在 CUDA 中同步多个变量

Question

我的程序有很多 4 字节字符串，例如“aaaa”“bbbb”“cccc”...我需要收集通过 crc 检查的特定字符串。

因为字符串通过 crc 检查的可能性很小，所以我不想使用非常大的缓冲区来保存所有结果。我更喜欢一一连接的结果，就像输入一样。例如，如果输入为“aaaabbbbcccc”且“bbbb”未通过crc检查，则输出字符串应为“aaaacccc”且output_count应为2。

代码如下：

__device__
bool is_crc_correct(char* str, int len) {
    return true; // for simplicity, just return 'true';
}

// arguments:
// input: a sequence of 4-bytes-string, eg: aaaabbbbccccdddd....
__global__
void func(char* input, int* output, int* output_count) {
    unsigned int index = blockDim.x*blockIdx.x + threadIdx.x;

    if(is_crc_correct(input + 4*index)) {
        // copy the string
        memcpy(output + (*output_count)*4,
               input + 4*index,
               4);
        // increase the counter
        (*output_count)++;
    }
}

显然内存拷贝不是线程安全的，我知道atomicAdd函数可以用于++操作，但是如何让output和output_count线程安全呢？

Answer 1

您正在寻找的是无锁线性分配器。这样做的常用方法是使用原子增加的累加器，用于索引缓冲区。例如，在您的情况下，以下应该有效：

__device__
char* allocate(char* buffer, int* elements) {
    // Here, the size of the allocated segment is always 4.
    // In a more general use case you would atomicAdd the requested size.
    return buffer + atomicInc(elements) * 4;
}

然后可以这样使用：

__global__
void func(char* input, int* output, int* output_count) {
    unsigned int index = blockDim.x*blockIdx.x + threadIdx.x;

    if(is_crc_correct(input + 4*index)) {
        // Reserve the output buffer.
        char* dst = allocate(output, output_count);
        memcpy(dst, input + 4 * index, 4);
    }
}

虽然这是完全线程安全的，但不保证保留输入顺序。例如，“ccccaaaa”将是一个有效的输出。

---

正如 Drop 在他们的评论中提到的那样，您正在尝试做的实际上是流压缩（并且 Thrust 可能已经提供了您需要的东西）。

我上面发布的代码可以通过首先聚合输出字符串通过warp来进一步优化，而不是直接分配到全局缓冲区中。这将减少全局原子争用并可能带来更好的性能。有关如何执行此操作的说明，我邀请您阅读以下文章：CUDA Pro Tip: Optimized Filtering with Warp-Aggregated Atomics。

Answer 2

我可能会因为这个建议而下地狱，但是在内核内部动态分配内存怎么样？有关示例，请参阅此问题/答案：CUDA allocate memory in __device__ function

然后您将向每个内核传递一个共享内存数组，并且在内核运行之后，该数组的每个元素要么指向一块动态分配的内存，要么指向 NULL。因此，在您的线程块运行后，您将在单个线程上运行最终的清理内核来构建最终的字符串。