Документация

Параллелизм данных

Параллелизм данных включает обработку нескольких частей данных независимо параллельно. Процессор выполняет ту же операцию на каждом блоке данных. Параллелизм достигается путем параллельной подачи данных.

Рисунок показывает временную схему для этого параллелизма. Вход разделен на четыре фрагментов, A, B, C и D. Та же операция F() применяется к каждой из этих частей, и выходом является _OA, _OB, _OC и _OD соответственно. Все четыре задачи идентичны, и они выполняются параллельно.

Время, затрачиваемое на каждый цикл процессора, известное как время цикла, t = tF.

Общее время вычислений также tF, поскольку все четыре задачи выполняются одновременно. В отсутствие параллелизма все четыре части данных обрабатываются одним узлом обработки. Время цикла tF для каждой задачи, но общее время вычислений 4*tF, поскольку части обрабатываются последовательно.

Можно использовать параллелизм данных в сценариях, где можно обрабатывать каждую часть входных данных независимо. Для примера веб-база данных с независимыми наборами данных для обработки или обработки систем координат видео независимо являются хорошими кандидатами для параллелизма данных.

Параллелизм задач

В отличие от параллелизма данных, параллелизм задачи не разделяет входные данные. Вместо этого он достигает параллелизма путем разделения приложения на несколько задач. Параллелизм задачи включает распределение задач внутри приложения между несколькими узлами обработки. Одни задачи могут иметь зависимость данных от других, поэтому все задачи не выполняются точно в одно и то же время.

Рассмотрим систему, которая включает четыре функции. Функции F2a () и F2b () параллельны, то есть могут запускаться одновременно. В параллелизме задачи можно разделить расчет на две задачи. Функция F2b () запускается на отдельном узле обработки после того, как она получает Out1 данных из Задачи 1 и выводит назад в F3 () в Задаче 1.

Рисунок показывает временную схему для этого параллелизма. Задача 2 не запускается, пока она не получит Out1 данных из Задачи 1. Следовательно, эти задачи не выполняются полностью параллельно. Время, затрачиваемое на цикл процессора, известное как время цикла, является

t = tF1 + max (tF2a, tF2b) + tF3.

Можно использовать параллелизм задач в сценариях, таких как завод, где объект и контроллер выполняются параллельно.

Моделирование выполнения трубопровода (конвейеризация)

Используйте выполнение модели трубопровода, или конвейеризацию, чтобы обойти задачу параллелизма задачи, где потоки не проходят полностью параллельно. Этот подход включает изменение системной модели, чтобы ввести задержки между задачами, где существует зависимость данных.

На этом рисунке система разделена на три задачи для выполнения на трех различных узлах обработки с задержками, введенными между функциями. На каждом временном шаге каждая задача принимает значение от предыдущего временного шага посредством задержки.

Каждая задача может начать обработку одновременно, как показывает эта временная схема. Эти задачи действительно параллельны, и они больше не зависят друг от друга последовательно в одном процессорном цикле. Время цикла не имеет никаких сложений, но является максимальным временем вычислений всех задач.

t = макс. (Task1, Task2, Task3) = макс. (tF1, tF2a, tF2b, tF3).

Конвейерную конвейеризация можно использовать везде, где можно искусственно ввести задержки в одновременно выполняемой системе. Результирующие накладные расходы из-за этого введения не должны превышать времени, сэкономленного при конвейеризации.

Переносимость: развертывание в различных архитектурах

Аппаратное строение, которая запускает развернутое приложение, известно как архитектура. Он может содержать многоядерные процессоры, многопроцессорные системы, FPGA или их комбинацию. Развертывание одного и того же приложения в различных архитектурах может потребовать усилий из-за:

Чтобы развернуть приложение вручную, необходимо переназначить задачи различным узлам обработки для каждой архитектуры. Также может потребоваться повторное внедрение приложения, если каждая архитектура использует различные стандарты.

Simulink помогает преодолеть эти проблемы, предлагая переносимость между архитектурами. Для получения дополнительной информации смотрите, Как Simulink помогает вам преодолеть проблемы в многоядерном программировании.

Эффективность развертывания

Можно повысить эффективность развертываемого приложения путем балансировки нагрузки различных узлов обработки в окружении обработки. Необходимо выполнить итерацию и улучшить распределение задач во время разбиения, как упомянуто в System Partitioning for Parallelism. Этот процесс включает перемещение задач между различными узлами обработки и проверку полученной эффективности. Поскольку это итерационный процесс, требуется время, чтобы найти наиболее эффективное распределение.

Simulink помогает вам преодолеть эти проблемы с помощью профилирования. Для получения дополнительной информации смотрите, Как Simulink помогает вам преодолеть проблемы в многоядерном программировании.

Циклическая зависимость данных

Некоторые задачи системы зависят от выхода других задач. Зависимость данных между задачами определяет порядок их обработки. Два или более разделов, содержащих зависимости данных в цикле, создают цикл зависимости данных, также известный как алгебраический цикл.

Simulink идентифицирует циклы в вашей системе перед развертыванием. Для получения дополнительной информации смотрите, Как Simulink помогает вам преодолеть проблемы в многоядерном программировании.