基于GPU的数学形态学运算并行加速研究

第１９卷　第ｌ９期　电子设计工程　２０１１年１０月　Ｖｏ１．１９　Ｎｏ．１９　Ｅｌｅｃｔｒｏｎｉｃ　Ｄｅｓｉｇｎ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｏｃｔ．２０１１　基于ＧＰＵ的数学形态学运算并行加速研究　张聪，邢同举，罗颖，张静，孙强　（电子科技大学光电信息学院，四川成都６１００５４）　摘要：数学形态学运算是一种高度并行的运算，其计算量大而又如此广泛地应用于对实时性要求较高的诸多重要领　域　为了提高数学形态学运算的速度，提出了一种基于ＣＵＤＡ架构的ＧＰＵ并行数学形态学运算。文章详细描述了　ＧＰＵ硬件架构和ＣＵＤＡ编程模型．并给出了ＧＰＵ腐蚀并行运算的详细实现过程以及编程过程中为充分利用ＧＰＵ资　源所需要注意的具体问题。实验结果表明，ＧＰＵ并行数学形态学运算速度可达到几个数量级的提高。　关键词：数学形态学；腐蚀；ＧＰＵ；ＣＵＤＡ；加速比　中圈分类号：ＴＰ３９１．７　文献标识码：Ａ　文章编号：１６７４—６２３６（２０１１）１９—０１４１—０３　Ｐａｒａｌｌｅｌ　ａｃｃｅｌｅｒａｔｉｎｇ　ｒｅｓｅａｒｃｈ　ａｂｏｕｔ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｒｐｈｏｌｏｇｙ　ｂａｓｅｄ　ｏｎ　ＧＰＵ　ＺＨＡＮＧ　Ｃｏｎｇ，ＸＩＮＧ　Ｔｏｎｇ－ｊｕ，ＬＵＯ　Ｙｉｎｇ，ＺＨＡＮＧ　Ｊｉｎｇ，ＳＵＮ　Ｑｉａｎｇ　（Ｓｃｈｏｏｌ　ｏｆｏｐｔｏ—Ｅｌｅｃｔｒｏｎｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ，Ｕｎｉｖｅｒｓｉｔｙ　ｆｏＥｌｅｃｔｒｏｎｉｃ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　ｆｏＣｈｉｎａ，　Ｃｈｅｎｇｄｕ　６１００５４，Ｃｈｉｎａ）　ＡｂｓｔｒａｃＵ　Ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｒｐｈｏｌｏｇｙ　ｏｐｅｒａｔｉｏｎ　ｉｓ　ａ　ｈｉｇｈｌｙ　ｐａｒａｌｌｅｌ　ｐｒｏｃｅｓｓｉｎｇ，ｉｔ　ｉｎｖｏｌｖｅｓ　ａ　ｌａｒｇｅ　ａｍｏｕｎｔ　ｏｆ　ｃｏｍｐｕｔａｔｉｏｎ　ａｎｄ　ｉｓ　ｗｉｄｅｌｙ　ｕｓｅｄ　ｆｏｒ　ｓｏ　ｍａｎｙ　ｉｍｐｏｒｔａｎｔ　ｆｉｌｅｄ　ｔｈａｔ　ｈａｖｅ　ｈｉｇｈ　ｒｅｑｕｉｒｅｍｅｎｔｓ　ｏｎ　ｒｅａｌ－ｔｉｍｅ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｓｐｅｅｄ　ｏｆ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｒｐｈｏｌｏｇｉｃａｌ　ｏｐｅｒａｔｉｏｎｓ，ａ　ＧＰＵ　Ｐａｒａｌｌｅｌ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｒｐｈｏｌｏｇｙ　ｏｐｅｒａｔｉｏｎｓ　ｂａｓｅｄ　ｏｎ　ＣＵＤＡ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ．Ｗｅ　ｈａｖｅ　ｍａｄｅ　ａ　ｄｅｓｃｒｉｐｔｉｏｎ　ｏｆ　ｔｈｅ　ＧＰＵ　ｈａｒｄｗａｒｅ　ａｒｃｈｉｔｅｃｔｕｒｅ　ａｎｄ　ｔｈｅ　ＣＵＤＡ　ｐｒｏｇｒａｍｍｉｎｇ　ｍｏｄｅ１．Ｔｈｅ　ｓｐｅｃｉｉｆｃ　ＧＰＵ　ｐａｒａｌｌｅｌ　ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　ｐｒｏｃｅｓｓ　ｏｆ　ｅｒｏｓｉｏｎ　ｏｐｅｒａｔｉｏｎ　ａｎｄ　ｓｏｍｅ　ｐｒｏｂｌｅｍｓ　ｔｈａｔ　ｉｎｖｏｌｖｅｓ　ｍａｋｅ　ｆｕｌｌ　ｕｓｅ　ｏｆ　ＧＰＵ　ｒｅｓｏｕｒｃｅｓ　ａｒｅ　￣ｉｖｅｎ　ｉｎ　ｔｈｉｓ　ｐａｐｅｒ　ｔｏｏ．Ｅｘｐｅｒｉｍｅｎｔｌａ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ，ＧＰＵ　ｐａｒａｌｌｅｌ　ｃｏｍｐｕｔｉｎｇ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｒｐｈｏｌｏｇｙ　ｉｓ　ｓｅｖｅｒａｌ　ｏｒｄｅｒｓ　ｏｆ　ｍａｇｎｉｔｕｄｅ　ｆａｓｔｅｒ　ｔｈａｎ　ｎｏｒｍａｌ　ｍｏｒｐｈｏｌｏｇｙ　ｏｐｅｒａｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｒｐｈｏｌｏｇｙ；ｅｒｏｓｉｏｎ；ＧＰＵ；ＣＵＤＡ；ｓｐｅｅｄｕｐ　数学形态学的应用几乎遍及计算机图形图像处理的所　有方面．包括图像滤波、图像分割分类、图像测量、模式识别　１膨胀腐蚀的基本理论　以及纹理分析与合成，其应用还涉及遥感监测、工业自动化　正文内容腐蚀运算：构造一个结构元素，结构元素的原　检测测量、生物医学影像、图像压缩、军事、航空航天等众多　点定位于待处理的目标元素上，结构元素完全包含在目标区　领域。在运用数学形态学处理气象预报、工程计算和模拟等　域中时，则结构元素的原点所对应的目标像素点被保留．负　问题时，需要对巨大数据量进行多次重复计算，这些计算又　责被腐蚀掉，置为背景点。膨胀运算：构造一个结构元素，结　必须在有限的时间内完成，比如在几秒或几分钟内完成。这　构元素的原点定位在待处理的目标元素上。当有目标点被结　就对数学形态学在处理这些问题时的运算速度提出了较高　构元素覆盖时该点被膨胀为目标点。　的要求。在数学形态学中，腐蚀和膨胀是最基本的两个运算，　膨胀腐蚀运算中存在一些重要的运算性质，在设计算法　这两种对偶运算好比形态学字母表中的字母，其他运算都可　时使用这些性质往往能简化处理过程和提高运算速度。对偶　以根据这两种运算表述Ⅲ，因此形态学处理速度决定于膨胀、　性便是其中的一个重要性质，对偶性可用下面公式来表示：　腐蚀处理速度。　（ＸＯＢ）Ｃ＝Ｘｑ￣）Ｂ；（Ｘ￣Ｂ）Ｃ＝ＸＣＯＢ。这两个公式表明，图像膨胀　人们通过在腐蚀、膨胀处理中采用改进算法来提高其运　等价于该图像的补被相同结构元素腐蚀所得结果的补．反之　算速度嘲。但其速度也只能提高几倍．这在某些大数据量、实　亦然　。在本文中讨论主要集中在腐蚀运算的并行加速．而膨　时性要求较高的应用中仍不能满足需要。针对这种情况，文　胀运算可以通过待处理图像补的腐蚀运算求得。　章中提出了通过图形处理器（ＧＰＵ）并行处理的方式对数学　形态学运算进行加速。实验结果表明．通过ＧＰＵ对数学形态　２　ＧＰＵ简介　学运算进行加速，其运算速度可达到１—２个数量级的提高。　２．１　ＧＰＩＪ硬件架构　收稿日期：２０１１－０７—２９　稿件编号：２０１１０７１２７　与ＣＰＵ相比，ＧＰＵ有着很高的计算吞吐量，这主要在于　作者简介：张聪（１９８６一），男，重庆人，硕士。研究方向：信号与信号处理。　．１４１——　《电子设计工程））２０１１年第１９期　ＧＰＵ和ＣＰＵ不同的设计理念。ＧＰＵ最初设计就是为了图形　处理，由于图像渲染的高度并行性，ＧＰＵ设计者通过增加数　学逻辑单元（ＡＬＵ）和控制单元（Ｃｏｎｔｒｏ１）的方式提高处理能力　和存储器带宽。这样就在ＧＰＵ硬件架构中形成了众多的流　处理器，Ｎｖｉｄｉａ　ＧＴＸ　２８０的架构　如图ｌ所示。　图１中：Ｎｖｉｄｉａ　ＧＴＸ　２８０中有３Ｏ个完整前端流多处理器　图１　ＮｖｉｄｉａＧＴＸ　２８０架构　Ｆｉｇ．　１　Ｎｖｉｄｉａ　ＧＴＸ　２８０　ａｒｃｈｉｔｅｃｔｕｒｅ　（ＳＭ），每个流多处理器包含８个流处理器（ＳＰ）。每个ＳＰ又可　看成一个ＳＩＭＤ处理器。每个ＳＭ拥有独立的完整前端，包括　取指、译码、发射和执行单元等，但每两个ＳＭ共享一条存储　器流水线。ＳＰ不具有独立的处理器核，它们有独立的寄存器　和指令指针，但没有取指和调度单元构成的完整前端。　２．２　ＣＵＤＡ软件开发环境　由于ＧＰＵ具有很高的计算吞吐量，利用ＧＰＵ进行通用　计算已经引起了人们的关注　。ＣＵＤＡ架构正是专门为了　ＧＰＵ通用计算而设计的一种全新模块，它使得开发人员无需　再过多地考虑严格的资源限制和编程限制　ＣＵＤＡ　Ｃ是在　ＣＵＤＡ　ＧＰＵ上的编程语言．ＣＵＤＡ　Ｃ语言本质上是对Ｃ的简　单扩展，它的出现使得开发人员不需要学习计算机图形学和　着色语言，就可以编写出高效的ＧＰＵ并行程序。　ＣＵＤＡ编程模型［９１将ＣＰＵ作为主机（Ｈｏｓｔ）。ＧＰＵ作为设　备（Ｄｅｖｉｃｅ）［１０Ｊ。在这个模型中ＧＰＵ和ＣＰＵ协同工作，ＣＰＵ上　负责逻辑性较强的事务处理和串行计算，ＧＰＵ则专注于执行　高度并行化处理任务。运行在ＧＰＵ上的ＣＵＤＡ函数称为内　核函数（ｋｅｒｎｅ１），一个完整的ＣＵＤＡ程序是由Ｈｏｓｔ串行代码　和Ｄｅｖｉｃｅ上的ｋｅｒｎｅｌ函数共同组成的，如图２所示。　运行在设备上的ｋｅｒｎｅｌ函数定义和普通Ｃ语言函数基　图２　ＣＵＤＡ编程模型　Ｆｉｇ．２　ＣＵＤＡ　ｐｒｏｇｒａｍｍｉｎｇ　ｓｔｒｕｃｔｕｒｅ　模板中心对准当前待处理像素点，查看被模板覆盖的所有像　素点，如果全为目标点则当前待处理像素点保留为目标点，　否则腐蚀掉。腐蚀可进一步转化为邻域像素点灰度值求和的　问题，每一个像素点都由被模板覆盖所有像素点灰度值的和　决定。由此，确定每一点是否被腐蚀掉，所要执行的操作是相　同的，只是所处理的数据不同而已。这是典型的单指令多数　据问题，具有很好的并行性。　３．１　实现时需要注意问题　本一致，当需要被主机调用时，只需在函数定义前面加上　ｌｏｂａｌ＿修饰符＿＿＿ｇｌｏｂａｌ　ｖｏｉｄ　Ｃｏｐｙ　ｃｈａｒ　ｓｒｃ，ｃｈａｒ　ｄｓｔ）。在主机调用ｋｅｒｎｅｌ函数时，需要传递额外的参数，如：　Ｃｏｐｙ＜＜＜ｂｌｏｃｋｓＰｅｒＧｒｉｄ，ｔｈｒｅａｄｓＰｅｒＢｌｏｃｋ＞＞＞（ｐｔｒ＿ｓｒｅ，ｐｔｒ　ｄｓｔ）。　ｋｅｒｎｅｌ函数是以线程网格（Ｇｒｉｄ）的形式组织的，每个Ｇｒｉｄ由　在ＧＰＵ上编码实现腐蚀运算时，为了正确地执行和尽可　若干个线程块（ｂｌｏｃｋ）组成，每个ｂｌｏｃｋ由若干线程（ｔｈｒｅａｄ）组　成　调用ｋｅｒｎｅｌ函数所需传递的额外参数ｂｌｏｃｋｓＰｅｒＧｒｉｄ和　ｔｈｒｅａｄｓＰｅｌｒＢｌｏｃｋ分别是Ｇｒｉｄ和ｂｌｏｃｋ的维度设计。　能地提高执行效率需要注意几个问题：１）避免当前处理的像　素点被已处理像素点所干扰。在具体实现时，生成一幅和原　图同样大小的新图，每个线程将处理结果存放在这幅新图　３基于ＧＰＵ的腐蚀运算加速实现　图像腐蚀采用（２ｎ＋１）ｘ（２ｎ＋１）且系数全为１的模板，即　中，而运算数据则从原图中获取：２）充分利用ＧＰＵ硬件资源，　尽可能为每个像素点都开辟一个线程．目前ＧＰＵ每个ｂｌｏｃｋ　允许开辟的线程数量已达到１　０２４个．每个Ｇｒｉｄ允许每一维　进行ｎ尺寸腐蚀。要确定某一像素点是否被腐蚀掉，只需将　一开辟的ｂｌｏｃｋ数量为６５　５３５。所以对几乎所有的二值图像，都　１４２一　张聪．等基于ＧＰＵ的数学形态学运算并行加速研究　能实现为每一个像：泰点开辟一个线程；３）腐蚀运算访问内存　模式具有很强的空间局部性，ＧＰＵ纹理缓存是专门为了加速　这种访问模式而设计的，在这种内存访问模式下，使用纹理　内存能减少内存流量是性能得到提高。４）ｂｌｏｃｋ维度设计时，　每个ｂｌｏｃｋ的线程数量应该为６４的倍数ｆ　，这样ＧＰＵ的性能　才能最大限度地提高。　３．２实现过程　上面已经提到ＣＵＤＡ编程模型是ＧＰＵ和ＣＰＵ协同工作　的．所以ＧＰＵ腐蚀：匿算的实现过程是ＣＰＵ和ＧＰＵ共同完成　的。ＣＰＵ负责内存分配、Ｇｒｉｄ和ｂｌｏｃｋ的维度设定、启动在　ＧＰＵ上运行的ｋｅｒｎ　ｅｌ函数并向其传递参数、最后从ＧＰＵ获　取处理结果。ＧＰＵ负责大量并行运算，并将处理数据保存下　来。其具体显现步骤如下：　１）读取待处理图像，根据图像大小在ｄｅｖｉｃｅ上开辟显存　ｄｅｖＳｒｃ，并将图像数据复制到这块显存上，并将其绑定二维纹　理内存：　２）在ｄｅｖｉｃｅ开辟和ｄｅｖＳｒｃ同样大小的显存ｄｅｖＤｓｔ，用于　ＧＰＵ保存处理结果。在ｈｏｓｔ上开辟和ｄｅｖＤｓｔ同样大小的内　存ｈｏｓｔＤｓｔ．用于接收ＧＰＵ处理的结果；　３）根据待处理图像大小，设计　ｄ和ｂｌｏｃｋ的维度。为了　提高性能将ｂｌｏｃｋ维度固定为ｄｉｍ３　ｂｌｏｃｋＤｉｍ（１６，１６），则ｇｒｉｄ的　维度则根据图像宽度ｗｉｄｔｈ、高度ｈｅｉｇｈｔ和ｂｌｏｃｋ的维度设　定，可设定为ｄｉｍ３　ｇｒｉｄＤｉｍ（（ｗｉｄｔｈ＋１５）／１６，（ｈｅｉｇｈｔ＋１５）／１６）；　４）启动ｋｅｒｎｅｌ函数，并将设定好的参数传递到ｋｅｒｎｅｌ函　数中：　５）ｋｅｒｎｅｌ函数：执行完毕，将处理结果传回ｈｏｓｔ。ｈｏｓｔ保存　并显示结果。　４实验结果及分析　文章所采用实验平台为：Ｉｎｔｅｒｌ（Ｒ）Ｘｅｏｎ（Ｒ）ＣＰＵ　５１６０，　主频２．９９　ＧＨｚ．Ｗｉｎｄｏｗｓ７操作系统。显卡为ＧＦｏｒｃｅ　ＧＴＸ　５７０。文章中所处理的为１　０２４ｘｌ　０２４、７　３５０ｘ５　７００的图像。表　格ｌ为在对大小为１　０２４ｘｌ　０２４的图像进行不同尺寸腐蚀运　算时，ＣＰＵ串行腐蚀和ＧＰＵ并行腐蚀所耗用时间对比。　表１在：　同腐蚀尺寸下ＣＰＵ和ＧＰＵ腐蚀时间对比　Ｔａｂ．１　Ｔｈｅ　ｃｏｍｌｍｒｉｓｏｎ　ｏｆ　ｔｈｅ　ｅｒｏｓｉｏｎ　ｔｉｍｅ　ｂｅｔｗｅｅｎ　ＣＰＵ　ａｎｄ　Ｇ　ＰＵ　ｉｎ　ｄｉｆｅｒｅｎｔ　ｅｒｏｓｉｏｎ　ｓｉｚｅｓ　从表格１中可看出，随着腐蚀尺寸的增大，即随着运算　时间复杂度的增加，ＣＰＵ串行腐蚀运算所耗用时间大幅度增　加，ＧＰＵ并行腐蚀运算所耗用时间没有大幅增加．ＧＰＵ并行　运算加速比越来越大。　在图３中，可以看到在对图像进行同一腐蚀尺寸的腐蚀　处理时，ＧＰＵ腐蚀处理大小为７　３５０￣５　７００的图像比处理　ｌ　０２４ｘ１　０２４的图像加速比要高。当腐蚀尺寸增加到６时，对　于１　０２４ｘｌ　０２４的图像加速比可达到８０左右，对于７　３５０ｘ　５　７００的图像加速比可达１５０左右。ＧＰＵ并行运算之所以有　这么高的加速效果，主要因为它有如此多的数学逻辑单元，　所以能同时运行较多的线程。它通过大量线程的切换来隐藏　访存延迟，当某个线程被阻塞了，马上切换到其他线程进行　处理．所以当待处理数据规模越大时，ＧＰＵ资源就越能被充　分利用，加速效果就更好。　腐蚀尺寸　图３对不同大小图片．ＧＰＵ加速比随着腐蚀尺寸的变化而变化　Ｆｉｇ．３　Ｉｎ　ｄｉｆｆｅｒｅｎｔ　ｓｉｚｅ　ｏｆ　ｉｍａｇｅｓ，ｔｈｅ　ｓｐｅｅｄｕｐ　ｏｆ　ＧＰＵ　ｃｈａｎｇｅｓ　ｗｈｅｎ　ｔｈｅ　ｅｒｏｓｉｏｎ　ｓｉｚｅ　ｃｈａｎｇｅｓ　５　结　论　通过ＧＰＵ并行处理的方式，使形态学运算速度大幅提　高。实验结果表明，随着待处理数据规模的增加和处理复杂　度的增加，ＧＰＵ并行腐蚀运算的加速效果显著增加。在本实　验平台上ＧＰＵ并行腐蚀运算可达到１５０倍的性能提升．目　前，还未见任何优化算法达到如此高的加速效果的报道。本　文还在支持ＣＵＤＡ的较低档的型号为ＧｒＩ２２Ｏ的显卡上进行　了测试，在其上进行并行腐蚀运算也可达到１０倍以上的性　能提升。可见，在数学形态学运算时，同时考虑性能和成本两　方面，ＧＰＵ相对于ＣＰＵ都有绝对的优势旧。所以，在涉及数学　形态学运算的领域，ＧＰＵ并行运算是一个必然趋势。　参考文献：　【１】Ｓｏｌｉｌｌｅ　Ｐ．形态学图像分析原理与应用【Ｍ】．北京：清华大学　出版社．２００８：４７—４８．　【２］陆宗骐，朱煜．数学形态学腐蚀膨胀运算的快速算法【Ｃ】，，第　十三届全国图象图形学学术会议，２００６一ｌ１—０６，２００６：　３０６—３１　１．　【３】孙即祥．图像分析【Ｍ】．北京：科学出版社，２００５：１８３—１８４．　【４］Ｇａｒｌａｎｄ　Ｍ，Ｇｒａｎｄ　Ｓ　Ｌ，Ｎｉｅｋｏｌｌｓ　Ｊ，ｅｔ　ａ１．Ｐａｒａｌｌｅｌ　ｃｏｍｐｕｔｉｎｇ　ｅｘｐｅｒｉｅｎｃｅｓ　ｗｉｔｈ　ＣＵＤＡ［ＪＩ．Ｍｉｃｒｏ，ＩＥＥＥ，２００８，２８（４）：１３—２７．　［５　Ｎｉ５］ｃｋｏｌｌｓ　Ｊ，Ｄａｌｌｙ　Ｗ　Ｊ．１’Ｉｌｅ　ＧＰＵ　ｃｏｍｐｕｔｉｎｇ　ｅｒａ［Ｊ１．ＩＥＥＥ　Ｍｉｃｒｏ，２０１０，３０（２）：５６—６９．　［６　Ｈａｗｉ６］ｃｋ　Ｋ　Ａ，Ｌｅｉｓｔ　Ａ，Ｐｌａｙｎｅ　Ｄ　Ｐ．Ｐａｒａｌｌｅｌ　ｇｒａｐｈ　ｃｏｍｐｏｎｅｎｔ　ｌａｂｅｌｌｉｎｇ　ｗｉｔｈ　ＧＰＵｓ　ａｎｄ　ＣＵＤＡ［Ｊ］．Ｐａｒｌａｌｅｌ　Ｃｏｍｐｕｔｉｎｇ，　２０１０，３６（１２）：６５５—６７８．　（下转第１４６页）　一】４３—　《电子设计工程｝２０１１年第１９期　为高电平，并且在甲方的数据报刚传到乙方网卡的数据接收　器的那一时刻就开始进行计数，当计数器计到１９２ｂ（ＩＰ报头）　＋１９２ｂ（ＴＣＰ段头）＋８８ｂ（正常文件名８个字节及其后缀名３　参考文献：　【ｌ】龚兵．计算机维护技术Ｉｎ】．２版．广州：华南理工大学出版　社．２００３．　个字节合计ｌ１个字节）＝４７２ｂ时就使ＣＮＴ高电平立刻转换　为低电平，然后将这个低电平一直保持到数据报传送完毕为　止，那么，所有寄生在正常程序中的进程后缀名“．ｅｘｅ”都将毫　无保留地被扫地出门了。　［２】Ｃｏｍｅｒ　Ｄ　Ｅ．Ｉｎｔｅｒｎｅｔｗｏｒｋｉｎｇ　ｗｉｔｈ　ＴＣＰ￣Ｐ　ｐｒｉｎｃｉｐｌｅｓ，ｐｒｏｔｏｃｏｌ　ａｎｄ　ａｒｃｈｉｔｅｃｔｕｒｅ【Ｍ】．Ａｍｅｒｉｃａ：Ｐｒｅｎｔｉｃｅ　Ｈａｌ１．２０００．　【３】ＦＯＲＯＵＺＡＮ　Ｂ　Ａ．ＴＣＰｈＰ　ｐｒｏｔｏｃｏｌ　ｓｕｉｔｅ【Ｍ】．２ｎｄ　ｅｄ．Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ：ＭｃＧｒａｗ—Ｈｉｌｌ，Ｉｎｃ．，２００２．　３结束语　分析上面的逻辑电路可以知道，这种用来检测并清除病　毒和黑客程序的安全大门具有许多优点，一是安全性能非常　【４】ＳＥＢＡＳＴＩＡＮ　Ｍ　Ｓ．Ａｐｐｌｉｃａｔｉｏｎ—ｓｐｅｃｉｉｆｃ　ｉｎｔｅｇｒａｔｅｄ　ｃｉｒｃｕｉｔｓ［Ｍ］．　Ａｍｅｒｉｃａ：Ａｄｄｉｓｏｎ—Ｗｅｓｌｅｙ　Ｐｒｏｆｅｓｓｉｏｎａ１．２００８：２５—６４．　［５】于文强．计算机网络实用技术【Ｍ】．北京：清华大学出版社．　２００６：ｌ９—２８．　好，它对于正常程序一点也不造成任何损伤，只对嵌入到正　常程序中的寄生代码予以清除；二是执行速度极快，整个电　路只占３个时钟周期，以现在常见的微机系统时钟４　ＧＨｚ进　［６］兰高志．网卡中硬盘保护功能的增设［Ｊ］，计算机工程，２００４，　３０（６）：１３３—１３４．　Ｌ～Ｎ　Ｇａｏ—ｚｈｉ．Ｉｎｃｒｅａｓｉｎｇ　ｈａｒｄ—ｄｉｓｋ　ｐｒｏｔｅｃｔｉｏｎ　ｆｕｎｃｔｉｏｎ　ｏｎ　行计算，则延时约为０．７５　ｎｓ，也就是说一个纳秒都不到．对于　正常人的肉眼来说，在程序的下载过程中压根儿感觉不到有　ｎｅｔｃａｒｄｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００４，３０（６）：１３３一ｌ３４．　［７］中国集成电路大全．ＴｒＬ集成电路【Ｍ】．北京：国防工业出版　社，１９８５：３０—７８．　任何时间上的滞后；三是效果特别显著，比起传统的软件查　杀技术来可谓是简单方便，新颖独特，易于实现，成本低廉，　为净化Ｉｎｔｅｒｎｅｔ环境、保障网络安全、反病毒反黑客开辟了一　条崭新的途径。　【８】何立民．单片机应用系统设计【Ｍ】．北京：北京航空航天大学　出版社．１９９５：６９—７８．　［９】杨全胜，胡友彬．现代微机原理与接口技术【Ｍ】．北京：电子　工业出版社．２００２：２４３—２９１．　（上接第１４３页）　【７１　Ｕｆｉｍｔｓｅｖ　Ｊ　Ｓ，Ｓｃｈｕｈｅｎ　Ｋ．ＧＰＵ—ａｃｃｅｌｅｒａｔｅｄ　ｍｏｌｅｃｕｌａｒ　ｆ１０１ＮＶＩＤＩＡ　Ｃｏｒｐｏｒａｔｉｏｎ，ＮＶＩＤＩＡ　Ｃ　３．１，ＮＶＩＤＩＡ　ＣＵＤＡＣ　Ｐｒｏｇｒａｍｍｉｎｇ　Ｇｕｉｄ　Ｖｅｒｓｉｏｎ　３．１【Ｓ】．２０１０．　［１１】左颢睿，张启衡，徐勇，等．基ｉｆ－ＧＰＵ的快速Ｓｏｂｅｌ￣缘检测　ｍｏｄｅｌｉｎｇ　ｃｏｍｉｎｇ　ｏｆ　ａｇｅ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｍｏｌｅｃｕｌａｒ　ａｎｄ　Ｍｏｄｅｌｌｉｎｇ，　２０１０，２９（２）：１１６—１２５．　［８】吴恩华，柳有权．基于图形处理器（ＧＰＵ）的通用计算ｆＪ】．计　算法［Ｊ】．光电工程，２００９，３６（１）：８－１２．　算机辅助设计与图形学学报，２００４，１６（５）：６０１—６１２．　ＷＵ　Ｅｎ—ｈｕａ．ＬＩＵ　Ｙｏｕ・ｑｕａｎ．Ｇｅｎｅｒａｌ　ｐｕｒｐｏｓｅ　ｃｏｍｐｕｔａｔｉｏｎ　ｏｎ　ＺＵＯ　Ｈａｏ—ｒｕｉ，ＺＨＡＮＧ　Ｑｉ—ｈｅｎｇ，ＸＵ　Ｙｏｎｇ，ｅｔ　ａ１．Ｆａｓｔ　ｓｏｂｅｌ　ｅｄｇｅ　ｄｅｔｅｃｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ＧＰＵ［Ｊ］．Ｏｐｔｏ—ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，３６（１）：８－１２．　ＧＰＵ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ—ａｉｄｅｄ　Ｄｅｓｉｇｎ＆Ｃｏｍｐｕｔｅｒ　Ｇｒａｐｈｉｃｓ，２００４，１６（５）：６０１—６１２．　【１２］Ｓｅｕｎｇ　Ｉ　Ｐ，Ｐｏｎｃｅ　Ｓ　Ｐ，ＨＵＡＮＧ　Ｊｉｎｇ，ｅｔ　ａ１．Ｌｏｗ—ｃｏｓｔ，ｈｉｇｈ—　ｓｐｅｅｄ　ｃｏｍｐｕｔｅｒ　ｖｉｓｉｏｎ　ｕｓｉｎｇ　ＮＶＩＤＩＡ＇ｓ　ＣＵＤＡ　ａｒｃｈｉｔｅｃｔｕｒｅ　【９】Ｈａｒｉｓｈ　Ｐ，Ｎａｒａｙａｎａｎ　Ｐ　Ｊ．Ａｃｃｅｌｅｒａｔｉｎｇ　ｌａｒｇｅ　ｇｒａｐｈ　ａｌｇｒｉｔｈｍｓ　Ｏｉｌ　ｔｈｅ　ＧＰＵ　ｕｓｉｎｇ　ＣＵＤＡ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ，２００７（４８７３）：　１　９７－２０８．　【Ｃ１＃２００８　３７ｔｈ　ＩＥＥＥ　Ａｐｐｌｉｅｄ　Ｉｍａｇｅｒｙ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｗｏｒｋｓｈｏｐ．２００８：１－７．　Ｂｌｕｅｓｔａｒ　Ｓｉｌｉｃｏｎｅｓ推出新一代ＳＩＬＣＯＬＥＡＳＥ（Ｒ）Ｏｐｔｉｍａ概念：更冷、更快、更低　Ｏｐｔｉｍａ　Ｃｏｎｃｅｐｔ是可以解决与标签和离型材料生产相关的所有成本、利润或生产力问题的ＳＩＬＣＯＬＥＡＳＥ（Ｒ）解决方案。现　有的ＳＩＬＣＯＬＥＡＳＥ（Ｒ１系列产品可与新的Ｏｐｔｉｍａ部件配合使用，从而应对以下挑战：　降低铂金用量　低温固化　快速运行一快速固化＆减少气雾　Ｏｐｔｉｍａ概念可通过更换零部件或在适当的时候推出完整的新系统来调整涂层配方，从而优化离型材料的生产。过去两年　内开发的最新Ｏｐｔｉｍａ　ＩＩ产品已经通过测试可应用于各种生产规模．并可在更加广泛的底层和机器操作条件下运行。　咨询编号：２０１　１　１９１Ｏ１０　—１４６—