Parallel processing 在GPU上合并许多但很小的阵列

我有以下形式的2D数据结构：

{t1,1；…；T1500}，{t31,1；…；T31500}

因此，每个数据结构大约有15000个条目。范围1-500可能变化很大，只是指示性的，31是固定的。我每100ms得到2000个数据结构，代表测量数据

tx，x表示简单整数。保证如t1,1 我们想把所有的tx，x合并成一个订单！每2000个2D结构的1D结构

现在我们有一个相当快的顺序CPU合并算法，但我们正在尝试研究GPGPU的可能性，现在15000个项目可能不值得这样的开销，我可以用最初的opencl排序算法确认这一点。然而，有没有直接的策略提升一个在1个数据集上运行的GPGPU内核，在这个上下文中是一个2d数据结构，以便在2000个数据集上并行运行？如何充分利用GPU

我读过关于并发内核的文章，但这只允许在当前平台上使用最多4-16个并发内核。并发内核更像是一种通用的解决方案，因为它们允许不同类型的内核，而在这种情况下，我们需要在2000个数据结构上完成相同的内核，比如SKMD，单内核多数据*，然而，我不知道在这个层次上的并行性，或者我真的错过了在这种情况下充分利用GPU的一些明显的东西吗

我迫切需要任何帮助，所以基于专有或开放标准的建议都是受欢迎的

---

*是的，我这样做是为了给出一个想法，希望回答自己的问题：

因此，在GPU行话中，执行许多但相同的任务“x”被称为分段“x”*，在这种情况下，我希望分段合并。到目前为止，还没有生产就绪的算法，因此我将使用分段排序，仍然非常快，但我忽略了内部数组已经排序的事实，但我现在可以并行处理2000个数据集

另一种方法是使用，它确实利用了已经排序的区域这一事实，但是现在我无法将此功能提升到操作2000多个项目，可能是预处理和后处理，以及使用LocationSort over键和！也可用的值将产生结果

*在观看了关于GPU编程的非常有用的udacity讲座后，我得到了这些信息