高性能云中的GPU虚拟化方法的研究与实现

摘要

云计算平台借助平台优势，通过虚拟化技术将资源整合，实现中心化管理，为用户提供计算服务。高性能的云计算平台需要高性能的计算资源。在高性能的云计算平台中，GPU作为高性能的计算资源，如何将其池化，并将虚拟化资源与高性能的用户应用进行对接，同时对平台资源进行有效地调度与管理，成为近来业界研究的热点与难点。
　　本文针对上述问题进行了以下研究和尝试：
　　（1）在研究计算虚拟化、内存虚拟化、网络虚拟化等现有虚拟化技术实现原理的基础上，分析和探讨了GPU设备在云计算平台上进行虚拟化的实现方式和架构。以微软的Azure云为基础，设计了GPU虚拟化在云计算平台上实现的方案。
　　（2）在研究现有云计算平台规范架构和实现机制的基础上，设计了云计算平台与GPU资源整合后的架构和运行机制，用PBS的方法实现了计算资源的虚拟化，并通过vCPU管理vGPU，使vGPU与vCPU协同工作。
　　（3）为了使vGPU具备通用并行计算的应用功能，设计了vCUDA在云计算平台虚拟机上的实现方式，采用客户虚拟机调用特权虚拟机的方法满足了不同用户对GPU资源的时分复用，在虚拟机上实现了通用并行计算。通过实验对比分析，证明了方案的可行性。
　　（4）针对云计算平台上虚拟机的CPU资源和GPU资源协同管理和调度问题，设计了包括资源最小化策略、CPU预留策略、GPU作业优先策略在内的协同调度策略，并通过实验说明使用该调度策略对平台计算资源的利用率有明显的提高。

目录

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题研究的背景和意义

1.2 国内外研究现状

1.3 本文的主要工作

1.4 本文的组织结构

1.5本章小结

第2章 设计目标及相关理论基础

2.1 本文的设计目标

2.2 云平台技术

2.3 GPU及其通用计算

2.4 虚拟化实现架构

2.5本章小结

第3章 面向云平台的GPU虚拟化的方法

3.1 现有的云平台技术分析

3.2 面向云平台的GPU虚拟化方法的设计

3.3云平台搭建实验

3.4 本章小结

第4章 基于GPU虚拟化的通用并行计算方法的实现

4.1 实现原理

4.2 实现模型

4.3 实验与分析

4.4 本章小结

第5章 虚拟化GPU集群的资源调度模型

5.1 研究目标

5.2 虚拟机集群中的GPU发现机制

5.3 虚拟化GPU的资源调度策略

5.4 调度策略的综合应用

5.5 实验与分析

5.6 本章小结

总结与展望

参考文献

攻读硕士学位期间发表论文

致谢