Compressor Multispectral e Hyperspectral Sem Perdas, Paralelo e de Baixo Consumo em GPU

Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaO campo de computação de baixo consumo é dominado por Field-programmable gate arrays (FPGAs) devido ao seu baixo consumo energético. mas ao longo dos anos o aumento do uso de dispositivos móveis têm proporcionado o aumento de desempenho e da eficiência energética dos Central Processing Units (CPUs) e Graphical Processing Units (GPUs) neles usados.O objetivo principal deste trabalho foi estudar a possibilidade de que GPUs de baixo consumo energético possam estar em pé de igualdade com FPGAs quando executando o algoritmo Consultative Committee for Space Data Systems (CCSDS) 123 para compressão de imagens Multiespectrais e Hiperespectrais. O chip Tegra K1 da NVIDIA fornece uma plataforma que suporta programação com Compute Unified Device Architecture (CUDA)e também oferece baixo consumo energético. É importante salientar que o GPU apenas consome 2 Watts.Para acelerar a execução do algoritmo, a versão desenvolvida no âmbito desta tese baseia-se na paralelização dos dois blocos mais importantes do mesmo, o preditor e o codificador. Esta versão é baseada numa versão série já existente e validada do algoritmo publicada pela Agência Espacial Europeia (ESA). Para se conseguir realizar todos os cálculos necessários em paralelo, foi feito uma análise do algoritmo e da forma como este executa a compressão. Tanto a predição como a codificação não têm dependências de dados entre bandas diferentes, apenas dentro da mesma banda. Logo, cada banda pode ser calculada independentemente.Esta solução foi verificada comparando todos os outputs das funções importantes, com os mesmos do código original. O tempos de execução finais apenas foram obtidos no fim de fazer afinação dos parâmetros de execução do CUDA de modo a obter os melhores resultados possíveis. Os resultados obtidos pela solução apresentada nesta tese não foram excecionais em termos de velocidade, mas apesar disso, a eficiência energética da mesma foi alta visto que o GPU do Tegra K1 é um dispositivo muito eficiente. O objetivo principal foi atingido apesar da velocidade obtida não ser a esperada, uma vez que a plataforma demonstrou uma ótima eficiência energética.Low power computing is a field ruled by Field-programmable gate arrays (FPGAs) due to their very low power consumptions. But over the years the every day use of mobile devices has pushed for an increase in performance and power efficiency of the Central Processing Units (CPUs) and Graphical Processing Units (GPUs) used to build them. The main goal of this work was to study the possibility that low power mobile GPUs could be on equal footing with FPGAs when running the Consultative Committee for Space Data Systems (CCSDS) 123 algorithm for compression of Multispectral and Hyperspectral images. The NVIDIA Tegra K1 chip provides a platform that booth supports Compute Unified Device Architecture (CUDA) programming, and offers a low power consumption, the GPU only consumes an average of 2 Watts.To speedup the execution of the algorithm, the version developed in this thesis is based on the parallelization of the two main components of the same, the predictor and the encoder. This version is based on a already existing and verified serial solution publish by European Space Agency (ESA). To be able to perform the needed calculations in parallel a study of the algorithm and the way that the compression works was performed. The prediction and the encoding do not have any data dependency between different bands, only inside the same band. So each band can be calculated independently.The solution was verified comparing all the important function outputs with those from the original code. The final executions times were measured after tunning of the CUDA execution parameters in order to obtain the best results. The results obtained with this solution presented in this thesis were not outstanding in terms of speed, but despite that, the energy efficiency is very high since the Tegra K1 GPU is a very power efficient device. The main objective was met despite the less than optimal speed achieved, because the platform demonstrated a good power efficiency