[论文解读] High Level Programming for Heterogeneous Architectures

Oren Segal, Martin Margala+2 more|arXiv (Cornell University)|Aug 21, 2014

Parallel Computing and Optimization Techniques参考文献 7被引用 11

一句话总结

该论文将APARAPI（一种用于OpenCL的高级Java框架）扩展至FPGA，实现了对FPGA的高级编程，提升了可编程性与抽象层次。在NBody模拟中，实现了高达80%的功耗降低和5.3倍的加速；在KMeans的MapReduce工作负载中，实现了高达80%的功耗降低和7倍加速，展示了在异构架构（包括FPGA）上的显著性能与能效提升。

ABSTRACT

This work presents an effort to bridge the gap between abstract high level programming and OpenCL by extending an existing high level Java programming framework (APARAPI), based on OpenCL, so that it can be used to program FPGAs at a high level of abstraction and increased ease of programmability. We run several real world algorithms to assess the performance of the framework on both a low end and a high end system. On the low end and high end systems respectively we observed up to 78-80 percent power reduction and 4.8X-5.3X speed increase running NBody simulation, as well as up to 65-80 percent power reduction and 6.2X-7X speed increase for a KMeans, MapReduce algorithm running on top of the Hadoop framework and APARAPI.

研究动机与目标

• 通过在Java中实现高级抽象，降低对异构架构（特别是FPGA）的编程复杂性。
• 弥合高级编程模型与FPGA等低层硬件目标之间的语义鸿沟。
• 评估扩展框架在低端和高端系统上的性能与能效表现。
• 证明使用高级框架在FPGA上加速计算密集型工作负载的可行性。

提出的方法

• 扩展APARAPI（一种基于Java、可编译为OpenCL的框架），支持生成FPGA代码。
• 利用现有的OpenCL编译管道，将目标指向FPGA硬件，同时保持高级语义的一致性。
• 采用即时（JIT）编译模型，将带注解的Java方法转换为硬件内核。
• 通过Hadoop MapReduce框架执行真实世界的工作负载，如NBody模拟和KMeans聚类。
• 采用运行时优化与硬件资源映射技术，提升性能与能效。
• 在低端和高端系统上验证框架，以评估其可扩展性与效率。

实验结果

研究问题

• RQ1 能否有效扩展高级Java框架以支持FPGA，同时最大限度减少低层编码？
• RQ2 该框架在异构架构上对性能与能效的提升程度如何？
• RQ3 该框架在从低端到高端系统不同硬件平台上的可扩展性如何？
• RQ4 在FPGA上使用高级抽象加速NBody和KMeans工作负载时，性能与功耗之间的权衡如何？

主要发现

• 在高端系统上，NBody模拟实现了高达80%的功耗降低和5.3倍加速。
• 在低端系统上，NBody模拟实现了高达78%的功耗降低和4.8倍加速。
• 在高端系统上，通过MapReduce实现的KMeans聚类工作负载，实现了高达80%的功耗降低和7倍加速。
• 在低端系统上，KMeans工作负载实现了高达65%的功耗降低和6.2倍加速。
• 结果表明，高级抽象可在FPGA上实现具有竞争力的性能与能效。
• 扩展后的APARAPI框架成功实现了可移植、高效率的FPGA编程，并带来了可测量的性能提升。