科创中国

行业领域

新一代信息技术产业,信息传输、软件和信息技术服务业

需求背景

图形显控包括图显模块和加固类产品，小型专用化雷达产品暴扣空中防撞雷达、主动防护雷达、弹载雷达微波射频前端等。

需解决的主要技术难题

国产GPU的虚拟化技术, 1、国产GPU虚拟化体系结构设计,针对景嘉微电子的JM9200国产GPU，实现一套高效的GPU虚拟化方案，使其初步具备虚拟化功能。 2、国产GPU虚拟化的资源划分, 研究基于国产GPU的GPU分片虚拟化技术，对物理GPU在时间片上进行划分以实现多个虚拟域的逻辑独占和物理共享，对物理GPU的资源进行空间上的划分与隔离，以保证每个虚拟机的GPU资源需求和安全性。3、国产GPU虚拟化的公平调度算法,  研究和设计国产GPU虚拟化调度方案，以尽可能地实现对GPU资源的高效和公平调度，争取实现单卡支持不少于4台虚拟机，对GPU资源的调度效率评估不低于75%的技术指标。 4、国产GPU虚拟化的安全性, 结合国产虚拟化平台和国产GPU内存隔离机制两个角度进行国产GPU虚拟化安全性研究。  5、结合硬件支持的国产GPU虚拟化方法, 通过在芯片层面引入相关硬件单元并适配虚拟化场景，实现高性能的针对国产GPU的硬件虚拟化功能，将虚拟域内GPU的性能提升至物理GPU的90%以上。                    

期望实现的主要技术目标

 1、程接口对主要计算库进行移植与优化，包括clFFT、clBLAS、clDNN、clSPARSE、clLAPACK、clRNG。要求能完整支持计算库的所有接口及功能，应用能保持接口兼容，相关接口性能达到AMD RX550同等水平。  2、常用图像处理库的移植与优化,利用OpenCL编程接口对主要图像处理库进行移植与优化，包括OpenCV、OpenVX。要求能完整支持图像处理库的所有接口及功能，应用能保持接口兼容，相关接口性能达到AMD RX550同等水平。 3、主要深度学习框架的移植，适配与优化,利用OpenCL编程接口对主要深度学习框架进行二次开发，将JM9200作为后端加速设备融入计算框架，提供对CPU+ JM9200加速器高效的并行异构资源调度、自适应异构计算核心的任务映射以及多级存储的统一访问，实现JM9200对常用算子的加速。将深度学习框架移植到主要国产操作系统运行。要求能在国产操作系统平台上运行Tensorflow，Pytorch，Paddle框架，可以使用JM9200作为其加速设备。要求能完整支持Tensorflow，Pytorch，Paddle框架提供的所有功能，能支持训练和推理，应用能保持接口兼容，相关接口性能达到AMD RX550同等水平。 

处理进度