CN115761142B - 一种基于多gpu协同的高性能实景建模方法 - Google Patents

Abstract

本发明公开了一种基于多GPU协同的高性能实景建模方法，涉及三维建模技术领域，包括：用户通过无人机在目标场景内定点采集倾斜摄影数据并上传至云平台；云平台根据接收到的倾斜摄影数据生成对应的实景建模任务；所述分布式消息队列服务器用于对所述实景建模任务进行丰富度值FD分析；根据丰富度值FD分配对应数量GPU协同执行所述实景建模任务；具体为：数据库内预存有丰富度值范围与GPU数量阈值的映射关系表；然后获取当前未执行任务的GPU进行执优值GD分析，得到GPU的分配优先表；选取排序前Z1个GPU协同执行所述实景建模任务；多GPU协同，提高协同效率，实现资源利用最大化，提高实景建模效率。

Description

一种基于多GPU协同的高性能实景建模方法

技术领域

本发明涉及三维建模技术领域，具体是一种基于多GPU协同的高性能实景建模方法。

背景技术

三维渲染运算过程，是将通过软件三维引擎读取三维数据，通过操作系统底层的标准图形接口，控制gpu运行，根据当前视角，将三维数据转换成光栅图像信息，并在输出设备进行展示；现有技术中存在如下问题：

1、单个gpu运算性能有限：不同类型的gpu由于其计算单元数量不同，运算性能也不尽相同，但是无论哪种类型的gpu，运算单元总数是有限的，导致对应的运算性能也有限；

2、三维场景只能在一个gpu中进行渲染运算：目前三维引擎设计中一个三维场景的渲染通常绑定到一个gpu中进行，即一个三维引擎只能加载一个三维模型场景数据，且同时只能控制一个gpu进行工作；

3、渲染的规模和精度不能满足要求：三维场景的数据量随着规模和精度的不同而不同，当随着需要渲染场景的三维数据量增大，并且需要实时获取渲染结果，目前的gpu性能不能满足要求；基于以上不足，本发明提出一种基于多GPU协同的高性能实景建模方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于多GPU协同的高性能实景建模方法。

为实现上述目的，根据本发明的第一方面的实施例提出一种基于多GPU协同的高性能实景建模方法，包括如下步骤：

步骤一：用户通过无人机在目标场景内定点采集倾斜摄影数据，并将采集的倾斜摄影数据上传至云平台；

步骤二：云平台根据接收到的倾斜摄影数据生成对应的实景建模任务，并将实景建模任务作为消息发送到分布式消息队列服务器；

步骤三：所述分布式消息队列服务器用于将接收到的实景建模任务作为消息缓存在消息队列中；并对所述实景建模任务进行丰富度值FD分析；

步骤四：根据丰富度值FD分配对应数量GPU协同执行所述实景建模任务；具体为：数据库内预存有丰富度值范围与GPU数量阈值的映射关系表；

首先确定丰富度值FD在映射关系表中位于的丰富度值区间；再根据该丰富度值区间获取对应的GPU数量阈值为Z1；

步骤五：获取当前未执行任务的GPU进行执优值GD分析，得到GPU的分配优先表；选取排序前Z1个GPU协同执行所述实景建模任务。

进一步地，选取排序前Z1个GPU协同执行实景建模任务，还包括：

获取分配优先表中排序第一的GPU，并标记为待验证GPU；

设定待验证GPU的攻击吸引值为G1，将攻击吸引值G1与预设吸引阈值相比较；若G1＜预设吸引阈值，则将该待验证GPU标记为选中GPU；

若G1≥预设吸引阈值，则表明该GPU存在网络攻击风险，排除该GPU，继续获取分配优先表中排序第二的GPU，依此类推，直至选出Z1个GPU。

进一步地，对所述实景建模任务进行丰富度值FD分析，具体为：

获取所述实景建模任务对应的倾斜摄影数据，统计所述倾斜摄影数据的大小为Dz；获取倾斜摄影数据对应时间段内的所有建筑物信息；

统计反光面建筑物的数量为L1，反光面建筑物对应体积为V1；统计运动物体的数量为L2，运动物体对应体积为V2；统计植被区域数量为M1，植被对应面积为M2；统计镂空建筑物的数量为L3，镂空建筑物对应体积为V3；利用公式FD＝Dz×a1+L1×a2+V1×a3+L2×a4+V2×a5+M1×a6+M2×a7+L3×a8+V3×a9计算得到所述实景建模任务的丰富度值FD，其中a1、a2、a3、a4、a5、a6、a7、a8、a9均为预设系数因子。

进一步地，获取当前未执行任务的GPU进行执优值分析，具体包括：

采集所述GPU在系统当前时间前2小时的任务执行信息；

统计所述GPU的任务执行总次数为执行频次P1，将每次的任务执行时长进行累加得到执行总时长Ts；

当监测到所述GPU开始执行任务时，每间隔R2时间采集一次所述GPU的状态参数，计算得到所述GPU的状态系数ZX；建立状态系数ZX随时间变化的曲线图；将状态系数ZX与预设状态阈值相比较；

根据状态系数ZX的时空变化情况计算得到对应GPU的状态超越值CY；利用公式GD＝(CY×k1)/(P1×k2+Ts×k3)计算得到所述GPU的执优值GD，其中k1、k2、k3均为系数因子；将所述GPU按照执优值GD的大小进行降序排列，生成GPU的分配优先表。

进一步地，其中，状态系数ZX的具体计算方法为：

状态参数包括访问节点连接数、CPU负载率、带宽负载率和实时网络速率；将访问节点连接数、CPU负载率、带宽负载率和实时网络速率依次标记为Q1、Q2、Q3、Q4；利用公式ZX＝(Q1×g1+Q4×g4)/(Q2×g2+Q3×g3)计算得到所述GPU的状态系数ZX，其中，g1、g2、g3、g4为系数因子。

进一步地，状态超越值CY的具体计算方法为：

若ZX＞预设状态阈值，则在对应的曲线图中截取对应的曲线段并进行标注，记为超越曲线段；统计超越曲线段的数量为P2，将超越曲线段中对应ZX与预设状态阈值的差值对时间进行积分得到超越参考面积Mz；

利用公式CY＝P2×g5+Mz×g6计算得到对应GPU的状态超越值CY，其中g5、g6均为系数因子。

进一步地，该方法还包括：对GPU进行网络攻击监测，具体监测步骤：

在预设时间段内，统计针对所述GPU的网络攻击总次数为C1，统计网络攻击的种类数为ZL；网络攻击包括病毒攻击、电子邮件攻击、IP攻击以及冗余数据攻击；

将每次网络攻击的持续时长标记为GTi；将GTi与预设时长阈值相比较；统计GTi大于预设时长阈值的次数占比为Zb，当GTi大于预设时长阈值时，获取GTi与预设时长阈值的差值并进行求和得到超时总值CZ，利用公式Cg＝Zb×b1+CZ×b2计算得到超攻系数Cg，其中b1、b2均为预设系数因子；

将网络攻击总次数、种类数以及超攻系数进行归一化处理并取其数值，利用公式Gt＝C1×b3+ZL×b4+Cg×b5计算得到所述GPU的攻击吸引值Gt，其中b3、b4、b5均为预设系数因子。

与现有技术相比，本发明的有益效果是：

1、本发明中分布式消息队列服务器用于实景建模任务进行丰富度值分析，结合倾斜摄影数据大小以及所有建筑物信息，计算得到实景建模任务的丰富度值FD；根据丰富度值FD分配对应数量GPU协同执行实景建模任务，具体为：数据库内预存有丰富度值范围与GPU数量阈值的映射关系表；多GPU协同，提高协同效率，实现资源利用最大化，提高实景建模效率；

2、本发明中该方法还包括：获取当前未执行任务的GPU进行执优值分析，结合GPU在系统当前时间前2小时的任务执行信息，以及GPU的状态参数，计算得到GPU的执优值GD，将GPU按照执优值GD的大小进行降序排列，生成GPU的分配优先表；按照分配优先表的排序选取前Z1个GPU协同执行实景建模任务；提高实景建模效率；同时在选取GPU时，验证GPU的攻击吸引值，若G1≥预设吸引阈值，则表明该GPU存在网络攻击风险，排除该GPU，本发明在实景建模时，能够根据执优值和攻击吸引值合理选择对应的GPU进行协同处理，从而提高实景建模效率和信息安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于多GPU协同的高性能实景建模方法的原理框图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，一种基于多GPU协同的高性能实景建模方法，包括如下步骤：

步骤一：用户通过无人机在目标场景内定点采集倾斜摄影数据，并将采集的倾斜摄影数据上传至云平台；

步骤二：云平台根据接收到的倾斜摄影数据生成对应的实景建模任务，并将实景建模任务作为消息发送到分布式消息队列服务器；

步骤三：分布式消息队列服务器用于将接收到的实景建模任务作为消息缓存在消息队列中；并对实景建模任务进行丰富度值分析；具体分析步骤为：

获取实景建模任务对应的倾斜摄影数据，统计倾斜摄影数据的大小为Dz：

获取倾斜摄影数据对应时间段内的所有建筑物信息；

在本实施例中，将建筑物分为四类：1、反光面，无法反映物体真实纹理信息；例如水面、玻璃、大面积单一纹理面的建筑物；2、慢速运动的物体，例如十字路口的汽车；3、随风晃动的植被，无法匹配特征点或者匹配的特征点误差较大的场景；例如树木和灌木丛；4、镂空复杂的建筑物；例如护栏、基站、铁塔、高压线等；

统计反光面建筑物的数量为L1，反光面建筑物对应体积为V1；统计运动物体的数量为L2，运动物体对应体积为V2；

统计植被区域数量为M1，植被对应面积为M2；统计镂空建筑物的数量为L3，镂空建筑物对应体积为V3；

利用公式FD＝Dz×a1+L1×a2+V1×a3+L2×a4+V2×a5+M1×a6+M2×a7+L3×a8+V3×a9计算得到实景建模任务的丰富度值FD，其中a1、a2、a3、a4、a5、a6、a7、a8、a9均为预设系数因子；

步骤四：根据丰富度值FD分配对应数量GPU协同执行实景建模任务；多GPU协同，提高协同效率；具体分配步骤为：

数据库内预存有丰富度值范围与GPU数量阈值的映射关系表；

首先确定丰富度值FD在映射关系表中位于的丰富度值区间；再根据该丰富度值区间获取对应的GPU数量阈值为Z1；

步骤五：获取当前未执行任务的GPU进行执优值分析，得到GPU的分配优先表；按照分配优先表的排序选取前Z1个GPU协同执行实景建模任务；提高实景建模效率；

在一种可选实施方式中，按照分配优先表的排序选取前Z1个GPU，还包括：

获取分配优先表中排序第一的GPU，并标记为待验证GPU；

设定待验证GPU的攻击吸引值为G1，将攻击吸引值G1与预设吸引阈值相比较；若G1＜预设吸引阈值，则将该待验证GPU标记为选中GPU；

若G1≥预设吸引阈值，则表明该GPU存在网络攻击风险，排除该GPU，继续获取分配优先表中排序第二的GPU，依此类推，直至选出Z1个GPU；

在一种可选实施方式中，该方法还包括：对GPU进行网络攻击监测，具体监测步骤：

在预设时间段内，统计针对GPU的网络攻击总次数为C1，统计网络攻击的种类数为ZL；网络攻击包括病毒攻击、电子邮件攻击、IP攻击以及冗余数据攻击等；

将每次网络攻击的持续时长标记为GTi；将GTi与预设时长阈值相比较；统计GTi大于预设时长阈值的次数占比为Zb，当GTi大于预设时长阈值时，获取GTi与预设时长阈值的差值并进行求和得到超时总值CZ，利用公式Cg＝Zb×b1+CZ×b2计算得到超攻系数Cg，其中b1、b2均为预设系数因子；

将网络攻击总次数、种类数以及超攻系数进行归一化处理并取其数值，利用公式Gt＝C1×b3+ZL×b4+Cg×b5计算得到GPU的攻击吸引值Gt，其中b3、b4、b5均为预设系数因子；

本发明在实景建模时，能够根据执优值和攻击吸引值合理选择对应的GPU进行协同处理，从而提高实景建模效率和信息安全性；

在一种可选实施方式中，获取当前未执行任务的GPU进行执优值分析，具体分析步骤为：

采集GPU在系统当前时间前2小时的任务执行信息；任务执行信息包括任务开始时刻、任务结束时刻；此处的任务是指实景建模任务；

统计GPU的任务执行总次数为执行频次P1，将每次的任务执行时长进行累加得到执行总时长Ts；

当监测到GPU开始执行任务时，每间隔R2时间采集一次GPU的状态参数，状态参数包括访问节点连接数、CPU负载率、带宽负载率和实时网络速率；将访问节点连接数、CPU负载率、带宽负载率和实时网络速率依次标记为Q1、Q2、Q3、Q4；利用公式ZX＝(Q1×g1+Q4×g4)/(Q2×g2+Q3×g3)计算得到GPU的状态系数ZX，其中，g1、g2、g3、g4为系数因子；

建立状态系数ZX随时间变化的曲线图；将状态系数ZX与预设状态阈值相比较；若ZX＞预设状态阈值，则在对应的曲线图中截取对应的曲线段并进行标注，记为超越曲线段；

统计超越曲线段的数量为P2，将超越曲线段中对应ZX与预设状态阈值的差值对时间进行积分得到超越参考面积Mz，利用公式CY＝P2×g5+Mz×g6计算得到对应GPU的状态超越值CY，其中g5、g6均为系数因子；

将执行频次、执行总时长以及状态超越值进行归一化处理并取其数值，利用公式GD＝(CY×k1)/(P1×k2+Ts×k3)计算得到GPU的执优值GD，其中k1、k2、k3均为系数因子；

将GPU按照执优值GD的大小进行降序排列，生成GPU的分配优先表；以便选取状态参数优秀、任务执行较少的GPU进行实景建模，提高GPU利用率。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

本发明的工作原理：

一种基于多GPU协同的高性能实景建模方法，在工作时，用户通过无人机在目标场景内定点采集倾斜摄影数据并上传至云平台；云平台根据接收到的倾斜摄影数据生成对应的实景建模任务；分布式消息队列服务器用于实景建模任务进行丰富度值分析，结合倾斜摄影数据大小以及所有建筑物信息，计算得到实景建模任务的丰富度值FD；根据丰富度值FD分配对应数量GPU协同执行实景建模任务，具体为：数据库内预存有丰富度值范围与GPU数量阈值的映射关系表；多GPU协同，提高协同效率，实现资源利用最大化，提高实景建模效率；

该方法还包括：获取当前未执行任务的GPU进行执优值分析，结合GPU在系统当前时间前2小时的任务执行信息，以及GPU的状态参数，计算得到GPU的执优值GD，将GPU按照执优值GD的大小进行降序排列，生成GPU的分配优先表；按照分配优先表的排序选取前Z1个GPU协同执行实景建模任务；提高实景建模效率；同时在选取GPU时，验证GPU的攻击吸引值，若G1≥预设吸引阈值，则表明该GPU存在网络攻击风险，排除该GPU，本发明在实景建模时，能够根据执优值和攻击吸引值合理选择对应的GPU进行协同处理，从而提高实景建模效率和信息安全性。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种基于多GPU协同的高性能实景建模方法，其特征在于，包括：

步骤一：用户通过无人机在目标场景内定点采集倾斜摄影数据，并将采集的倾斜摄影数据上传至云平台；

步骤二：云平台根据接收到的倾斜摄影数据生成对应的实景建模任务，并将实景建模任务作为消息发送到分布式消息队列服务器；

步骤三：所述分布式消息队列服务器用于将接收到的实景建模任务作为消息缓存在消息队列中；并对所述实景建模任务进行丰富度值FD分析；

步骤四：根据丰富度值FD分配对应数量GPU协同执行所述实景建模任务；具体为：数据库内预存有丰富度值范围与GPU数量阈值的映射关系表；

首先确定丰富度值FD在映射关系表中位于的丰富度值区间；再根据该丰富度值区间获取对应的GPU数量阈值为Z1；

步骤五：获取当前未执行任务的GPU进行执优值GD分析，得到GPU的分配优先表；选取排序前Z1个GPU协同执行所述实景建模任务。

2.根据权利要求1所述的一种基于多GPU协同的高性能实景建模方法，其特征在于，选取排序前Z1个GPU协同执行所述实景建模任务，还包括：

获取分配优先表中排序第一的GPU，并标记为待验证GPU；

设定待验证GPU的攻击吸引值为G1，将攻击吸引值G1与预设吸引阈值相比较；若G1＜预设吸引阈值，则将该待验证GPU标记为选中GPU；

若G1≥预设吸引阈值，则表明该GPU存在网络攻击风险，排除该GPU，继续获取分配优先表中排序第二的GPU，依此类推，直至选出Z1个GPU。

3.根据权利要求1所述的一种基于多GPU协同的高性能实景建模方法，其特征在于，对所述实景建模任务进行丰富度值FD分析，具体分析步骤为：

获取所述实景建模任务对应的倾斜摄影数据，统计所述倾斜摄影数据的大小为Dz；获取倾斜摄影数据对应时间段内的所有建筑物信息；

统计反光面建筑物的数量为L1，反光面建筑物对应体积为V1；统计运动物体的数量为L2，运动物体对应体积为V2；统计植被区域数量为M1，植被对应面积为M2；统计镂空建筑物的数量为L3，镂空建筑物对应体积为V3；利用公式FD＝Dz×a1+L1×a2+V1×a3+L2×a4+V2×a5+M1×a6+M2×a7+L3×a8+V3×a9计算得到所述实景建模任务的丰富度值FD，其中a1、a2、a3、a4、a5、a6、a7、a8、a9均为预设系数因子。

4.根据权利要求2所述的一种基于多GPU协同的高性能实景建模方法，其特征在于，获取当前未执行任务的GPU进行执优值分析，具体包括：

采集所述GPU在系统当前时间前2小时的任务执行信息；

统计所述GPU的任务执行总次数为执行频次P1，将每次的任务执行时长进行累加得到执行总时长Ts；

当监测到所述GPU开始执行任务时，每间隔R2时间采集一次所述GPU的状态参数，计算得到所述GPU的状态系数ZX；

建立状态系数ZX随时间变化的曲线图；将状态系数ZX与预设状态阈值相比较；根据状态系数ZX的时空变化情况计算得到对应GPU的状态超越值CY；

利用公式GD＝(CY×k1)/(P1×k2+Ts×k3)计算得到所述GPU的执优值GD，其中k1、k2、k3均为系数因子；将所述GPU按照执优值GD的大小进行降序排列，生成GPU的分配优先表。

5.根据权利要求4所述的一种基于多GPU协同的高性能实景建模方法，其特征在于，其中，状态系数ZX的具体计算方法为：

状态参数包括访问节点连接数、CPU负载率、带宽负载率和实时网络速率；将访问节点连接数、CPU负载率、带宽负载率和实时网络速率依次标记为Q1、Q2、Q3、Q4；利用公式ZX＝(Q1×g1+Q4×g4)/(Q2×g2+Q3×g3)计算得到所述GPU的状态系数ZX，其中，g1、g2、g3、g4为系数因子。

6.根据权利要求5所述的一种基于多GPU协同的高性能实景建模方法，其特征在于，状态超越值CY的具体计算方法为：

若ZX＞预设状态阈值，则在对应的曲线图中截取对应的曲线段并进行标注，记为超越曲线段；统计超越曲线段的数量为P2，将超越曲线段中对应ZX与预设状态阈值的差值对时间进行积分得到超越参考面积Mz；

利用公式CY＝P2×g5+Mz×g6计算得到对应GPU的状态超越值CY，其中g5、g6均为系数因子。

7.根据权利要求2所述的一种基于多GPU协同的高性能实景建模方法，其特征在于，该方法还包括：对GPU进行网络攻击监测，具体监测步骤：

在预设时间段内，统计针对所述GPU的网络攻击总次数为C1，统计网络攻击的种类数为ZL；网络攻击包括病毒攻击、电子邮件攻击、IP攻击以及冗余数据攻击；

将每次网络攻击的持续时长标记为GTi；将GTi与预设时长阈值相比较；统计GTi大于预设时长阈值的次数占比为Zb，当GTi大于预设时长阈值时，获取GTi与预设时长阈值的差值并进行求和得到超时总值CZ，利用公式Cg＝Zb×b1+CZ×b2计算得到超攻系数Cg，其中b1、b2均为预设系数因子；

将网络攻击总次数、种类数以及超攻系数进行归一化处理并取其数值，利用公式Gt＝C1×b3+ZL×b4+Cg×b5计算得到所述GPU的攻击吸引值Gt，其中b3、b4、b5均为预设系数因子。