1.测试数据生成器：主要作用生成大小规模可定制的测试数据，
比如高斯消元测试：采用预先设定x的指，然后随机生成符合条件的可解方程
比如矩阵相乘：采用随机方法，串行版本，生成矩阵及相乘结果，用以测试并行运算结果
2.运行环境初始化：环境信息，如何定义一个数据结构来保存这些信息
包括：节点计算能力，节点间通讯速度，当前负载，能耗，内存大小。
初步设计有两种：作为配置文件信息保存，运行测试程序包实时获取。可能主要由配置信息来实现，即我们在主节点，放置节点信息，读取后根据分配算法，分析节点信息以及程序的dag图，然后计算分配结果。
节点映射及性能分析辅助工具：
当然我们可以为程序员提供一个简单的分析工具，主要界面大概是这个样子的：两个由各个节点构成的图，其中一个是当前机群的节点图(每个节点代表一个计算节点，包括节点的计算速度，硬件类型，负载等)，另一个则是程序的dag图，节点代表了一个独立的计算过程(包含该过程针对各个机群物理节点的适应性，计算耗费)，程序员可以通过点击修改节点信息，程序将根据分配算法，对这两个节点图完成物理节点在dag图上的映射，同时提供对于完成时间以及耗费的一个预测。当然也可以由程序员手动修改当前的映射，同时重新预测这种映射情况下的完成时间和耗费。
进一步细化这个工具，我们可以将节点类型做成固定的类型，针对处理机类型，然后模拟，也就是我们可以让节点从已经设计好的一系列节点(intel系列，cell系列)中选择，然后生成我们现有的节点集合。同时也可以让用户添加新的处理器定义，如果继续深化，可以做一个类似于ns2的模拟机群，模拟网络环境，然后将dag在这个模拟机群上，看如何分配。当然需要一系列工作，比如测试各个处理器对各种运算的适应性，处理时间(比如向量乘，浮点运算，并且将这些适应性作为处理器的属性保存起来，我们可以提供脚本语言，定义各种运算适应性，并允许在分配算法中使用这些适应性定义，也就是说我们对运算根据进行分类，在dag图的节点中需要选择某个类别，这样计算时就可以根据这个选择结合处理器对该运算的适应性，建立起一个分配模型。
3.任务分配算法
如何结合运行环境＋任务属性，对数据进行划分，达到高的效率
参考目前的算法，提出改进。
在考虑组合，排列生成的时候，突然想到了采用并行分配的方法，实现这样的分配算法，而不是只由控制节点进行计算。比如将dag图的映射方案，按照排列进行划分，让每个节点负责一部分方案的计算，然后综合最终的计算结果得出一个方案。实现分配过程的计算加速
4.当分配方案确定后，如何在程序中支持这样的划分方法
想到了一个方法，该方法可以在mpi环境中实现。我们首先对任务要处理的数据进行单元化，比如一个高斯消元，我们把矩阵的一行作为一个单元，这样把这个单元包装起来，用一个数据结构，里面要包含各个系数，该行的行号。分配的时候，单位按照行计算，比如某个节点分配到了几个行，这样我们就把这些行用那个数据结构包裹起来，传给这个节点。这样实际上把一个行作为一个基本任务处理，这样就可以实现mpi上基于行的独立的调度分配计算方法，每个节点可以得到按照分配算法得到任意的离散分布的行，并还能完成计算。也就是说我们将一个行的处理，线程化，这样产生了以数据划分为基础的线程化调度方法。
5.异构环境的屏蔽
主要通过脚本控制编辑工具链的选择，对不同的函数包装成相同的函数。
通过调用系统特定的BLAS程序库，获取平台相关的效率提升。
我们将上面的一系列的想法，整合到一个异构计算模式中来：
1.描述异构环境(根据异构环境模型，及环境描述工具)
2.任务图工具(输入程序任务图，并将任务图与程序参数结合)
3.配置调度算法(将调度算法作为一个可配置模块，用户可以选择一个调度算法，也可以添加自定义的算法)
4.实际库，调用
5.性能预测分析，根据调度算法，任务图，给出程序运行效果的预测分析
6.自动测试模块 帮助并行程序的自动测试