CC（Concurrent Collections）和MSP（Managed Synchronous Parallelism）都是用于并行计算的编程模型。
CC主要解决在多核CPU系统上共享内存并行计算的问题，它提供了一些数据结构和操作，使得在语义上支持并行执行，同时解决了数据竞争等问题。
MSP则是为了解决异构多GPU的并行计算问题而设计的，它在应用程序设计中，提供了一些编程框架，使得应用程序可以在不涉及直接编写cuda代码的情况下，直接利用多GPU进行加速计算。
CC和MSP的最大区别，是它们所设计解决的问题的不同。CC主要面向共享内存平台，而MSP主要面向GPU异构计算平台。
在具体的实现上，CC提供了用于并行计算的常见数据结构（例如数组、队列等），这些数据结构的访问被设计为原子操作，避免了数据竞争错误。同时，CC还提供了一些语言级别的功能，例如针对数据分区、并行循环和精确任务之间的同步等。
MSP则更加侧重于GPU并行计算，它提供了更高级别的编程框架，可以无需编写低级cuda代码就可以利用GPU进行计算加速。MSP还提供了诸如内存管理、线程调度、任务调度和任务分配等功能。应用程序可以在不关心各个异构设备的特定特性和行为的情况下，使用MPI，并行编程模型和CUDA程序设计语言，来描述并行和分布式问题。
CC适用于基于共享内存的多核处理器的并行计算。比如，在需要对一个较大数据集进行排序时，可以使用CC提供的数据结构，以及将任务并行化执行的特性，来提高计算效率。
MSP则适用于GPU并行计算场景，在需要进行计算密集型的数据处理时尤为有效。比如在深度学习和计算机视觉等领域，GPU并行计算已经成为了标配，MSP提供的并行化编程框架可以直接利用GPU性能，让开发者可以更方便地进行算法研究和系统开发。
CC和MSP的发展已经成为了编程模型和编译技术的前沿领域，并且，在数据密集型应用程序，特别是人工智能领域的应用越来越广泛的今天，这两种模型具有非常广泛的前景和应用。
预计在未来，CC和MSP将继续改进和发展，并且，进一步应用于分布式计算，特别是在云计算和大数据领域。因此，了解和掌握这两种并行计算模型，对于开发高性能并行应用程序具有非常重要的作用。
关注微信