引言
环境自适应软件是指能够根据外部环境的变化，和用户需求的变化，来自动调整其行为和功能的软件系统。
在如今快节奏的社会中，环境自适应软件的需求越来越大，为了提供高效、可靠的环境自适应功能，异构硬件和验证顺序分析等创新技术，被广泛应用于环境自适应软件的开发和实现中。
异构硬件在环境自适应软件中的应用
随着摩尔定律的放缓，中央处理器的晶体管密度，不再能够每1.5年翻倍一次，为了弥补这一点，越来越多的系统采用异构硬件，如图形处理器、现场可编程门阵列和多核CPU，微软的搜索引擎Bing使用现场可编程门阵列（FPGA），亚马逊网络服务则利用云技术提供图形处理器（GPU）和FPGA实例。
要在这些系统中，正确利用除了小核心CPU以外的设备，需要进行一些配置和编程工作，考虑到设备特性，如开放多处理、开放计算语言和计算统一设备架构，对于大多数程序员来说，技术门槛很高，物联网技术在这些系统中的使用越来越普遍，对所需技能的要求也在增加。
对于使用异构硬件的应用程序的期望越来越高，目前使用它们的技术障碍很高，为了克服这些障碍，应用程序员只需编写要处理的逻辑，然后软件应该适应具备异构硬件的环境，以便轻松使用这些硬件。
Java，于1995年出现，引起了环境适应方面的范式转变，使得一次编写的软件可以在其他CPU机器上运行，在移植目标上没有考虑应用程序性能的问题，先前提出了一种环境自适应软件，通过自动执行代码转换和配置，有效地运行一次编写的应用程序，以便在部署环境中适当地使用GPU、FPGA、多核CPU等各种设备。
作为环境自适应软件的基本技术，还提出了一种将循环语句和函数块，自动迁移到GPU或FPGA的方法，研究目的是在存在各种GPU、FPGA，以及多核CPU设备的混合迁移目标环境中，自动迁移具有高性能的应用程序。
提出了一种自动迁移到单个GPU、FPGA，或多核CPU设备的方法，接下来，提出了一种在具有各种设备的混合迁移目标环境中，适当迁移的方法，对现有应用程序中，提出的方法的有效性进行评估。
对于混合环境的迁移，还使用了先前提出的将循环语句迁移到GPU、FPGA，和函数块迁移到FPGA的方法作为基本技术，目标是使用先前的单独设备迁移技术，在混合环境中适当地进行迁移。
实现环境自适应软件的方法
为了实现环境自适应软件，提出了一种将程序循环语句自动迁移到GPU和FPGA，将程序函数块自动迁移到GPU和FPGA的方法，基于这些基本技术，介绍了针对各种设备的基本思想，并提出了一种自动迁移到混合迁移目标环境的方法。
涉及的迁移目标环境包括GPU、FPGA和多核CPU，GPU和FPGA作为异构硬件，已经被长时间使用，有许多使用CUDA和OpenCL进行手动迁移的加速实例，可以以几百美元购买具有16个，或更多核心的多核CPU。
并且还有32到64个核心的更多核CPU，可以使用OpenMP等技术规范进行并行化，在许多情况下，通过手动调优进行并行化可以提高速度，为了实现高速自动卸载，通过在验证环境中测量物理机器的性能，逐步搜索高速卸载模式，并使用进化计算进行优化。
这与以前提出的GPU卸载类似，其原因在于性能的变化在很大程度上，取决于代码结构以及实际处理内容，如处理硬件规格、数据大小和循环次数，性能很难静态预测，需要进行动态测量。
市场上有一些自动并行编译器，可以在编译阶段查找循环语句并实现并行化，由于可并行化循环语句的并行化通常会导致速度较慢，因此常常需要进行性能测量，关于动态测量，所提出的方法能够递归地执行它。
它不会归纳出优化的方式，在模板计算的情况下，有优化的专门技巧，但是方法无法提取这些技巧，所提出的方法的一个主要特点是，它实际上执行并测量使用用户数据的所有迁移目标候选者的性能，并选择高速模式。
对于要卸载的对象，关注程序的循环语句和函数块，这与迄今为止提出GPU和FPGA卸载的情况类似，循环语句是卸载的首要目标，因为大多数耗时的程序处理都在循环中进行，另一方面，对于函数块。
当加速特定处理时，通常会使用适合处理内容和处理硬件的算法，因此与卸载单独的循环语句相比，处理速度可以大大加快，通过将傅里叶变换等经常使用的函数块，替换为基于适当算法的处理，可以提高性能，该算法适用于设备特性。
关于代码模式，有一些研究对循环的类型等施加限制，但是这项研究对代码模式没有特定的限制，在这项研究中，针对函数块的卸载和循环语句的卸载，尝试了所有代码模式，包括多核CPU、GPU和FPGA。
使用两种方法，描述了针对三个卸载目标的自动卸载，关于GPU和FPGA的卸载，提出了一种适用于循环语句的自动多核CPU卸载方法，与GPU类似，多核CPU利用许多计算核心并将处理并行化以加快速度。
与GPU不同，多核CPU具有共享内存，因此无需考虑CPU和GPU内存之间数据传输的开销，这通常是卸载到GPU时的一个问题，针对多核CPU上的程序处理并行化，通常使用开放多处理器(OpenMP)规范。
OpenMP是一种规范，通过诸如#pragma omp parallel for等指令，来指定程序的并行处理和其他处理，OpenMP程序员负责在OpenMP中进行处理的并行化，当试图并行化无法并行化的处理时，编译器不会输出错误，并且计算结果会变得错误。
采用渐进加速循环语句，自动卸载到多核CPU的遗传算法方法，研究人员介绍了使用GA在GPU上进行的代码优化，与GPU的区别在于，使用OpenMP的#pragma omp parallel for，来指示多核CPU执行循环语句。
而不是使用OpenACC的#pragma acc kernels，具体而言，创建了多个模式，使用OpenMP的#pragma指令，指定循环是否以并行方式处理，并在验证环境中重复实际性能测量，在此过程中，用于自动GPU卸载的PGI编译器，在无法并行化时会输出错误。
像gcc这样的OpenMP编译器不会输出此类错误，为了自动化错误输出，通过仅检查循环语句在多核CPU上，是否并行化来简化OpenMP指令执行的处理，通过检查每次测量的最终计算结果是否正确，只有产生正确计算结果的模式才会保留在进化计算中。
当输入代码时，使用诸如Clang的解析库分析语法，并确定循环语句，在这里，当多核CPU上执行并行处理时，基因模式设置为1，当不执行并行处理时，设置为0，如果值为1，该方法将在循环语句中添加#pragma omp parallel for，创建指定并行处理的OpenMP代码。
该方法使用诸如gcc的OpenMP编译器，编译准备好的多个OpenMP文件，并测量配备多核CPU的验证环境机器的性能，通过性能测量，高速处理的模式被认为具有较高的适应度，低速处理的模式被认为具有较低的适应度。
然后通过遗传算法的精英选择、交叉和突变等处理创建下一代的模式，在性能测量中，将最终计算结果，与使用CPU的单个核心处理原始代码的情况进行比较，如果差异过大，则将模式的适应度设置为足够低，以便在下一代中不被选择。
之前提出了一种针对循环语句的自动GPU卸载方法，在论文中，使用了该方法，通过使用遗传算法提取适当的循环语句，并减少CPU-GPU内存数据传输，实现了自动卸载，还需要减少CPU和GPU之间的通信延迟以提高性能。
在和其他论文中，考虑在嵌套循环中尽可能高地传输变量，并考虑批量传输变量，之前提出了一种针对循环语句的自动FPGA卸载方法，在研究中，使用了该方法，通过使用算术强度、循环次数和资源量来缩小候选循环语句范围。
缩小范围后，在验证环境中测量多种模式的性能，实现自动卸载，之前提出了一种函数块的自动卸载方法，在研究中使用了该方法，该方法在GPU和FPGA上进行了验证，但是对于可以通过名称匹配，和相似性检测卸载的函数块，处理方式是相同的。
因此也可以在多核CPU上采用，使用Deckard的抽象语法树相似性匹配，来进行函数块卸载，并不是所有的函数块都能够被卸载，根据基本思想和个体设备卸载方法，研究了在混合卸载目标环境中的自动卸载。
从单设备迁移到混合环境的主要区别在于，当同一节点上存在多个高速卸载模式时，会尝试组合，即使程序代码相同，性能也取决于处理硬件的规格和处理内容，需要进行实际的性能测量，由于有三种类型的卸载设备，和两种卸载重点的方法，至少需要进行六个种卸载验证。
与循环语句和函数块相比，如果存在可卸载的函数，函数块卸载可能更快，与一个模式的验证时间相比，多核CPU = GPU < FPGA，FPGA需要几个小时进行电路实现，测量其性能需要时间。
基于上述原因，提议按照以下顺序进行六种卸载验证，多核CPU函数块卸载，GPU函数块卸载，FPGA函数块卸载，多核CPU循环语句卸载，GPU循环语句卸载和FPGA循环语句卸载。
按照这个顺序进行卸载验证，以寻找高性能的模式，前三种和后三种的目标代码可能不同，具体来说，如果在前三种中可以进行函数块卸载，则在没有可卸载的函数块部分的代码中，验证后三种循环语句的卸载。
在卸载验证中，用户可以指定目标性能，如果在用户指定范围内的前六个验证中，找到足够快的卸载模式，则不会执行后续的验证，之所以这样做是因为函数块卸载可以更快，所以将提前进行验证。
在执行自动卸载时，期望尽快进行高速模式搜索，需要耗费较长验证时间的FPGA被放在最后，如果在之前的阶段找到了满足用户需求的模式，则不进行FPGA验证，多核CPU和GPU在验证时间上的差异很小，但多核CPU与具有单独内存空间的GPU相比更类似于小核心CPU。
验证顺序遵循上述描述，如果在多核CPU之前，找到了足够满足用户需求的模式，则不会进行GPU验证，接下来，确定最终模式，如果在六种卸载验证中，存在比单个CPU核心更快的模式，提议的方法将准备一个具有该模式的可执行文件。
在准备可执行文件时，除了选择性能最高的模式外，还可以根据所使用加速设备的价格，选择最具成本效益的模式，在六种验证中，当出现多种速度提升模式时，来考察最终的模式，在卸载到另一个节点时，需要使用消息传递接口等技术规范。
并且由于通信开销，加速变得困难，在通常的服务器机器配置中，有具有多核CPU和GPU的机器，具有多核CPU和FPGA的机器，但具有多核CPU、GPU和FPGA的机器很少，如果多个设备可以加速，则在文中，卸载到同一节点是必要条件。
同一节点上的多核CPU和GPU可以成为候选项，但另一个节点上的GPU和FPGA则不行，研究了函数块卸载的组合方法，对于函数块卸载，有以下规则适用，如果同一个函数块可以卸载到多个设备上提议的方法，会选择性能改进最大的卸载目标。
如果不同的函数块可以卸载到不同的设备上，而不能卸载到同一节点上，那么会选择性能改进最大的函数块进行卸载，如果不同的函数块可以卸载到不同的设备上，并且可以卸载到同一节点上，那么这些函数块都会进行卸载。
请注意，频繁使用的处理或函数块，可能会以较高的优先级进行卸载，在这种情况下，应进行带有重点放在高优先级处理上的样本测试，执行六种卸载验证，以衡量性能，然后研究了循环语句卸载的组合。
当可以卸载函数块时，循环语句会卸载到代码中，排除了可以卸载的函数块部分的部分，如果循环语句只能卸载到，与函数块卸载目标不同的节点，并且性能改进很小，则不会进行循环语句的卸载。
当通过函数块卸载快速傅里叶变换处理，并且FPGA可以在100秒内处理1秒时，余下的循环语句可以使用GPU在100秒内处理30秒，不会将循环语句从另一个节点卸载到GPU上，如果可以卸载到同一节点上，提议的方法会检查将函数块，和循环语句都卸载到该节点上的模式的加速情况。
在循环语句卸载中，有以下规则适用，如果相同的循环语句组可以卸载到多个设备上，提出的方法会选择性能改进最大的卸载目标，如果不同的循环语句组，可以卸载到不同的设备上而不能卸载到同一节点上，那么会选择性能改进最大的循环语句组进行卸载。
如果不同的循环语句组可以卸载到不同的设备上，并且可以卸载到同一节点上，那么会优先卸载性能改进最大的循环语句组，而将其余的循环语句组卸载到性能改进较低的卸载目标上，当卸载到同一节点的多个设备上，同时卸载到多个设备上不一定能加速进程，需要同时卸载到多个设备上，并进行性能验证，以确定是否比单个设备的卸载更快。
结语
异构硬件和验证顺序分析等创新技术，为环境自适应软件的开发和实现，提供了重要的支持和保障，它们可以提高系统的自适应能力、性能和可靠性，满足不同用户和环境的需求。
未来，在不断推进技术发展的背景下，可以进一步探索和拓展环境自适应软件的创新应用，并提升其在实际生活和工作中的价值和意义。
参考文献
1.Alias, C., Darte, A., & Plesco, A. (2013, March). Optimizing remote accesses for offloaded kernels: Application to high-level synthesis for FPGA. 2013 Design, Automation and Test in Europe (DATE), 575–23. https://doi.org/10.7873/date.2013.127 [Google Scholar]
2.Bertolli, C., Antao, S. F., Bercea, G. T., Jacob, A. C., Eichenberger, A. E., Chen, T., Sura, Z., Sung, H., Rokos, G., Appelhans, D., & O’Brien, K., “Integrating GPU support for OpenMP offloading directives into Clang,” ACM Second Workshop on the LLVM Compiler Infrastructure in HPC (LLVM’15), November. 2015. [Crossref], [Google Scholar]
3.Chen, J., Joo, B., Watson, W., III, & Edwards, R., “Automatic offloading C++ expression templates to CUDA enabled GPUs,” 2012 IEEE 26th International Parallel and Distributed Processing Symposium Workshops & PhD Forum, pp.2359–2368, May 2012. [Crossref], [Google Scholar]
4.Deckard web site. 2021. http://github.com/skyhover/Deckard [Google Scholar]
5.DPC++ web site 2021. https://www.intel.com/content/www/us/en/developer/tools/oneapi/dpc-library.html#gs.flx6xq [Google Scholar]