我们基于GPU的数据包分类也是使用TeslaK20硬件平台，所以研究高性能与低能耗的平衡具有重要的实际应用价值。
技术实现思路
本专利技术所要解决的技术问题是，针对现有技术不足，提供一种基于GPU数据包分类的模糊控制节能方法。为解决上述技术问题，本专利技术所采用的技术方案是：一种基于GPU数据包分类的模糊控制节能方法，包括以下步骤：1)设计基于GPU的模糊控制节能模型，定义模糊规则；2)设置数据包分类任务的GPU初始运行参数，包括分配计算任务，数据包分类算法，GPU线程调度策略，GPU核心频率；3)监控GPU运行功耗、吞吐率性能指标状态；4)使用GPU节能模糊控制模型，不断进行模糊调整控制，以达到节能效果。步骤1)的具体实现过程包括：1)测量GPU在四种计算模式Default,ExclusiveThread,ExclusiveProcess,Prohibited下的运行功率P；2)测量GPU在本型号支持的几种运行频率F下的功率；3)测量使用多种并行资源Grid、Block、Thread分配策略A下的GPU运行时的电量能耗；4)测量不同算法运行时间O、计算任务量N下的GPU电量能耗；5)测量GPU每秒处理数据包数量的吞吐率性能S、GPU自身传感器获取的运行温度T；6)找出各种指标与功耗P、网络数据包分类中每秒处理数据包数量的吞吐率性能S的对应关系，设计模糊规则。根据下式定义模糊规则：其中，N代表计算任务量，A代表GPU并行资源Grid、Block、Thread的线程分配策略，O代表使用不同包分类算法的运行时间；定义一系列的IF-THEN模糊规则，定义的规则如下：如果GPU是空闲状态，那么设置GPU为禁用模式；如果GPU是运行状态，那么设置GPU为默认模式；如果GPU功率过高，那么降低GPU运行频率；功率过高阈值区间为65～70W；如果GPU功率较高，那么降低GPU并行资源Grid、Block、Thread数量；功率较高阈值区间为60～67W；如果吞吐率过低，那么提高GPU运行频率；吞吐率过低阈值为48～50Mpps；如果吞吐率较低，那么提高GPU并行资源Grid、Block、Thread数量；吞吐率较低阈值为49～55Mpps。与现有技术相比，本专利技术所具有的有益效果为：本专利技术提供了一种根据变频空调节能原理设计出来的模糊控制方法，使得GPU在运行任务时，能够同时兼顾高性能与低能耗的平衡问题，具有重要的实际应用价值；在数据包分类领域，提供了一种基于GPU进行包分类的高性能、低能耗模糊控制模型，对网络设备实现绿色计算具有重要的实用价值。附图说明图1是基于GPU包分类的节能模糊控制流程图；图2是基于GPU的路由器转发数据包示意图；图3是模糊控制原理图；图4是不同状态下GPU的功率图；图5是不同运行频率下的GPU性能与能耗图；图6是不同线程分配策略下的GPU性能与能耗图。具体实施方式参考图1，本专利技术包括以下步骤：步骤1，开始基于GPU的数据包分类任务，并初始化运行参数。GPU的计算模式设置为默认模式；针对TeslaK20GPU，初始运行频率设置为系统默认值。步骤2，使用模糊规则对GPU运行参数进行调整。其中，模糊规则根据从实验中验证而得出的公式推导而来。步骤3，使用GPU平台进行包分类加速。步骤4，监控GPU的各项运行参数。在加速过程中，对GPU运行状态参数，功率、温度等进行实时监控记录。步骤5，统计检测是否实现了高性能与低功耗的优化。对监控参数进行统计，比较系统性能与功耗的优化程度。步骤6，如果没有达到目标，转入步骤2，继续进行模糊控制调整。类似于变频空调节能的原理，能够根据当前工作任务的负载程度，使用模糊控制的方式主动改变运行频率，如果是低负载，则使用较低的运行频率进行节能。本专利技术提出的EFCGPU模型利用GPU也具有变频功能的特性，根据计算任务动态调整GPU运行参数，针对高性能与低功耗的目标，进行一个不断平衡、不断调整的过程，从而达到优化的节能效果。参考图2，是基于GPU的包分类路由转发原理图，解释了包分类的技术实质。根据达到转发引擎的数据包头部字段特征，进行规则匹配，找到下一步需要执行的转发动作，从而对数据包进行分类转发。参考图3，是模糊控制的原理图，表示系统的模糊控制是一个不断调整、不断平衡的过程。首先输入系统的状态变量，然后进行模糊规则匹配，根据模糊推断结果，得到非模糊的控制变量，对系统进行调整。参考图4，是GPU在不同模式状态下的功率图，例如本专利技术使用的TeslaK20GPU在空闲时段，功率为27W左右；在工作时段，功率为65W左右；但是把GPU设置为禁用模式，其功率仅为15W左右，这就能在GPU的非工作时段，通过调整计算模式进行节能。参考图5，是GPU在不同运行频率下的性能与能耗图。本专利技术使用的TeslaK20GPU，支持6种不同的运行频率。对不同的运行频率采用相同的计算任务作对比，可以发现GPU在705MHz的运行频率下，达到一个能耗最低、吞吐率性能也较高的优化水平。参考图6，是GPU在不同线程分配策略下的性能与能耗图，可以发现当线程分配策略为8blocks-256threads时，达到一个高性能与低功耗双优化的结果，相比其他分配策略，最高可节省15.51％的能耗。本专利技术提供了一种基于GPU数据包分类的模糊控制节能方法，利用GPU具有的变频特性，结合变频空调的模糊控制节能原理，是一种新的思路，实施例子也证实了此方法的有效性和可行性。本文档来自技高网...

【技术保护点】
一种基于GPU数据包分类的模糊控制节能方法，其特征在于，包括以下步骤：1)设计基于GPU的模糊控制节能模型，定义模糊规则；2)设置数据包分类任务的GPU初始运行参数，包括分配计算任务，数据包分类算法，GPU线程调度策略，GPU核心频率；3)监控GPU运行功耗、吞吐率性能指标状态；4)使用GPU节能模糊控制模型，不断进行模糊调整控制，以达到节能效果。

【技术特征摘要】
1.一种基于GPU数据包分类的模糊控制节能方法，其特征在于，包括以下步骤：1)设计基于GPU的模糊控制节能模型，定义模糊规则；2)设置数据包分类任务的GPU初始运行参数，包括分配计算任务，数据包分类算法，GPU线程调度策略，GPU核心频率；3)监控GPU运行功耗、吞吐率性能指标状态；4)使用GPU节能模糊控制模型，不断进行模糊调整控制，以达到节能效果。2.根据权利要求1所述的基于GPU数据包分类的模糊控制节能方法，其特征在于，步骤1)的具体实现过程包括：1)测量GPU在四种计算模式Default,ExclusiveThread,ExclusiveProcess,Prohibited下的运行功率P；2)测量GPU在本型号支持的几种运行频率F下的功率；3)测量使用多种并行资源Grid、Block、Thread分配策略A下的GPU运行时的电量能耗；4)测量不同算法运行时间O、计算任务量N下的GPU电量能耗；5)测量GPU每秒处理数据包数量的吞吐率性能S、GPU自身传感器获取的运行温度T；6)找出各种指标与...

【专利技术属性】
技术研发人员：张大方，李果，李彦彪，郑锦涛，李克勤，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43