上海电力大学学报Journal of Shanghai University of EU c W c Power第38卷第2期2022年4月Vol. 38,No. 2Apr. 2022DOC 10.3969/j.issn.2096 -8299.2022.02.009异构多处理平台并行实时编码算法研究袁三男，王孟彬，陶倩旳，张艳秋(上海电力大学电子与信息工程学院，上海200090)摘要:针对以CPU 为处理平台的H.265/HEVC 串并行编码效率较低的问题，设计了一种基于异构多核CPU + GPU 处理平台的并行实时编码算法&按照CPU 和GPU 互不相同的硬件特性分配任务，降低了时间复杂度,同时使CPU 和GPU 的协作能力获得了提升,计算资源得到了更加合理的利用。
视频编码并行化设计提高了编码效率，高清视频的编码速度最高可达26.31帧/s ,实现了高清视频的实时编码。
关键词:实时编码；异构多处理平台；并行化设计中图分类号:TN949.6 文献标志码：A 文章编号：2096 -8299(2022)02 -0158 -05Realtime Parallel Algorithm Strdy on HeterogeneousMultiprocessing PlatformYUAN Sannan ，WANG Mengbin ，TAO Qianyun ，ZHANG Yanqiu(School cf Electronic and Informaton Engineering ，SCangCac Unpersip of Electic Power ，SCangCat 200090，China )Abstract : Aiming at the low efficiency of H. 265/HEVC serial paallel coding based on CPU ，apaallel real-time coding algorithm based on heterogeneous multi-cors CPU + GPU processing plat form is designed. According to the dCferent hadwae chaacteristics of CPU and GPU ，taks ae al located ，which reduces ia hma complexity ，improves the cooperation ability of GPU and CPU ，andmahas more reasonable use of computing resources. The paallel design of video coding improvesthe coding efficiency and makes the coding speed of high-definition video up to 26. 31 fps ，reali zing ia real-time coding of high-definition video.Key woris : real hma coding ； heterogeneous multicrocessing platform ； paallel design科学技术的进步使人类社会不断走向高科技,视频和音频的应用逐渐深入人们的生活，遍及社会的各个方面，从而导致了视音频流量、占用空间以及所需的传输带宽也越来越大［1］&这意味着对视音频 编码的研究开发已成为一个重要课题&在云服务方面，研究人员针对视频编码发布了 高效视频编码(High Efficiency Video Coding ，HEVC )［2〕新编码标准。
异构计算在大规模数据处理中的应用研究随着科技的发展和互联网的普及，大数据已经成为当今社会中一个重要的资源。
大规模数据处理已经成为许多行业中的关键任务，包括金融、医疗、交通和社交媒体等。
然而，由于数据量庞大和计算复杂性的提高，传统的计算机系统能力已经无法满足大规模数据处理的需求。
因此，异构计算作为一种新的计算模式，逐渐在大规模数据处理中得到广泛的应用。
异构计算是指利用不同类型的计算资源，如CPU、GPU、FPGA等，同时工作来完成特定的计算任务。
与传统的同质计算相比，异构计算能够充分利用不同计算资源的优势，提高计算性能和效率。
在大规模数据处理中，异构计算具有以下几个优势：首先，异构计算可以充分发挥各种计算资源的特点。
在大规模数据处理中，数据的处理过程往往非常复杂而且计算密集。
传统的CPU在处理这种类型的任务时速度较慢。
而GPU（图形处理器）以其并行计算的能力在大规模数据处理中表现出色。
FPGA（现场可编程门阵列）作为一种可编程逻辑器件，也具有并行计算能力和低功耗的特点。
异构计算通过将这些计算资源进行合理组合和利用，可以最大限度地提高计算性能和效率。
其次，异构计算可以减少能耗和成本。
大规模数据处理需要大量的计算资源，传统的计算机系统往往需要大量的能量供应和维护费用。
而异构计算可以通过优化不同计算资源的利用率，降低整个计算系统的能耗。
同时，由于GPU和FPGA等计算资源的可编程特性，可以减少硬件设备的购买和更新成本，进一步降低总体成本。
另外，异构计算可以提高数据处理的并行性。
在传统的同质计算系统中，多核CPU可以提供一定程度的并行性，但是在大规模数据处理中，仍然无法满足高并发计算的需求。
而GPU和FPGA等计算资源具有较高的并行计算能力，能够同时处理多个任务，大大提高数据处理的效率和响应速度。
在大规模数据处理中，异构计算的应用研究已经取得了一些重要进展。
例如，在金融领域中，异构计算已经被广泛应用于高频交易、风险管理和数据挖掘等任务中。
异构计算技术在深度学习中的应用研究随着人工智能的快速发展，深度学习成为了许多领域中最先进的技术之一。
然而，深度学习的高度计算密集性和大规模数据需要对硬件的极高要求，使得传统的单处理器体系结构难以胜任。
为了更好地适应深度学习这类大规模数据处理的需求，异构计算技术——即集成不同类型的处理器的计算系统——逐渐被引入到了深度学习的领域中，以提升处理效率和准确率。
1. 异构计算技术的基本原理异构计算是指集成了不同类型处理器的计算系统。
通常是由一台主机和至少一个加速设备组成。
加速设备通常由图形处理器(GPU)、数字信号处理器 (DSP)、对称多处理器 (SMP)、联网处理器 (NPU) 和协处理器 (AP) 组成。
与传统计算机体系结构相比，异构计算的主机与加速设备之间的数据交互能力得到了显著的提高，数据需求梯度计算能够更加平衡地分配到各处理器上，提高了硬件系统相对于大规模、密集的深度学习模型的处理能力。
2. 深度学习中的GPU加速GPU是一种高效的并行处理器，可以在同一时间完成各种计算任务。
除了图形处理，GPU的计算能力使其成为处理深度神经网络所需的大规模计算需求的理想选择。
与多核CPU相比，GPU更适合用于执行数值计算、特别是矩阵计算、向量积分、卷积等核心操作的大型并行任务。
近年来，通用计算GPU (GPGPU) 技术逐渐成为大规模计算的主流技术。
使用GPGPU进行神经网络训练，可以比CPU加速10倍以上，并且通过优化算法，还可以通过一些技巧提高处理效率。
从2012年以来，使用GPU进行深度学习的计算能力已经越来越流行，目前，绝大多数卷积神经网络(CNN) 是在GPU上训练。
3. CPU和GPU的异构计算模式在现代计算机体系结构中，CPU和GPU是两种不同类型的计算资源。
在异构计算架构中，CPU能够完成处理器间通信、调度和短流程，而GPU适用于高度并行的深度学习计算。
因此，将GPU与CPU组合到一起，构建异构计算架构，可以有效提高深度学习系统的性能。
