Телефон: +7 (383)-202-16-86

Статья опубликована в рамках: XLIII Международной научно-практической конференции «Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ» (Россия, г. Новосибирск, 28 июня 2016 г.)

Наука: Технические науки

Секция: Моделирование

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Тришин А.А. МОДЕЛИРОВАНИЕ ПОМЕХОУСТОЙЧИВОЙ СИСТЕМЫ ПЕРЕДАЧИ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ CUDA // Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ: сб. ст. по мат. XLIII междунар. студ. науч.-практ. конф. № 6(42). URL: https://sibac.info/archive/technic/6(42).pdf (дата обращения: 19.02.2020)
Проголосовать за статью
Конференция завершена
Эта статья набрала 0 голосов
Дипломы участников
У данной статьи нет
дипломов

МОДЕЛИРОВАНИЕ ПОМЕХОУСТОЙЧИВОЙ СИСТЕМЫ ПЕРЕДАЧИ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ CUDA

Тришин Александр Андреевич

магистр, 2 курс, кафедра ВПМ, РГРТУ, г. Рязань

Научный руководитель Овечкин Геннадий Владимирович

доктор техн. наук, проф. кафедры ВПМ, РГРТУ, г. Рязань

При передаче информации под действием на канал связи различного рода шумов и помех могут появиться искажения в сообщениях. Быстрый рост объемов обработки данных, развитие цифровых систем вещания и вычислительных сетей предъявляют высокие требования к минимизации ошибок в используемых цифровых данных. Поэтому одной из важнейших задач является обеспечение высокой достоверности передачи данных. Исправлением ошибок после передачи по каналу занимается помехоустойчивое кодирование [2].

Одним из наиболее эффективных решений проблемы помехоустойчивого кодирования при высокой энергетической характеристике систем кодирования являются многопороговые декодеры, которые позволяют декодировать очень длинные коды с линейной от длины кода сложностью исполнения. В основе работы МПД лежит итеративное декодирование, что позволяет вплотную приблизиться к решению оптимального декодера в достаточно большом диапазоне кодовых скоростей и уровней шума в канале. При этом МПД сохраняет простоту и быстродействие обычного порогового декодера, что делает его очень привлекательным для применения в существующих и вновь создаваемых высокоскоростных системах связи [3].

Главное достоинство МПД, которые были сначала разработаны для двоичных кодов, заключается в том, что используемые в них мажоритарные процедуры коррекции ошибок допускают полное распараллеливание выполняемых операций, что обеспечивает работу с теоретически максимально возможной производительностью.

Схема работы МПД представлена на рис.1.

 

Рисунок 1. Многопороговый декодер блокового кода.

 

Исследование помехоустойчивых алгоритмов существенно усложняется почти полным отсутствием доступных программных продуктов, позволяющих проводить их комплексный анализ. В связи в этим актуальной является задача создания прикладного приложения, которое дало бы возможность быстро реализовать ключевые элементы алгоритма, оценить эффективность новых решений в масштабах всей системы.

Некоторые задачи научного характера способны рассчитать незамедлительно лишь единицы суперкомпьютеров во всем мире, а наиболее сложные решаются при помощи объединения высокопроизводительных серверных станций в кластеры.

Однако стоимость такого оборудования слишком высока. При выполнении данных операций используют параллельные вычисления, распределяя нагрузку между ресурсами CPU и процессорами компьютеров кластера.

Разработчики видеокарт нашли выход из такой ситуации. Они позволили увеличить на несколько порядков вычислительные возможности компьютеров, пропорционально уменьшив затраты на программное обеспечение.

Решением стала технология General-purpose computing for graphics processing units (GPGPU) – использование вычислительных ресурсов графических процессоров GPU (graphic processing unit). Такую технику можно использовать и для моделирования работы МПД.

Отметим, что время моделирования можно грубо оценить, как:

t – время моделирования;

K – коэффициент накладных расходов;

V – число передаваемых бит;

N – число элементарных операций, требующихся на передачу одного бита;

n – число ядер в процессоре;

q – тактовая частота процессора.

Обычно вопрос времени моделирования описывался простым правилом – чем больше частота, тем больше производительность. Однако бесконечный рост тактовой частоты невозможен. Это связано с конструктивными сложностями, в частности с проблемой перегрева процессора. Исходя из этого можно сделать вывод, что альтернативным ресурсом повышения скорости моделирования является увеличение числа ядер в процессоре. Потенциал роста числа ядер в CPU ограничен, зато большое число ядер можно найти в GPU.

В настоящее время для вычислений на GPU активно используется технология CUDA, которая поддерживается во всех видеокартах NVidia, начиная с простейших пользовательских, не говоря уже о специализированных мощных видеокартах[1]. Ускорение с помощью CUDA уже используют многие научные исследователи, финансовые, фармацевтические компании и др. [4].

Схема системы, работу которой должно моделировать описанное приложение, представлена на рис. 2 [3].

 

Рисунок 2. Схема системы передачи цифровой информации.

 

Модель системы передачи цифровой информации состоит из семи основных блоков:

  • Источник генерирует сообщение в виде двоичных символов.
  • Кодер вносит в сообщение некоторую избыточность.
  • Модулятор реализует отображение данных в аналоговый сигнал.
  • В физическом канале сигнал подвергается негативным воздействиям, для оценки которых обычно используют соотношение сигнал-шум, выражаемое в децибелах.
  • Демодулятор преобразует сигнал в последовательность чисел.
  • Декодер определяет переданное источником сообщение, используя внесенную кодером избыточность.

Основная сложность реализации модели системы передачи данных приходится на реализацию кодера и декодера, поэтому остальные блоки системы в программной реализации были выполнены как подключаемые модули в целях упрощения хода разработки.

В качестве языка разработки использовался C#, который полностью реализует идеи объектно-ориентированного программирования, что значительно упрощает реализацию многих решений, имеющих место в разрабатываемом приложении. Также платформа .Net предоставляет обширные функциональные и постоянно расширяемые библиотеки для работы с файловой системой, графическим интерфейсом, и локальной сетью, что позволяет значительно упростить одну из трудоёмких задач ­– разработку графического интерфейса, представленного на рис. 3.

 

Рисунок 3. Интерфейс приложения для моделирования.

 

Для экспериментов использовался процессор Intel(R) Core(TM) i5-3230М 2,60GHz (двухъядерный процессор) и видеокарта NVidia GeForce 720M c 96 ядрами в процессоре. Использование технологии CUDA позволило увеличить скорость моделирования передачи данных по каналу связи с 400кбит/с до 11.5мбит/с.

Полученные результаты дают основание считать перспективным использование предложенного подхода к решению задачи уменьшения временных затрат на ресурсоемкое моделирование характеристик МПД.

 

Список литературы:

  1. Боресков А.В., Харламов А.А., Марковский Д.А., Микушин Д.Н., Мортиков Е.В., Мыльцев А.А., Сахарных Н.А., Фролов В.А. Параллельные вычисления на GPU. Архитектура и программная модель CUDA: учебное пособие. – М.: Изд-во Московского университета, 2012. – 336 с.
  2. Золотарев В.В., Зубарев Ю.Б., Овечкин Г.В. Многопороговые декодеры и оптимизационная теория кодирования – М.: Горячая линия – Телеком, 2012. – 239с.
  3. Золотарев В.В., Овечкин Г.В. Помехоустойчивое кодирование. Методы и алгоритмы: справочник. М.: Горячая линия – Телеком, 2004. 126 с.
  4. Параллельные вычисления CUDA. [электронный ресурс] – Режим доступа. – URL: http://www.nvidia.ru/object/cuda-parallel-computing-ru.html (дата обращения: 25.05.2016).
Проголосовать за статью
Конференция завершена
Эта статья набрала 0 голосов
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий