基于CPU和GPU混合運算的短波二維寬帶測向實現

何林立+祝麗華+徐保根+康文臣

摘 要：通過CPU和GPU的混合計算結構搭建的信號和數據處理系統，搭配數據采集卡或高速光傳輸網絡，實現了短波寬帶測向的實時處理。該方法的處理速度相較于MATLAB和CPU平臺可以提高1～2個數量級，相較于同等處理速度的多DSP平臺則體現了開發周期短、費用低、工作量小和可靠性高等眾多優勢。

關鍵詞：GPU 短波 寬帶測向

中圖分類號：TN97 文獻標識碼：A 文章編號：1672-3791（2016）06（c）-0014-02

在陣列信號處理中，通常采用多個DSP核并行運算、多個FPGA陣列或者DSP+FPGA的處理架構，完成針對多路寬帶數據的運算處理。以20圓陣的短波寬帶測向為例，當信號帶寬變大時，常規的自研高速信號實時處理平臺往往因為架構復雜，開發周期長，可擴展性較差，導致產品研發過程大部分都花費在硬件調試和維護上，不利于產品的更新換代。

1 寬帶測向的GPU實現方案設計

自從2006年NVIDIA公司推出GPU的通用編程模型CUDA以來，基于CUDA架構的通用并行運算系統已開始廣泛應用在國防工業各個領域。CUDA簡化了GPU的開發流程，運用C語言即可進行GPU的通用計算編程。因此，該文在進行方案設計之前，將基于CUDA進行快速寬帶測向算法的實現，先與同樣具有很強并行計算能力的FPGA對比，分析基于GPU進行快速寬帶測向的可行性和優勢。

1.1 GPU完成快速寬帶測向的可行性

使用FPGA和GPU對各種算法進行加速是比較合適的選擇，但二者的應用方式還有一定差異。

首先，GPU使用C語言進行開發，FPGA使用VHDL和Verilog等描述性語言開發，對軟件開發人員來說，FPGA開發起點偏高，需要了解硬件電路知識，更重要的是高速信號處理的FPGA設計需要調試硬件平臺，而且比較容易出現時序問題，會加大開發難度，恰恰相反，這些都是GPU的優勢所在，不需要學習新的編程語言，不需要維護硬件平臺，沒有時序設計困擾。

其次，從成本和功耗方面分析，在同等處理能力的情況下，GPU顯卡由于大量商用的原因，價格相對較低，同時，計算資源較多的高端FPGA較難購買，價格偏高，還涉及到硬件制版費用，時間成本和人力成本也需考慮。在同等處理能力的情況下，FPGA的功耗屬于動態功耗，使用資源越多功耗越大，不過，一般要低于GPU。

綜上所述，在開發難度、體積和成本等方面GPU有一定的優勢，FPGA在功耗方面有一定的節省，不過，要是應用多片FPGA芯片進行組合運算時，還要考慮綜合功耗。

1.2 基于GPU的并行測向算法

由于時間分辨率和頻率分辨率是倒數關系，時間分辨率越小，測向速度越快，同時頻率分辨率就會越粗，測向準確度就會下降。在基于二維寬帶測向算法中，減小FFT計算數據，可以加快測向速度，但要以犧牲頻率分辨率為代價。為了獲得高精度的快速測向性能，一般考慮在高采樣率下進行寬帶二維測向，如此一來，大數據量的FFT運算和二維譜峰搜索將耗費大量時間。由于各通道、各頻點測向運算的相對獨立性，可以使用GPU進行并行運算，加速FFT運算過程，在不降低頻率分辨率的情況下減少測向時間。

CUDA提供了一個CUFFT運算庫，可以高效地并行完成多個一維FFT運算，最多可以實現800萬點的FFT運算。文中測向陣元數為20陣元，寬帶條件下基帶IQ數據的采樣頻率為9.830 4 MHz，測向帶寬8 MHz。為了兼顧測向速度和測向靈敏度要求，單通道FFT點數為8 192點，帶內測向點數為6 666點，此時頻率分辨率約為1.2 kHz，時間分辨率為0.8 ms。測向流程如圖1所示。

瞬時測向帶寬為8 MHz，先采集20通道單幀數據0.8 ms進行FFT運算，選取信噪比超過門限的信號進行測向，極端情況下，考慮6 666個頻點全部測向。

先完成20通道的FFT運算，每路FFT的采樣點數為8 192點，一次并行運算的FFT點數是16 3840，小于800萬，滿足CUFFT庫的使用要求。

具體捕獲流程如下。

（1）申請3個顯存塊，顯存塊1用于接收內存塊1中的基帶采樣數據，使用不同頻點的載波信號，分別對20個通道的基帶數據進行FFT運算。將20個通道的采樣數據，按頻點數順序存儲在1塊內存里。

（2）顯存2用于接收內存塊2中的校正庫和理論庫數據，顯存3用于存儲運算結果。

（3）在顯存3中開展二維譜峰搜索，快速完成角度遍歷運算，給出所有待測頻點的方位角、仰角信息，同時結果仍保留在顯存3。

（4）將運算結果拷貝到主機內存，釋放GPU的運算資源。

2 測向方案的試驗驗證

2.1 試驗條件

（1）硬件環境：CPU是Intel Xeon E7-8893 v2芯片，芯片核心數為6，主頻為3.2 GHz；顯卡型號是Tesla K80，24GB 384 bit GDDR5顯存， 499 2個CUDA并行運行處理核心；內存為32 GB。

（2）軟件環境：32位的Windows 7操作系統，軟件開發環境為微軟公司的VS2008，還利用了NVIDIA公司提供的CUDA Driver、CUDAToolkit和CUDA SDK。

（3）實驗數據：使用短波多通道接收機采集的基帶數據，采樣頻率為9.830 4 MHz。

2.2 試驗結果與分析

分別基于CPU和GPU完成20通道所有頻點的搜索測向，寬帶二維測向算法如圖4所示，運算結果和運行時間如表1所示，其中GPU代碼運行時間是使用NAVIDA提供的專用計時API測定的，CPU的運行時間是使用MFC提供的計時器函數測定的。

在GPU和CPU中完成的算法是相同的，對二維測向的運算結果完全一致。但是，完成以上的測向過程，基于CPU的代碼需要約2 s的時間，而基于GPU加速后的代碼只需要約100 ms的時間，即基于GPU的運算速度大大提升了。

采用等效延長線模擬固定方位角和俯仰角的信號來向，使用GPU運算過程中保存的峰值和頻點二維搜索的結果如圖3所示，圖中坐標X表示信號俯仰角；Y表示信號方位角；Z表示相關系數。

3 結語

為了提高寬帶二維測向速度，結合寬帶二維測向的并行運算特點和GPU快速并行運算能力的優勢，提出了一種基于GPU的測向算法進行并行計算，以最大程度地提高測向速度。通過真實的中頻數據試驗驗證表明，使用GPU實現各通道和各頻點的并行捕獲與基于CPU實現的串行方式的運算結果是相同的，使用GPU的測向運算時間沒有達到理論值。為了充分發揮GPU的并行運算優勢，使用GPU設計捕獲方案應盡可能讓GPU一次處理更多的數據。

參考文獻

[1] 張舒，褚艷利.GPU高性能運算之CUDA[M].北京：中國水利水電出版社，2009.

[2] Jason Sanders，Edward Kandrot，著.GPU高性能編程CUDA實戰[M].聶雪軍，譯.北京：機械工業出版社，2011.