虛擬無線電中CUDA技術實現GPU通用計算及性能分析

席寧

【摘要】 本文基于NVIDIA公司的CUDA平臺，提出將CUDA技術的通用計算能力應用到虛擬無線電的數據處理中，提高系統的數據處理能力，通過與CPU平臺作對比進行性能的分析和比較得出，通過擴展GPU板卡可以有效的提高工作站的計算能力，可以有效的減少虛擬無線電計算機集群中處理節點計算機的數量，可以減小系統體積和系統成本。

【關鍵詞】 CUDA GPU FFT 傅里葉變換

一、試驗方案的選擇

考慮到試驗方案要有比較高的計算密度，使CPU和GPU滿負荷的工作，能更好的比較兩者在滿負荷最大計算能力的差別，所以在仿真實驗中選擇了FFT快速傅里葉變換作為一個高密度乘法和加法運算任務交給CPU和GPU做處理，并比較兩者在相同乘法和加法運算量下的計算能力表現。

二、基于CUDA技術實現GPU通用計算與CPU的性能比較

GPU的CUDA技術非常適合大數據量的并行計算，通過在MATLAB仿真環境下對FFT快速傅里葉變換計算速度的比較，觀察NVIDIA公司新技術CUDA對FFT算法的加速效果，發現存在的問題和作出分析。

2.1 試驗方案和試驗條件

在使用MATLAB仿真之前，需要安裝最新的驅動程序和CUDA工具包和CUDA的SDK包。安裝NVIDIA公司提供的插件Matlab_CUDA1.1后，即可在MATLAB的開發環境里調用GPU的硬件資源進行計算。

2.2 CUDA架構下程序流程

仿真程序將做二維N階隨機矩陣的FFT快速傅里葉變換，程序調用了CUFFT庫中的cufftExecC2C（cufftHandle plan，cufftComplex *idata，cufftComplex *odata，int direction）基于復數的快速傅里葉變換函數實現FFT計算，不同的N將得有不同的計算速度，可以得到使用CUDA技術時的計算時間，同時與不使用CUDA的基于CPU的計算時間比較，觀察CUDA對FFT的加速效果。

2.3 試驗方法

由于CUDA技術比較適合并行計算，仿真程序將FFT的以不同的點數計算結果作比較，觀察CPU和GPU在N取不同值時的表現。為了排除平臺中其他程序的運行造成的對結果的影響，在MATLAB的仿真環境中，使用CPU計算的時候直接調用了MATLAB的二維快速傅里葉變化函數fft2（），使用GPU計算時適用了程序fft2withcudaacc（），該函數通過MATLAB的MEX功能接口調用了CUFFT的快速傅里葉變換函數cufftExecC2C。

三、試驗結果分析

仿真平臺采用主流PC平臺THINKPAD SL400電腦，其CPU是INTEL酷睿二代雙核處理器T5870，GPU是NVIDIA GeForce G 105M，GPU擁有8個處理核心。

計算二維128、512、1024和2048階隨機矩陣的FFT。利用MATLAB的計時功能函數（tic，toc），實現對快速傅里葉變換的計時。在試驗中發現，當處理的數據比較小時，基于GPU和基于CPU的二維快速傅里葉變換速度沒有太大區別，這是因為這時候的數據量沒有使GPU和CPU滿負荷功能工作，不能很好的體現兩者的區別，但是當提高二維隨即矩陣的階數時，隨著數據量的增大，基于GPU和基于CPU的計算速度有了區別，說明當兩者滿負荷工作的時候，基于GPU的數據處理由于啟用的多線程并行處理，可以實現高度的并行操作，可以在較短的時間內完成數據的處理。從MATLAB的仿真結果來看，使用CUDA架構的GPU對數字信號處理中的FFT快速傅里葉變換有著比較明顯的加速效果。

四、小結

在仿真實驗中，選擇了具有高密度乘法和加法運算的FFT快速傅里葉變換，觀察CPU和GPU在高密度乘法加法運算上的計算能力，即使GPU板卡的運算速度等于CPU的計算速度，在實際的應用中也會有很好的應用價值。仿真所得出的結果是GPU板卡比CPU處理相等數據量的乘法和加法運算要快三倍以上，就是說如果在工作站中擴展兩塊GPU板卡，GPU的計算能力將是CPU的六倍以上。如果是在計算機集群中，一臺工作站安裝了兩塊板卡就可以節省多臺計算機節點，這樣在虛擬無線電的集群計算機中，就可以明顯的減少計算節點的數量。節省大量的財力，達到降低成本和系統體積的目的。

參 考 文 獻

[1] Blackfin Embedded Processor BF537 Data Sheet，ANALOG DEVICES，February 2009

[2] 張道興. 超寬帶通信捕獲FFT算法的設計和實現. 哈爾濱工程大學碩士學位論文. 2008

[3] 胡德俊. FFT處理器的設計與實現. 合肥工業大學碩士學位論文. 2006

[4] 姜進東. 高速FFT的FPGA實現. 西安電子科技大學碩士學位論文. 2009