Representación en tiempo real de señales de radar
empleando Odroid XU4
Real-time representation of radar signals using Odroid XU4
Lisvan Guevara Trujillo, Alian E. Matos Rodríguez, Leandro Zambrano Méndez
Facultad de Ingeniería Informática, Universidad Tecnológica de la Habana ¨José Antonio Echeverría¨
Calle 114 No 11901, Marianao, La Habana, Cuba
gladysyanil.trujillo@nauta.cu
aematos@nauta.cu
lzambrano@ceis.cujae.edu.cu
Abstract— The representation system in modern radars is
carried out by obtaining digital signals. In the case of tracking
radars, the representation is updated in the order of tenths of a
millisecond. In order to achieve to update the display in real
time, the acquisition, processing and representation process
must comply with the time requirement imposed by the radar.
The objective of this work is the visualization of the
information for a medium of this type in real time using the
Odroid XU4 board. For their solution, the parallel
programming method was used, through the creation of
threads in the Qt Creator Integrated Development
Environment and the use of the ¨cauce segmentation parallel
programming pattern¨. The result allowed an efficient use of
computing resources, obtaining a decrease of the execution
time and a greater acceleration with respect to the sequential
variant.
Keywords: digital data processing; parallel programming;
cauce segmentation; Odroid XU4.
Resumen— El sistema de representación en los radares
modernos se realiza a partir de la obtención de señales
digitales. En el caso de los radares de seguimiento la
actualización de la representación se realiza en el orden de las
décimas de milisegundos. Para lograr la actualización del
display en tiempo real el proceso de adquisición,
procesamiento de la señal y representación tiene que cumplir
con la exigencia de tiempo de exploración del radar. El
objetivo del trabajo es lograr la visualización de la información
para un radar en tiempo real empleando la placa Odroid XU4.
Se utilizó el método de programación paralela, mediante la
creación de hilos en el Entorno de Desarrollo Integrado Qt
Creator y el empleo del patrón de programación paralela
segmentación de cauce. Esto permitió el uso eficiente de los
recursos de cómputo, obteniéndose una disminución del tiempo
de ejecución y una mayor aceleración con respecto a la
variante secuencial.
Palabras clave: procesamiento digital de datos; programación
paralela; segmentación de cauce; Odroid XU4.
I. INTRODUCCIÓN
Los radares son los elementos fundamentales de los
presentes y futuros sistemas para la seguridad y la defensa
por su papel en la obtención de los datos básicos que
permiten el funcionamiento de los sistemas de control de
tráfico terrestre, aéreo y marítimo [1]. Entre los tipos de
radares más comunes se encuentran los de exploración y los
de seguimiento. Una de las diferencias entre estos es el
período de actualización de la información, los radares de
exploración lo realizan en el orden de los segundos y los de
seguimiento en décimas de milisegundos. Conceptualmente,
un sistema de radar consta de cinco componentes: generador,
receptor, amplificador, analizador o procesador y
visualizador [2]. En el presente trabajo se describe el
desarrollo de un software para reemplazar los últimos dos
componentes; lográndose actualizar y modernizar las
prestaciones actuales de los radares de control de tráfico
aéreo analógicos.
El visualizador de un radar tiene por objetivo presentar
en una pantalla la información procesada por el analizador.
Esta presentación puede realizarse de diferentes formas,
según sean las necesidades del sistema. Por ejemplo, los
radares de búsqueda o vigilancia que efectúan coberturas de
360º suelen utilizar presentaciones de tipo Indicador de
Posición en el Plano (Plan Position Indicator, PPI), los
radares empleados en el aterrizaje de precisión suelen
utilizar presentaciones de tipo Indicador Ángulo Distancia
(B-Scope) [3], las cuales ubican en el display los distintos
objetivos según la información de distancia (línea vertical) y
azimut (línea horizontal). Véase figura 1.
INDICADOR PPI
INDICADOR B-SCOPE
Fig. 1. Indicadores empleados para la representación de señales de radar.
Entre las ventajas que posee la recepción de la señal
digital es la posibilidad del procesamiento automático de la
información, además de aumentar la cantidad de
información a representar en pantalla, facilitando la
Revista elektron, Vol. 4, No. 2, pp. 87-92 (2020)
ISSN 2525-0159
87
Recibido: 05/10/20; Aceptado: 27/11/20
Creative Commons License - Attribution-NonCommercial-
NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
https://doi.org/10.37537/rev.elektron.4.2.104.2020
Original Article
comprensión y toma de decisiones a los operadores,
evidenciándose mejoras respecto a la limitada
representación de simples plots en las antiguas pantallas de
fósforo. También posibilita agregar nuevas prestaciones sin
necesidad de cambios electrónicos.
El empleo de las señales digitales de radar para mostrar la
situación aérea de forma precisa y en tiempo real ha sido
abordado por varios autores debido a las grandes exigencias
de tiempo y procesamiento que conlleva el desarrollo del
sistema, implementadas en diversas plataformas hardware.
En [4] se describe un sistema generador de blancos de radar
para evaluar un procesador de datos y visualizar diferentes
escenarios, en [5] se describe la implementación de un
visualizador de señales de radar en tiempo real con el
objetivo de representar el seguimiento realizado a múltiples
objetivos. En [5] se empleó la clase QPainter para la
representación. En ambos trabajos se empleó el framework
Qt, lo que permitió obtener un programa que puede ser
corrido en diferentes plataformas software y hardware.
En [6] se desarrolló un componente del sistema de radar
denominado Extractor Digital de Datos de Radar
permitiendo actualizar y modernizar radares analógicos.
Una de las funciones que permite este componente es la
visualización de la situación aérea. Se empleó como
arquitectura hardware ordenadores de placa reducida
(Single Board Computer, SBC) y como sistema operativo
la distribución de GNU/Linux Debian. Cuatro años después
se le dio continuidad a este trabajo en [7], en el que se
abordó el Generador de Pistas (tracker). En ambos trabajos
se hizo uso de la programación paralela mediante la
creación de hilos de ejecución en diferentes puntos del
código fuente, lo cual permitió ejecutar varios procesos
concurrentemente lográndose un mejor aprovechamiento de
los recursos de cómputo. En el epígrafe 4.3 de [7] se abordó
el rendimiento computacional, en el que se obtuvo de forma
breve el desempeño del Generador de Pistas en el SBC. En
el análisis bibliográfico se apreció que los autores para dar
solución emplearon el lenguaje de programación C++ [4-7],
al poseer mejor rendimiento respecto a otros lenguajes de
alto nivel. Además del uso de la interfaz Ethernet para el
envío y recepción de los datos [4-7], y el empleo del
protocolo UDP (User Datagram Protocol, en lengua inglesa)
[5-7]. Todos los trabajos anteriores carecen de un
experimento detallado que demuestre el uso de los recursos
de cómputo en el dispositivo seleccionado empleando
medidas de evaluación del rendimiento del programa, como
es el caso de la aceleración y la eficiencia, y la selección del
dispositivo hardware en el que se implementará la solución.
En el entorno de los radares destinados al seguimiento
con exigencias de actualización de la información en el
orden de las décimas de milisegundos son escasas las
publicaciones. La representación de las señales de un radar
de seguimiento cumpliendo con el período de actualización
de 40 milisegundos constituye un reto. En este trabajo los
autores se plantearon dar solución a partir del uso de un
sistema embebido. El objetivo de este trabajo es representar
en tiempo real las señales de radar a partir del empleo del
Odroid XU4. Además, a diferencia de los trabajos
consultados, los autores pretenden dejar plasmado de forma
clara los aspectos que se tuvieron en cuenta en el proceso de
selección del dispositivo entre varios disponibles y los
experimentos que permitieron evaluar el rendimiento del
programa en el dispositivo seleccionado, quedando
documentado los tiempos de ejecución del software en su
versión secuencial y paralela.
II. DESARROLLO
La aplicación se enfocó en optimizar la carga
computacional y minimizar los tiempos de representación,
para acelerar el programa y aprovechar al máximo los
recursos computacionales con un bajo consumo eléctrico.
Además del empleo del Entorno de Desarrollo Integrado
(Integrated Development Environment, IDE) Qt Creator se
empleó la API (Application Programming Interface, en
lengua inglesa) OpenMP, por ser esta una de las mejores
opciones dentro de las tecnologías de programación en
paralelo debido a que es soportado por la mayoría de los
sistemas operativos, herramientas de compilación y otros
dispositivos hardware, como los dispositivos móviles.
En la actualidad, con la aparición de los ordenadores de
placa reducida, de bajo coste y alto rendimiento como la
Raspberry Pi, Odroid XU4, etc; se logra contar con una
alternativa viable como plataforma hardware para la
implementación del algoritmo de representación de señales
de radares de seguimiento. Se optó por emplear un
ordenador de placa reducida frente a otras alternativas como
las del uso de hardware reconfigurable, primero por el costo
del dispositivo, ya que desarrollar una placa con FPGA que
cuente con salida de video e interfaz Ethernet para la
recepción de datos o la compra de un kit con FPGA los
costos serían mayores respecto a los SBC disponibles. Otra
cuestión es el proceso de síntesis del hardware en los
FPGAs, para lo cual hay que emplear las herramientas
propias del fabricante las cuales son privativas y costosas, al
igual que sus licencias y al día de hoy no existen
alternativas libres. En el caso del IDE multiplataforma Qt
Creator soportado también por Linux embebido está bajo
licencias libres (GNU GPL, GNU LGPL) las cuales
garantizan la libertad de compartir y modificar el software,
asegurando que este es libre para todos los usuarios.
Además los SBC son fáciles de programar, ya que es
posible utilizar las mismas herramientas y bibliotecas que se
usan para las aplicaciones de computadoras, lo cual acorta
significativamente la curva de aprendizaje necesaria para
dominar una nueva arquitectura de hardware y lenguaje de
programación. Entre las ventajas del empleo de estas placas
respecto a un computador estándar se encuentran el bajo
consumo energético, tamaño reducido y menor costo.
Para la selección del ordenador de placa reducida se le
realizaron pruebas de rendimiento a los tres dispositivos con
los que contamos: Jetson Nano, Raspberry Pi 4 Modelo B
de 2 GB de RAM y el Odroid XU4, véase la figura 2.
1-JETSON NANO
2-RASPBERRY PI4
MODELO B
3-ODROID XU4
Fig. 2. Ordenadores de placa reducida
Los sistemas operativos de estos tres dispositivos son
distribuciones de Linux las pruebas se realizaron empleando
el Sysbench. Esta es una herramienta de pruebas de
Revista elektron, Vol. 4, No. 2, pp. 87-92 (2020)
ISSN 2525-0159
88
http://elektron.fi.uba.ar
rendimiento modular y con ejecución multi-hilo, diseñada
para extraer una visión rápida de la velocidad de un equipo.
A estos dispositivos se le realizaron tres pruebas una a la
memoria, otra de lectura/escritura al dispositivo de
almacenamiento y la más importante la de la unidad central
de procesamiento por la alta demanda que este tipo de
aplicaciones suele realizarle. La prueba del procesador
consistió en determinar 20000 números primos, Sysbench
verificará los números primos haciendo la división estándar
del número por todos los números entre 2 y la raíz cuadrada
del número. Por lo que esto pondrá algo de estrés en el
procesador. Para lanzar un test sobre un núcleo del
procesador, se escribió el siguiente comando en el terminal:
sysbench --test=cpu --cpu-max-prime=20000 run
Para lanzar el test sobre los 4 núcleos se escribió lo
siguiente:
sysbench --test=cpu --cpu-max-prime=20000 run --
num-threads=4
Los resultados de las pruebas se muestran en la figura 3,
en la que se representan el tiempo total en segundos al
determinar 20000 números primos, el rendimiento del
dispositivo es mejor mientras menor sea el tiempo.
Fig. 3. Resultados de las pruebas de rendimiento a las unidades centrales de
procesamiento.
Del análisis de la figura se concluye que el Jetson Nano
y el Odroid XU4 obtuvieron los mejores resultados. Al ser
los tiempos de estos similares se seleccionó este último
atendiendo a que el precio de mercado es menor.
A. Odroid XU4
El Odroid XU4 es un potente y económico ordenador de
placa reducida, la cual posee una arquitectura multi-núcleo
asimétrica basada en ARM (Advanced RISC Machine, en
lengua inglesa). Está provista de un SoC (System on chip,
en lengua inglesa) Samsung Exynos 5422 big.LITTLE de
ocho núcleos [8], formado por dos clúster de 4 núcleos cada
uno, el Big, formado por 4 núcleos Cortex-A15 a 2GHz y el
Little por 4 núcleos Cortex-A7 a 1.4 GHz [9, 10]. Además
posee 2GB de RAM, 2 puertos USB 3.0, interfaz Ethernet a
1 Gbps, un consumo eléctrico entre 10 y 20 W [11].
Un procesador multi-núcleo asimétrico integra núcleos
con distintas características en un mismo chip. Por un lado
integran un grupo de núcleos rápidos, de alto rendimiento y
consumo, que trabajan a alta frecuencia e implementan
complejas técnicas como la ejecución fuera de orden o el
lanzamiento múltiple de instrucciones. Estos procesadores
también incluyen un grupo de núcleos más lentos y sencillos,
los cuales operan a una frecuencia de trabajo más baja e
implementan un pipeline más sencillo y de bajo consumo.
Estos aportan una mayor flexibilidad que los procesadores
convencionales, ya que tienen la capacidad de mantener un
alto rendimiento para aplicaciones intensivas en CPU, sin
sacrificar la eficiencia energética [12].
B. Implementación del software
La implementación del sistema se realizó en el sistema
operativo Ubuntu por varios aspectos: es una distribución de
GNU/Linux muy conocida y utilizada a nivel mundial por
su simplicidad y fácil uso; disponible para teléfonos móviles,
tabletas, SBC, televisores inteligentes y computadoras. Es
fácilmente configurable y puesta a punto para la ejecución
de la aplicación. Al contarse con experiencia de trabajo
sobre la plataforma, se ahorra tiempo de configuración y se
aborda rápidamente el problema a resolver. Es uno de los
sistemas operativos recomendados por el fabricante de la
SBC (Hardkernel) a emplear en el Odroid XU4, disponible
en https://odroid.com/dokuwiki/doku.php?id=en:odroid-
xu4#software_os_release. Además carece de restricciones
comerciales, por lo que se puede adquirir de forma gratuita.
Posee licencia GPL lo que posibilita acceder al código
fuente, analizarlo y aportar ideas a la comunidad de
desarrolladores. También es un sistema operativo multitarea
y multihilo, el cual es muy eficiente en términos de uso de
recursos del sistema. Es un sistema operativo estable,
característica necesaria para aplicaciones de este tipo, donde
el mantenimiento del sistema es esporádico y el tiempo de
ejecución continua predomina. Es menos propenso a
malware y virus.
La aplicación fue desarrollada en el IDE Qt Creator, en
lenguaje C++ y en el sistema operativo Ubuntu 18.04. Este
algoritmo puede ser visto de manera más general como un
proceso de tres etapas, primeramente, los valores son
recibidos para luego ser procesados y por último
representados en el indicador. Este proceso se muestra en la
figura 4.
Fig. 4. Diagrama de actividades que describe el algoritmo para la
representación de señales de radar.
La recepción de datos se realiza por interfaz Ethernet
empleando el protocolo de comunicación UDP donde los
valores recibidos corresponden con la amplitud de la señal
del radar, de 8 bits. Se reciben 6660 valores cada 280
microsegundos, debido a que este es el período de
repetición del impulso de sondeo del transmisor; estos
valores serán recibidos durante 36 milisegundos, siendo este
el tiempo de duración de la exploración del radar.
Revista elektron, Vol. 4, No. 2, pp. 87-92 (2020)
ISSN 2525-0159
89
http://elektron.fi.uba.ar
Teniendo en cuenta que en cada recepción se obtienen
6660 muestras, es necesario realizar un procesamiento a las
mismas para determinar el valor que va a tomar cada píxel,
ya que son más valores que píxeles disponibles para la
representación. Teniendo en cuenta que 10 valores
representan un píxel se hace necesario realizar la integración
por píxel de las muestras. Para realizar la integración
empleamos el método de selección del valor máximo de
promedios, ya que si solamente se promedian los valores
tiende a disminuir la amplitud de la señal correspondiente al
medio aéreo y si solo se selecciona el mayor valor entonces
resaltan los picos de ruido. El método de selección del valor
máximo de los promedios consiste en dividir las 10
muestras que representan un píxel, en dos subgrupos de 5
muestras y estos son promediados de manera independiente
y luego se escoge el mayor de esos dos valores, el cual sería
el valor de intensidad del píxel.
Luego se procede a la representación de la señal
empleando para ello la clase QPainter del IDE Qt Creator.
Esta es visualizada en dos indicadores del tipo B-Scope,
donde en el eje vertical de cada indicador tiene una longitud
de 625 píxeles representando la escala de distancia. En el eje
horizontal con una longitud de 256 píxeles se representa el
sector de exploración del radar. Se emplearon dos
indicadores debido a que estos pueden estar representando
escalas de distancias diferentes en el mismo ángulo de
exploración de la antena, véase la figura 5.
Fig. 5. Representación en indicadores B-Scope.
Al utilizar esta variante secuencial, para iniciar cada una
de las etapas en las que se divide el algoritmo es necesario
esperar a que termine la etapa anterior. Una vez
implementada esta primera variante de solución, se verificó
su funcionamiento, evidenciándose el incumplimiento del
valor de tiempo exigido de 40 milisegundos para la
actualización de la información, por lo que se tendrían que
visualizar 25 pantallas por segundo.
Fue necesario un proceso de optimización, con el
análisis del rendimiento del programa secuencial y la
localización de los puntos de mayor consumo de tiempo.
Después de una etapa experimental se detectó que las
funciones más costosas temporalmente son en primer lugar
la encargada de la recepción de datos representando el 53%
del tiempo total y las encargadas de la representación, que
entre las dos representan el 20% del tiempo total. Teniendo
en cuenta que la placa empleada es multi-núcleo una forma
de acelerar la ejecución del programa es mediante la
paralelización del sistema, de forma que se haga una
repartición óptima de tareas entre los núcleos de la misma.
C. Paralelización del algoritmo secuencial
La computación paralela es el uso simultáneo de
múltiples recursos de cómputo para resolver un problema
computacional [13]. Una manera de diseñar e implementar
de manera eficiente los algoritmos paralelos es a través del
uso de patrones de computación paralela y distribuida [14].
Los patrones de computación paralela son una combinación
de distribución de tareas y accesos a datos que resuelven un
problema específico en el diseño de algoritmos paralelos.
Con frecuencia estos patrones son una generalización de
patrones de computación secuencial. Estos pueden ser
aplicados en cualquier sistema de programación paralela,
pues no están restringidos a ninguna arquitectura de
hardware, lenguaje de programación o sistema [14]. Ejemplo
de patrón de computación paralela y distribuida es el patrón
segmentación del cauce. Este patrón consiste en crear una
secuencia lineal de etapas. Los datos son adquiridos de
forma segmentada. Estos pasan por todas las etapas desde la
primera hasta la última. Cada etapa realiza una
transformación de los datos. Más de una etapa puede estar
activa al mismo tiempo, por lo que puede ocurrir paralelismo
de tareas [14]. Es importante resaltar que este patrón es
utilizado en algoritmos donde los datos no se reciben de una
sola vez, sino que se reciben por parte o de manera
segmentada.
La figura 6 muestra un esquema del patrón utilizando
estados en serie y estados en paralelo. En ambas figuras los
elementos verdes representan los datos de entrada y salida
del algoritmo. Los elementos azules representan las
diferentes etapas en las que puede ser dividido un algoritmo
que utilice este patrón.
Fig. 6. Segmentación de Cauce con estados en serie y en paralelo.
El IDE multiplataforma Qt Creator posee un gran
número de clases, entre ellas está la clase QThread. Esta
clase proporciona una manera independiente de la
plataforma para administrar hilos[15]. Es decir, un objeto de
la clase QThread se ejecuta de manera independiente de los
demás hilos.
Al contar el algoritmo secuencial con las siguientes 3
etapas: proceso de recepción de datos, procesamiento de
datos y representación en los dos indicadores; y conociendo
que la etapa de recepción de datos es la más costosa desde
el punto de vista de tiempo, se le asignó un hilo de
ejecución empleando la clase QThread. Se empleó el patrón
segmentación de cauce para lograr la ejecución paralela
utilizando OpenMP (Open MultiProcessing).
Revista elektron, Vol. 4, No. 2, pp. 87-92 (2020)
ISSN 2525-0159
90
http://elektron.fi.uba.ar
La ejecución del algoritmo consiste en un conjunto de
iteraciones donde se reciben, se procesan y se representan los
datos en paralelo. En la primera iteración sólo se reciben los
datos, ya que no se pueden procesar porque no existía valor
alguno previamente. En la siguiente se realiza en paralelo el
procesamiento de la anterior y la recepción que serán
procesados en la próxima iteración. Luego le siguen un
conjunto de iteraciones donde se realizan en paralelo el
proceso de recepción, procesamiento y representación de los
mismos. En la penúltima iteración solamente se realiza el
procesamiento y representación, y en la última solo se
efectúa la representación. El paralelismo que se alcanza
cuando se pone en práctica este patrón se muestra en la
figura 7, en la que se aprecia como varias etapas pueden
estar activas al mismo tiempo por lo que se logra disminuir
el tiempo de ejecución respecto a la variante secuencial.
Fig. 7. Comportamiento en el tiempo del patrón segmentación de cauce.
OpenMP es una interfaz de programación de
aplicaciones (API) para la programación paralela en el que
se considera al sistema como una colección de núcleos o
CPUs, teniendo todos acceso a la memoria principal[16]. El
paralelismo se especifica a través de directivas que se
insertan en el código [16]. En C y C++ estas directivas se
añaden empleando instrucciones especiales de preprocesado
conocidas como pragmas. Un compilador que soporte
OpenMP reconocerá las directivas pragmas y generará el
código ejecutable paralelizado, si el compilador no soporta
OpenMP, específicamente los pragmas, simplemente los
ignorarán como si fuesen comentarios y generarán el código
ejecutable habitual[16]. Las directivas son especificadas
usando la siguiente sintaxis: #pragma omp <directiva>
[cláusulas], donde las cláusulas permiten modificar el
comportamiento por defecto de una directiva. Esta API está
basada en el modelo Fork-Join, en el que un hilo maestro o
principal crea tantos hilos como necesite [17], como se
muestra en la figura 8. El hilo 1 representa al hilo maestro y
los hilos del 2 al 4 los hilos esclavos.
Fig. 8. Modelo Fork-Join.
Para activar OpenMP en Qt Creator se agregaron las
siguientes líneas en el archivo .pro:
QMAKE_CXXFLAGS += -fopenmp
QMAKE_LFLAGS += -fopenmp
LIBS += -fopenmp
Para lograr el paralelismo deseado primero se incluyó la
biblioteca omp.h y se añadieron algunas directivas OpenMP
al algoritmo secuencial para garantizar la ejecución
concurrente empleando el patrón de programación paralela
segmentación de cauce. Estas directivas son “#pragma omp
parallel sections” que permite ejecutar en paralelo las
secciones definidas dentro del bloque de instrucciones
definido por esta directiva. Para delimitar las secciones que
se deben ejecutar en paralelo dentro de ese bloque, es
utilizada la directiva “#pragma omp section” [18],
lográndose ejecutar cada sección una vez por un hilo.
Esencialmente, un programa con OpenMP es un programa
secuencial al que se le añaden directivas en los puntos
adecuados.
D. Resultados experimentales
Para la realización del experimento se hicieron 10
ejecuciones de la versión paralela y secuencial bajo el
principio de repetición para minimizar el error experimental,
con el objetivo de comprobar si se logró disminuir los
tiempos del mismo. Se creó un escenario de
experimentación bajo las mismas condiciones en cuanto a
sistema operativo Ubuntu 18.04, tarjeta de almacenamiento
eMMC de 16 GB de capacidad, placa Odroid XU4, así
como la señal patrón a procesar.
Teniendo en cuenta que el software no posee más de 4
hilos de ejecución, solamente se emplearon los 4 núcleos
Cortex-A15 del Odroid XU4, para lograr mayor eficiencia y
menor consumo de energía que al utilizar los 8 núcleos del
Odroid.
Los tiempos resultantes en milisegundos (ms) de las 10
ejecuciones se muestran en la figura 9.
Fig. 9. Tiempo de ejecución del algoritmo secuencial y paralelo.
Como resultado de las 10 ejecuciones se obtuvo que el
valor promedio para el algoritmo secuencial y paralelo
fueron de 58.79 ms y 28.39 ms respectivamente. Al
cumplirse el requisito de tiempo en la variante paralela de
menos de 40 ms, no fue necesario emplear un Sistema
Operativo de Tiempo Real.
Dentro de las medidas que permiten evaluar el
rendimiento de un programa paralelo están la aceleración y
la eficiencia. La aceleración es la relación que existe entre
los tiempos de ejecución cuando se utiliza un procesador
(serial) y cuando se utiliza P procesadores (paralelo) [19].
La aceleración representa cuantas veces es más rápido un
programa paralelo con respecto a uno secuencial,
resolviendo ambos el mismo problema. Matemáticamente se
define como se muestra en la ecuación (1):
Revista elektron, Vol. 4, No. 2, pp. 87-92 (2020)
ISSN 2525-0159
91
http://elektron.fi.uba.ar
S
(P)
= T
(1)
/ T
(P)
= 58.79 / 28.39 = 2.0707 (1)
Donde:
S
(P)
: aceleración usando P procesadores.
T
(1)
: tiempo requerido por el sistema con un
procesador para resolver el problema en cuestión.
T
(P)
: tiempo requerido por el sistema con P
procesadores para resolver el problema en cuestión.
La eficiencia es definida como la fracción del tiempo
que el procesador consume haciendo trabajo útil. Esta
muestra cuán bien se ha utilizado los procesadores en la
solución de un problema. Se define matemáticamente
como se muestra en la ecuación (2)[20]:
E
(P)
= S
(P)
/ P = 2.0707 / 4 = 0.5176 (2)
Donde:
E
(P)
: eficiencia.
S
(P)
: aceleración asociada a la ejecución paralela
del algoritmo.
P: número de hilos de ejecución del procesador.
La eficiencia obtenida durante los experimentos es de
0.5176 lo que implica que se aprovecha en un 51.76 % los
recursos del procesador.
III. CONCLUSIONES
Los experimentos realizados demostraron que es posible
construir un sistema que garantice la representación de las
señales de un radar de seguimiento en tiempo real
empleando el Odroid XU4, aprovechando de forma
eficiente los recursos de cómputos a través de la
computación paralela. Al emplear el patrón de
programación paralela segmentación de cauce
conjuntamente con las facilidades que brinda Qt Creator
para el trabajo con hilos se logró la reducción del tiempo de
ejecución en un 51.70% y una aceleración de 2.07 veces con
respecto a la variante secuencial. Además se obtuvo un
código óptimo en tiempo de ejecución, implementado en un
dispositivo de bajo consumo eléctrico y de bajo coste.
Teniendo en cuenta que en la literatura consultada no
existen antecedentes de la evaluación del rendimiento del
programa, en este escrito queda plasmado la metodología
empleada. También, a la hora de seleccionar uno de los
dispositivos comparados, este documento puede constituir
una guía para otros desarrolladores, evidenciándose la
factibilidad del empleo del Odroid XU4 y el IDE Qt Creator
en aplicaciones de radar.
Agradecimientos
Los autores agradecen los señalamientos del Dr. C
Marcelino Sánchez Posada y el Ms. C Ariel Hernández
Reyes en la parte del procesamiento de datos y el trabajo
con los radares. Al Dr. C. Bárbaro Nicolás Socarras
Hernández por la revisión de la metodología desarrollada.
REFERENCIAS
[1] J. A. G. Fominaya, "Nuevas técnicas de localización, clasificación e
identificación para radares de vigilancia superficial y alta resolución
en escenarios LPI," Tesis Doctoral, Departamento de sistemas,
señales y radiocomunicaciones, Universidad Politécnica de Madrid,
España, 2004.
[2] S. A. Hovanessian, Radar Detection and Tracking Systems: Artech
House, 1973.
[3] P. Kaushik, "Radar Displays," International Journal of Innovative
Research in Technology, vol. 1, p. 5, 2014.
[4] V. Kavyashree, P. N. Madhu Chaitra, A. Y. Prasad, and H. Vinutha,
"A Radar Target Generator for Airborne Targets," International
Journal of Science Technology & Engineering, vol. 3, 2017.
[5] C. Ravindra, S. Rajkumar, and M. Sreenivasa Babu, "Design and
Implementation of Radar Console Displays for Multi Object
Tracking Radar using Qt-IDE," 11th International Radar
Symposium India, 2017.
[6] I. A. Montamat, "Combinador de Información Primaria y Secundaria
para Extractor Digital de Datos de Radar en Sistemas de Vigilancia,"
Tesis de Maestría, Universidad Nacional de Córdoba, Argentina,
2015.
[7] S. A. Rodríguez González, "Sistema de Seguimiento y Generación
de Pistas para Radar Track While Scan," Tesis de Maestría, Facultad
de Matemática, Astronomía y Física, Universidad Nacional de
Córdoba, Argentina, 2019.
[8] E. Österberg, "Profiling memory accesses on the ODROID-XU4,"
Department of Information Technology, Uppsala Universitet, Suecia,
2017.
[9] D. Paul. (2019) ODROID-XU4 Tweaks: A Collection of Popular
Modifications. Odroid Magazine. Available:
https://magazine.odroid.com/wp-content/uploads/ODROID-
Magazine-201911.pdf
[10] J. Rondx. (2019) Cryptocurrency Mining: Earning Verium Coins
With Your ODROID. Odroid Magazine. Available:
https://magazine.odroid.com/wp-content/uploads/ODROID-
Magazine-201912.pdf
[11] V. B. R. Roy. (2017) User Manual Odroid XU4. Odroid Magazine.
Available: https://magazine.odroid.com/wp-content/uploads/odroid-
xu4-user-manual.pdf
[12] L. M. C. Valero, "Evaluación y optimización de rendimiento y
consumo energético de aplicaciones paralelas a nivel de tareas sobre
arquitecturas asimétricas," Tesis de Maestría, Departamento de
Arquitectura de Computadores y Automática, Universidad
Complutense de Madrid, 2016.
[13] L. L. N. L. Blaise Barney. (2020). Introduction to Parallel
Computing. Available:
https://computing.llnl.gov/tutorials/parallel_comp/
[14] A. D. R. Michael McCool, James Reinders, Structured Parallel
Programming Patterns for Efficient Computation. USA: Morgan
Kaufmann Publishers, 2012.
[15] The Qt Company Ltd. (2020). QThread. Available:
https://doc.qt.io/qt-5/qthread.html#details
[16] L. D. R. Chandra, D. Kohr, D. Maydan, J. McDonald, R. Menon,
Parallel Programming in OpenMP. USA: Morgan Kaufmann, 2000.
[17] L. L. N. L. Blaise Barney. (2020). OpenMP. Available:
https://computing.llnl.gov/tutorials/openMP/
[18] A. R. B. R. Álvarez Pérez, "Desarrollo de versiones paralelas del
algoritmo para el descubrimiento del modelo organizacional
utilizando los patrones segmentación de cauce y reducción.,"
Facultad de Ingeniería Informática, Universidad Tecnológica de La
Habana José Antonio Echeverría, 2017.
[19] V. A. G. Samaniego, "Desarrollo de un algoritmo para romper por
fuerza bruta al Simplified Data Encryption Standard (S-DES)
mediante el uso de computación paralela.," Tesis de Ingeniería,
Facultad de Ingeniería Eléctrica y Electrónica, Escuela Politécnica
Nacional de Ecuador, 2019.
[20] J. L. Aguilar Castro and E. Leiss, Introducción a la Computación
Paralela. Mérida, Venezuela: Universidad de los Andes, 2004.
Revista elektron, Vol. 4, No. 2, pp. 87-92 (2020)
ISSN 2525-0159
92
http://elektron.fi.uba.ar
Enlaces de Referencia
- Por el momento, no existen enlaces de referencia
Copyright (c) 2020 Lisvan Guevara Trujillo
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Revista elektron, ISSN-L 2525-0159
Facultad de Ingeniería. Universidad de Buenos Aires
Paseo Colón 850, 3er piso
C1063ACV - Buenos Aires - Argentina
revista.elektron@fi.uba.ar
+54 (11) 528-50889