← 研踪 PaperTrail软件学报:jos:7721 · 记录 #1
多并行尺度性能数据采集与分析方法综述
来源日期 2026-09-18
来源记录日期 2026-09-18
雷达观测 2026-11-05 00:17
摘要
高性能计算(high performance computing, HPC)的迅猛发展推动了硬件架构与并行编程模型的协同演进. 然而, 随着摩尔定律的失效与登纳德缩放定律的终结, 单纯依赖硬件迭代已无法显著提升应用的可获得性能, 导致应用实测性能与硬件峰值算力(peak performance)之间的鸿沟日益扩大. 因此, 软件层面的深度优化成为挖掘硬件潜力、提升计算效率的关键途径. 历经数十年发展, 领域内已形成了性能数据采集、性能分析与性能优化的完整工作流. 系统综述多并行尺度下的性能数据采集与分析方法与其技术基础, 深入分析现有方法与工具在指令、线程及进程等不同并行尺度下的优势与局限. 同时, 重点探讨人工智能(artificial intelligence, AI)作为新兴计算负载与智能化分析手段的双重角色对本领域的深远影响, 旨在为高性能计算性能工程的研究与实践提供前沿视角与有价值的参考.
论文发现出处
这些页面提供论文线索，不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007721
观测到的版本
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
记录 #1 · 2026-09-18 · 最新观测版本
多并行尺度性能数据采集与分析方法综述
高性能计算(high performance computing, HPC)的迅猛发展推动了硬件架构与并行编程模型的协同演进. 然而, 随着摩尔定律的失效与登纳德缩放定律的终结, 单纯依赖硬件迭代已无法显著提升应用的可获得性能, 导致应用实测性能与硬件峰值算力(peak performance)之间的鸿沟日益扩大. 因此, 软件层面的深度优化成为挖掘硬件潜力、提升计算效率的关键途径. 历经数十年发展, 领域内已形成了性能数据采集、性能分析与性能优化的完整工作流. 系统综述多并行尺度下的性能数据采集与分析方法与其技术基础, 深入分析现有方法与工具在指令、线程及进程等不同并行尺度下的优势与局限. 同时, 重点探讨人工智能(artificial intelligence, AI)作为新兴计算负载与智能化分析手段的双重角色对本领域的深远影响, 旨在为高性能计算性能工程的研究与实践提供前沿视角与有价值的参考.
查看此版本解读 →查看此版本原文 ↗