ከቤን-ጉርዮን ዩኒቨርሲቲ (እስራኤል)፣ የሊል ዩኒቨርሲቲ (ፈረንሳይ) እና የአድላይድ ዩኒቨርሲቲ (አውስትራሊያ) ተመራማሪዎች በድር አሳሽ ውስጥ የጂፒዩ ኦፕሬቲንግ መለኪያዎችን በመለየት የተጠቃሚ መሳሪያዎችን ለመለየት አዲስ ዘዴ ፈጥረዋል። ዘዴው "Drawn Apart" ተብሎ የሚጠራ ሲሆን የጂፒዩ አፈጻጸም ፕሮፋይል ለማግኘት WebGLን በመጠቀም ላይ የተመሰረተ ነው, ይህም ኩኪዎችን ሳይጠቀሙ እና በተጠቃሚው ስርዓት ላይ መለያ ሳያስቀምጡ የሚሰሩትን የመከታተያ ዘዴዎች ትክክለኛነት በእጅጉ ያሻሽላል.
የአቅርቦትን ገፅታዎች ከግምት ውስጥ የሚያስገቡ ዘዴዎች፣ ጂፒዩ፣ የግራፊክስ ቁልል እና አሽከርካሪዎች ሲለዩ ከዚህ ቀደም ጥቅም ላይ ውለው ነበር፣ ነገር ግን መሳሪያዎቹን በተለያዩ የቪዲዮ ካርዶች እና ጂፒዩዎች ሞዴሎች ደረጃ ብቻ የመለየት ችሎታ ላይ የተገደቡ ነበሩ፣ ማለትም። የመለየት እድልን ለመጨመር እንደ ተጨማሪ ምክንያት ብቻ ሊያገለግል ይችላል። የአዲሱ የ‹‹Drawn Apart›› ዘዴ ቁልፍ ባህሪው የተለያዩ የጂፒዩ ሞዴሎችን በመለየት ብቻ አይገድበውም ነገር ግን በጅምላ በትይዩ የተሰሩ ቺፖችን የማምረት ሂደት ባለው ልዩነት ምክንያት በተመሳሳዩ ጂፒዩዎች መካከል ያለውን ልዩነት ለመለየት መሞከሩ ነው። ማስላት. በምርት ሂደቱ ውስጥ የሚከሰቱ ልዩነቶች ለተመሳሳይ የመሳሪያዎች ሞዴሎች ተደጋጋሚ ያልሆኑ ግንዛቤዎችን ለመፍጠር እንደሚያስችላቸው ልብ ሊባል ይገባል.
የአፈፃፀም ክፍሎችን ቁጥር በመቁጠር እና በጂፒዩ ውስጥ ያላቸውን አፈፃፀም በመተንተን እነዚህን ልዩነቶች መለየት እንደሚቻል ተገለጠ. የተለያዩ የጂፒዩ ሞዴሎችን ለመለየት በትሪግኖሜትሪክ ተግባራት ስብስብ፣ ሎጂካዊ ኦፕሬሽኖች እና ተንሳፋፊ ነጥብ ስሌቶች ላይ የተመሰረቱ ቼኮች እንደ ፕሪሚቲቭ ጥቅም ላይ ውለዋል። በተመሳሳዩ ጂፒዩዎች ውስጥ ያሉ ልዩነቶችን ለመለየት የ vertex shaders በሚሰሩበት ጊዜ በተመሳሳይ ጊዜ የሚፈጸሙ ክሮች ብዛት ተገምቷል። የተገኘው ውጤት በሙቀት ሁኔታዎች ልዩነት እና በተለያዩ የቺፕስ ምሳሌዎች የኃይል ፍጆታ (ከዚህ ቀደም ለሲፒዩዎች ተመሳሳይ ውጤት ታይቷል - ተመሳሳይ ፕሮሰሰሮች አንድ አይነት ኮድ ሲሰሩ የተለያዩ የኃይል ፍጆታዎችን አሳይተዋል) ተብሎ ይታሰባል።
በWebGL በኩል የሚሰሩ ስራዎች የሚከናወኑት በተመሳሰል መልኩ ስለሆነ፣ የJavaScript API performance.now() የአፈፃፀም ጊዜያቸውን ለመለካት በቀጥታ መጠቀም አይቻልም፣ስለዚህ ሰዓቱን ለመለካት ሶስት ዘዴዎች ቀርበዋል።
- በስክሪን ላይ - ትዕይንቱን በኤችቲኤምኤል ሸራ ውስጥ ማሳየት፣ የመልሶ መደወያ ተግባር የምላሽ ጊዜን በመለካት፣ በWindow.requestAnimationFrame ኤ ፒ አይ የተቀናበረ እና ከተሰራ በኋላ የተጠራ።
- ከስክሪን ውጪ - ሰራተኛን በመጠቀም እና ትዕይንቱን ወደ OffscreenCanvas ነገር በማቅረብ የ convertToBlob ትዕዛዝ የሚፈጸምበትን ጊዜ በመለካት ነው።
- ጂፒዩ - ከስክሪን ውጪ ወደሆነ የካንቫስ ነገር ይሳቡ፣ ነገር ግን በጂፒዩ በኩል ያለውን የትዕዛዝ ስብስብ ቆይታ ግምት ውስጥ የሚያስገባ ጊዜን ለመለካት በWebGL የቀረበ የሰዓት ቆጣሪ ይጠቀሙ።
በመታወቂያው ሂደት ውስጥ በእያንዳንዱ መሳሪያ ላይ 50 ሙከራዎች ይከናወናሉ, እያንዳንዱም 176 የ 16 የተለያዩ ባህሪያትን ይሸፍናል. በ2500 መሳሪያዎች ላይ በ1605 የተለያዩ ጂፒዩዎች ላይ መረጃን የሰበሰበው ሙከራ Drawn Apart ድጋፍን ሲጨምር የተቀናጁ የመለያ ዘዴዎችን ውጤታማነት 67% ጨምሯል። በተለይም ጥምር FP-STALKER ዘዴ በአማካይ በ17.5 ቀናት ውስጥ መታወቂያ ያቀረበ ሲሆን ከ Drawn Apart ጋር ሲጣመር የመለያ ቆይታው ወደ 28 ቀናት አድጓል።
- የ10 ሲስተሞች መለያየት ትክክለኛነት ኢንቴል i5-3470 ቺፖችን (GEN 3 Ivy Bridge) እና ኢንቴል ኤችዲ ግራፊክስ 2500 ጂፒዩ በስክሪን ላይ ሙከራ 93% ሲሆን ከስክሪን ውጪ ያለው ሙከራ 36.3% ነበር።
- ለ10 ኢንቴል i5-10500 ሲስተሞች (GEN 10 Comet Lake) ከNVadia GTX1650 ቪዲዮ ካርድ ጋር፣ ትክክለኝነቱ 70% እና 95.8% ነበር።
- ለ 15 Intel i5-8500 ስርዓቶች (GEN 8 Coffee Lake) ከ Intel UHD ግራፊክስ 630 ጂፒዩ - 42% እና 55%.
- ለ 23 Intel i5-4590 (GEN 4 Haswell) ስርዓቶች ከ Intel HD Graphics 4600 GPU - 32.7% እና 63.7%.
- ለስድስት ሳምሰንግ ጋላክሲ S20/S20 Ultra ስማርትፎኖች ከማሊ-ጂ77 ኤምፒ11 ጂፒዩ ጋር፣ በስክሪኑ ላይ ያለው የመለየት ትክክለኛነት 92.7%፣ እና ለ Samsung Galaxy S9/S9+ ስማርትፎኖች ከማሊ-ጂ72 MP18 ጋር 54.3% ነበር።
ትክክለኝነት በጂፒዩ የሙቀት መጠን ላይ ተጽዕኖ እንዳሳደረ እና ለአንዳንድ መሳሪያዎች ስርዓቱን እንደገና ማስጀመር ወደ መለያው መዛባት ምክንያት ሆኗል. ዘዴውን ከሌሎች ቀጥተኛ ያልሆኑ የመለያ ዘዴዎች ጋር በማጣመር ሲጠቀሙ ትክክለኛነት በከፍተኛ ሁኔታ ሊጨምር ይችላል. አዲሱ የዌብጂፒዩ ኤፒአይ ከተረጋጋ በኋላ የኮምፕዩተር ሼዶችን በመጠቀም ትክክለኛነትን ለመጨመር አቅደዋል።
ኢንቴል፣ ኤአርኤም፣ ጎግል፣ ክሮኖስ፣ ሞዚላ እና Brave በ2020 ስለችግሩ ማሳወቂያ ተደርገዋል፣ ነገር ግን የስልቱ ዝርዝሮች አሁን እየተገለጡ ነው። ተመራማሪዎቹ በጃቫ ስክሪፕት እና በጂኤልኤስኤል የተፃፉ የስራ ምሳሌዎችን በስክሪኑ ላይ እና ያለማሳየት መስራት የሚችሉ ምሳሌዎችን አሳትመዋል። እንዲሁም በጂፒዩ ኢንቴል GEN 3/4/8/10 ላይ ለተመሠረቱ ሥርዓቶች፣ የወጣ መረጃን በማሽን መማሪያ ሥርዓቶች ውስጥ ለመመደብ የመረጃ ስብስቦች ታትመዋል።
ምንጭ: opennet.ru