内核函数里能否使用malloc函数

大家好，小弟最近刚开始接触cuda编程，现在身边没有实验环境，我想问下内核函数里能否使用malloc函数？
另外，我想每个block都从global
memory中各自读取一个大概1M的矩阵，利用多线程将这个矩阵读到share memory中，可是每个multiprocessor的share
memory只有16k，我应该怎么解决才好呢？如果一个块只有一个线程，那从global
memory中直接读取1M的数据，其latency大概是多少？
第三个问题，哪里可以下载到处理十分巨大的数据量的cuda程序？
烦请各位大哥帮忙，小弟感激不尽，这些天被这些东西实在烦得不行。