基于CPU和GPU混合运算的短波二维宽带测向实现

何林立+祝丽华+徐保根+康文臣

摘 要：通过CPU和GPU的混合计算结构搭建的信号和数据处理系统，搭配数据采集卡或高速光传输网络，实现了短波宽带测向的实时处理。该方法的处理速度相较于MATLAB和CPU平台可以提高1～2个数量级，相较于同等处理速度的多DSP平台则体现了开发周期短、费用低、工作量小和可靠性高等众多优势。

关键词：GPU 短波 宽带测向

中图分类号：TN97 文献标识码：A 文章编号：1672-3791（2016）06（c）-0014-02

在阵列信号处理中，通常采用多个DSP核并行运算、多个FPGA阵列或者DSP+FPGA的处理架构，完成针对多路宽带数据的运算处理。以20圆阵的短波宽带测向为例，当信号带宽变大时，常规的自研高速信号实时处理平台往往因为架构复杂，开发周期长，可扩展性较差，导致产品研发过程大部分都花费在硬件调试和维护上，不利于产品的更新换代。

1 宽带测向的GPU实现方案设计

自从2006年NVIDIA公司推出GPU的通用编程模型CUDA以来，基于CUDA架构的通用并行运算系统已开始广泛应用在国防工业各个领域。CUDA简化了GPU的开发流程，运用C语言即可进行GPU的通用计算编程。因此，该文在进行方案设计之前，将基于CUDA进行快速宽带测向算法的实现，先与同样具有很强并行计算能力的FPGA对比，分析基于GPU进行快速宽带测向的可行性和优势。

1.1 GPU完成快速宽带测向的可行性

使用FPGA和GPU对各种算法进行加速是比较合适的选择，但二者的应用方式还有一定差异。

首先，GPU使用C语言进行开发，FPGA使用VHDL和Verilog等描述性语言开发，对软件开发人员来说，FPGA开发起点偏高，需要了解硬件电路知识，更重要的是高速信号处理的FPGA设计需要调试硬件平台，而且比较容易出现时序问题，会加大开发难度，恰恰相反，这些都是GPU的优势所在，不需要学习新的编程语言，不需要维护硬件平台，没有时序设计困扰。

其次，从成本和功耗方面分析，在同等处理能力的情况下，GPU显卡由于大量商用的原因，价格相对较低，同时，计算资源较多的高端FPGA较难购买，价格偏高，还涉及到硬件制版费用，时间成本和人力成本也需考虑。在同等处理能力的情况下，FPGA的功耗属于动态功耗，使用资源越多功耗越大，不过，一般要低于GPU。

综上所述，在开发难度、体积和成本等方面GPU有一定的优势，FPGA在功耗方面有一定的节省，不过，要是应用多片FPGA芯片进行组合运算时，还要考虑综合功耗。

1.2 基于GPU的并行测向算法

由于时间分辨率和频率分辨率是倒数关系，时间分辨率越小，测向速度越快，同时频率分辨率就会越粗，测向准确度就会下降。在基于二维宽带测向算法中，减小FFT计算数据，可以加快测向速度，但要以牺牲频率分辨率为代价。为了获得高精度的快速测向性能，一般考虑在高采样率下进行宽带二维测向，如此一来，大数据量的FFT运算和二维谱峰搜索将耗费大量时间。由于各通道、各频点测向运算的相对独立性，可以使用GPU进行并行运算，加速FFT运算过程，在不降低频率分辨率的情况下减少测向时间。

CUDA提供了一个CUFFT运算库，可以高效地并行完成多个一维FFT运算，最多可以实现800万点的FFT运算。文中测向阵元数为20阵元，宽带条件下基带IQ数据的采样频率为9.830 4 MHz，测向带宽8 MHz。为了兼顾测向速度和测向灵敏度要求，单通道FFT点数为8 192点，带内测向点数为6 666点，此时频率分辨率约为1.2 kHz，时间分辨率为0.8 ms。测向流程如图1所示。

瞬时测向带宽为8 MHz，先采集20通道单帧数据0.8 ms进行FFT运算，选取信噪比超过门限的信号进行测向，极端情况下，考虑6 666个频点全部测向。

先完成20通道的FFT运算，每路FFT的采样点数为8 192点，一次并行运算的FFT点数是16 3840，小于800万，满足CUFFT库的使用要求。

具体捕获流程如下。

（1）申请3个显存块，显存块1用于接收内存块1中的基带采样数据，使用不同频点的载波信号，分别对20个通道的基带数据进行FFT运算。将20个通道的采样数据，按频点数顺序存储在1块内存里。

（2）显存2用于接收内存块2中的校正库和理论库数据，显存3用于存储运算结果。

（3）在显存3中开展二维谱峰搜索，快速完成角度遍历运算，给出所有待测频点的方位角、仰角信息，同时结果仍保留在显存3。

（4）将运算结果拷贝到主机内存，释放GPU的运算资源。

2 测向方案的试验验证

2.1 试验条件

（1）硬件环境：CPU是Intel Xeon E7-8893 v2芯片，芯片核心数为6，主频为3.2 GHz；显卡型号是Tesla K80，24GB 384 bit GDDR5显存， 499 2个CUDA并行运行处理核心；内存为32 GB。

（2）软件环境：32位的Windows 7操作系统，软件开发环境为微软公司的VS2008，还利用了NVIDIA公司提供的CUDA Driver、CUDAToolkit和CUDA SDK。

（3）实验数据：使用短波多通道接收机采集的基带数据，采样频率为9.830 4 MHz。

2.2 试验结果与分析

分别基于CPU和GPU完成20通道所有频点的搜索测向，宽带二维测向算法如图4所示，运算结果和运行时间如表1所示，其中GPU代码运行时间是使用NAVIDA提供的专用计时API测定的，CPU的运行时间是使用MFC提供的计时器函数测定的。

在GPU和CPU中完成的算法是相同的，对二维测向的运算结果完全一致。但是，完成以上的测向过程，基于CPU的代码需要约2 s的时间，而基于GPU加速后的代码只需要约100 ms的时间，即基于GPU的运算速度大大提升了。

采用等效延长线模拟固定方位角和俯仰角的信号来向，使用GPU运算过程中保存的峰值和频点二维搜索的结果如图3所示，图中坐标X表示信号俯仰角；Y表示信号方位角；Z表示相关系数。

3 结语

为了提高宽带二维测向速度，结合宽带二维测向的并行运算特点和GPU快速并行运算能力的优势，提出了一种基于GPU的测向算法进行并行计算，以最大程度地提高测向速度。通过真实的中频数据试验验证表明，使用GPU实现各通道和各频点的并行捕获与基于CPU实现的串行方式的运算结果是相同的，使用GPU的测向运算时间没有达到理论值。为了充分发挥GPU的并行运算优势，使用GPU设计捕获方案应尽可能让GPU一次处理更多的数据。

参考文献

[1] 张舒，褚艳利.GPU高性能运算之CUDA[M].北京：中国水利水电出版社，2009.

[2] Jason Sanders，Edward Kandrot，著.GPU高性能编程CUDA实战[M].聂雪军，译.北京：机械工业出版社，2011.