摘要: 1．本文的创新点
GPU已经发展成为一个重要的处理器，越来越多的领域开始使用GPU来加速程序。目前GPU上使用最为广泛的编程方式是CUDA。但是使用CUDA编写的程序无法运行于CPU上。这导致很多程序不得不维护两个版本：一个是CPU版本，一个是GPU版本，大大提高了软件开发和维护成本。MapCG提供了CPU，GPU统一的编程接口。程序员使用MapCG编程，只需要编写一份代码，即可让代码运行于CPU和GPU之上。同时，MapCG提供的基于MapReduce的编程接口让编程变得更加简单。
2．实现方法
CPU和GPU的主要区别有几方面：1)线程模型。GPU使用的编程粒度远小于CPU，同时GPU上线程之间的关系也较CPU复杂得多。2)内存模型。GPU的内存层次比CPU多，而且cache较CPU小。3)编程语言。GPU使用CUDA编程，而CPU则使用C/C++等语言。
MapCG使用MapReduce模型进行编程，可以掩盖大部分的问题。在MapReduce程序中，程序员不需要控制线程的调度，任务分配，负载均衡等问题，因此线程模型差异所带来的困扰可以被大大减少。同时，MapReduce程序中，任务调度是由运行时系统决定的，因而运行时系统也可以较好的控制其内存访问行为。因而程序员不需要过于担心GPU上的内存层次问题。在编程语言上，CUDA与C/C++的区别在于它提供了一些专用于GPU的语言扩展。在MapCG中，程序员使用一个C/C++语言的子集编写程序，然后使用MapCG提供的简单的源代码转换工作将代码转换成CPU代码，或者GPU代码。
MapCG的运行时系统向程序员提供了统一的接口，但是它在CPU和GPU上的实现又有较大区别。在CPU上，MapCG为每个线程使用一个哈希表。哈希表的主要作用是对中间值进行分组。在GPU上，因为线程粒度的关系，无法为每个线程提供一个独立哈希表，因此MapCG为每个GPU使用一个哈希表。为了保证同时插入的正确性，MapCG使用GPU中的原子指令实现了一个可同时插入的哈希表。
此外，为了优化内存分配性能，MapCG还使用了一个定制的内存分配器。这个内存分配器只供MapCG存储对使用。它是一个定制的分配器，支持调速的并行malloc，但只能一次性进行free。这样的设计符合MapCG的内存使用模式，但是不适合作为通用内存分配器。
3．结论及未来待解决的问题
实验表明，使用MapCG，程序员可以只编写一份代码，让代码同时在CPU和GPU上运行，同时还能取得接近于手工编写的代码的性能。同时，测试还表明，MapCG的性能优于同类框架，它比Mars和Phoenix都要快。单独的实验也证明了，MapCG中使用的哈希表设计，以及定制的内存分配器对性能的提高都是很有效的。
MapCG使用MapReduce编程模型，而MapReduce编程模型只适合某一些程序，对于有多重循环的程序，MapReduce往往比较低效，这是MapReduce固有的问题。
目前，MapCG还不能使用GPU上的shared memory来加速程序员编写的代码，仅在内存分配器中使用了shared memory。Xiaosong Ma等人提出了使用shared memory来改进MapReduce程序在GPU上的内存访问行为，从而获取较好的性能。我们正与他们合作将这一特性加入MapCG中。
因为CPU和GPU之间的序列化/反序列化操作，MapCG无法提供高效的CPU-GPU协同处理，我们希望在以后的工作中改进这一点。
4．实用价值或应用前景
MapCG为程序员提供了一个CPU/GPU统一的编程环境，这样程序员可以只编写一份代码，就能让它运行在CPU和GPU上。同时，MapCG提供的MapReduce编程模型也让编程变得更加简单。我们相信，MapCG对于降低CPU/GPU系统中的软件开发与维护成本，普及GPU使用有较大的现实意义。