Algoritmos paralelos Teo. 1: Introducción Glen Rodríguez.
-
Upload
delfina-mingo -
Category
Documents
-
view
221 -
download
0
Transcript of Algoritmos paralelos Teo. 1: Introducción Glen Rodríguez.
Algoritmos paralelosTeo. 1: Introducción
Glen Rodríguez
Por qué se necesita gran poder de cómputo?
Unidades de medida en HPC High Performance Computing (HPC) se mide en:
Flop: floating point operation Flops/s: floating point operations per second Bytes: para el tamaño de datos en memoria (una variable
flotante de double precision ocupa 8 bytes)
Generalmente hablamos de millones, billones, …Mega Mflop/s = 106 flop/sec Mbyte = 220 ~ 106 bytes
Giga Gflop/s = 109 flop/sec Gbyte = 230 ~ 109 bytes
Tera Tflop/s = 1012 flop/sec Tbyte = 240 ~ 1012 bytes
Peta Pflop/s = 1015 flop/sec Pbyte = 250 ~ 1015 bytes
Exa Eflop/s = 1018 flop/sec Ebyte = 260 ~ 1018 bytes
Zetta Zflop/s = 1021 flop/sec Zbyte = 270 ~ 1021 bytes
Yotta Yflop/s = 1024 flop/sec Ybyte = 280 ~ 1024 bytes
Ver en www.top500.org la lista de supercomputadoras más veloces
A noviembre 2011
A noviembre 2011
Simulación: tercer pilar de la ciencia Paradigma tradicional en Ciencia e Ingeniería:
1) Elaborar la teoría o crear un paper.
2) Hacer experimentos o construir un sistema. Limitaciones:
Muy difícil – ej: grandes estructuras para experimentos.
Muy caro – construir un auto o avión de pueba. Muy lento –verificar efecto de medicinas en animales. Muy peligroso -- armas, experimentos climáticos.
Paradigma de la ciencia computacional:
3) Usar sistemas HPC para simular el fenómeno Basandose en leyes físicas y en métodos numéricos.
Algunos Cómputos difíciles Ciencia
Modelo del clima global Biología: genómica; “protein folding”; diseño de medicinas Modelos astrofísicos Química computacional Ciencia de los materiales por computadora
Ingeniería Diseño de semiconductores Terremotos y modelos de edificaciones Dinámica de fluidos por computadora (diseño de aviones) Combustión (diseño de motores) Simulación de choques de autos
Negocios Modelos económicos y financieros Proceso de transacciones, motores de búsqueda
Defensa Test por simulación de armas nucleares Criptografía
Impacto económico de la HPC Aerolíneas:
Optimización de logística a escala mundial en sistemas paralelos.
Ahorros: aprox. $100 millones anuales por aerolínea. Diseño de autos:
Las grandes compañías usan HPC (500 o más CPUs) para: CAD-CAM, test de choques, integridad estructural y
aerodinámica. Ahorros: aprox. $1000 millones al año.
Industria de Semiconductores: Usan HPC grandes (500 o más CPUs) para
Simulación de dispositivos electrónicos y validación lógica. Ahorros: aprox. $1000 millones al año.
Finanzas: Ahorros: aprox. $15000 millones al año en hipotecas en USA.
Modelo global del clima
Problema a computar:
f(latitud, longitud, elevación, tiempo)
temperatura, presión, humedad, velocidad del viento Enfoque:
Discretizar el dominio, ej:, un punto cada 10 km Diseñar el algoritmo que prediga
el clima en t+t dado el clima en t
• Usos:- Predecir eventos
importante como el Niño
- Estudiar políticas de estándares ambientales
fuente: http://www.epm.ornl.gov/chammp/chammp.html
Computación del clima Una parte es modelar el flujo de fluidos en la atmósfera
Resolver las ecuaciones de Navier-Stokes Aprox. 100 Flops por punto en la malla con t de 1 minuto
Requisitos de computo: Para tiempo real, 5 x 1011 flops en 60 seconds = 8 Gflop/s Predecir el clima para la TV (7 días en 24 horas) 56 Gflop/s Predecir el clima para papers (50 años en 30 días) 4.8 Tflop/s Para usar en negociaciones (50 años en 12 horas) 288 Tflop/s
Si se dobla la resolución de la malla, el computo aumenta por un factor de 8x u 16x
Modelos “de estado del arte” necesitan más partes: oceanos, hielos polares, elevación del terreno, ciclo del carbono, geoquímica, contaminantes, etc.
Modelos actuales no llegan a tanto.
Modelo climático de alta resolución
NERSC-3 – P. Duffy, et al., LLNL
Simulación para 100 años
Warren Washington and Jerry Meehl, National Center for Atmospheric Research; Bert Semtner, Naval Postgraduate School; John Weatherly, U.S. Army Cold Regions Research and Engineering Lab Laboratory et al.
http://www.nersc.gov/news/science/bigsplash2002.pdf
• Demostración del Community Climate Model (CCSM2)
• Una simulación a 1000 años muestra una tendencia estable y de largo plazo.
• Se usaron 760,000 horas de CPU
• Se ve el cambio de la temperatura.
Modelo del clima en el Earth Simulator System
El ESS se empezó a crear en 1997 para estudiar el cambio de clima global y el calentamiento global.
26.58Tflops obtenidos con los simuladores del clima global.
35.86Tflops (87.5% de la performance pico) obtenida en el benchmark Linpack (máquina más rápida del mundo del 2002 al 2004).
Su construcción se completó en Febreo del 2002 y empezó a trabajar desde el 1ro de Marzo del 2002
Dinámica de agujeros negros binariosNúcleo de grades supernovas colapsan en agujeros negros. En el centro de los agujeros negros el tiempo espacio se altera. Son un test crucial para teorías de gravedad –
de la relatividad gral. a gravedad cuántica. Observación indirecta – muchas galaxias
tiene un agujero negro en su centro.Ondas gravitacionales muestras al
agujero negro y sus parámetros.Agujeros negros binarios son una gran
fuente de ondas gravitacionales.Su simulación es muy compleja –
el espacio tiempo se altera !
Paralelismo en Análisis de datos Hallar información entre grandes cantidades de datos. Para qué husmear en grandes cantidades de datos?:
Hay alguna dolencia inusual en una ciudad? Qué clientes son más propensos a tratar de hacer
fraude al seguro de salud? Cuándo conviene poner en oferta la cerveza? Qué tipo de publicidad mandarte a la casa?
Hay data que se recolecta y guarda a gran velocidad (Gbyte/hour) Sensores remotos en un satélite Telescopios Microarrays generando data de genes Simulaciones generando terabytes de datos Espionaje (NSA)
Por qué las computadoras poderosas son paralelas?
Tendencia tecnológica: Capac. del microprocesador
2X transistores/Chip cada 1.5 años
Es la “Ley de Moore”
Moore’s Law
Microprocesadores son cada vez más chicos, densos y poderosos.
Gordon Moore (co-fundador de Intel) predijo en 1965 la densidad de transistores en chips de semiconductores se duplicaría más o menos cada 18 meses.
fuente: Jack Dongarra
Crecimiento en performance de CPUs
Impacto de la miniaturización de dispositivosQué pasa cuando el tamaño del transistor se achica en un
factor de x ?El reloj de la CPU aumenta en x porque los cables entre
transistores son más cortosRealmente es menos que x, debido a la disipación de energía
Nro. De Transistores/area sube en x2
Tamaño del “dado” creceGeneralmente en un factor cercano a x
Poder de proceso del chip sube cerca de x4 !Del cuál x3 se dedica al paralelismo o localidad
Transistores por Chip
i4004
i80286
i80386
i8080
i8086
R3000R2000
R10000
Pentium
1,000
10,000
100,000
1,000,000
10,000,000
100,000,000
1970 1975 1980 1985 1990 1995 2000 2005
Year
Tran
sist
ors
• Mejora en Transistores por chip • Mejora en reloj de CPU
0.1
1
10
100
1000
1970 1980 1990 2000
Year
Clo
ck R
ate
(MH
z)
Crecimiento en performance de CPUs
Ley de Moore para 1 sola CPU: hasta cuándo? Ver pendiente del gráfico del 2002 en adelante
Problemas para obtener CPUs más veloces: Disipación del calor Poco paralelismo a nivel de instrucciones Latencia de memoria no baja Más básico: física cuántica es probabilística, y
circuitos muy chicos se vuelven de naturaleza cuántica.
Otros límites: Creciente costo y dificultad de fabricación
2da ley de Moore (ley de Rock)
Demo de CMOS de 0.06 micrones
Más Limites: Qué tan rápida puede ser una comput. serial?
Considerar un CPU secuencial de 1 Tflop/s : Data debe viajar cierta distancia r, para ir de la
memoria a la CPU. Para conseguir 1 elemento de data por ciclo, o sea
1012 veces por segundo, a la velocidad de la luz c = 3x108 m/s. Tenemos que r < c/1012 = 0.3 mm.
Como poner 1 Tbyte en un área de 0.3 mm x 0.3 mm: Cada bit ocupa 1 A2, o el tamaño de un átomo.
No se puede. Sólo queda usar paralelismo.
r = 0.3 mm
CPU secuencial de 1 Tflop/s, 1 Tbyte
Performance en el test LINPACK
Análisis de los reportes TOP500
Crecimiento anual de performance cerca de 1.82
Dos factores contribuyen casi en par en este crecimiento
Número de procesadores crece anualmente por un factor de 1.30, y
Performance de un procesador crece en 1.40 vs. 1.58 según la Ley de Moore
1.3 x 1.4 = 1.82
Por qué escribir programas paralelos rápidos es difícil?
Principios de Computación paralela
Encontrar suficiente paralelismo (Ley de Amdahl)
Granularidad Localidad Balance de carga Coordinación y sincronización Modelamiento de la performance
Estos detalles hacen que la BUENA programación paralela sea más difícil que la secuencial.
Paralelismo automático en computadoras modernas
A nivel de bit Dentro de operaciones de punto flotante, etc.
A nivel de instrucción (ILP) Ejecutar múltiples instrucciones en un solo ciclo de reloj
A nivel de memoria del sistema Computar y leer/escribir en memoria a la vez
A nivel del Sistema Operativo Muchos jobs corriendo en paralelo en SMPs
Todos tienen un límite – para excelente perfomance, el humano debe identificar, calendarizar y coordinar tareas paralelas.
Encontrar suficiente Paralelismo
Suponer que solo una parte de un programa se puede paralelizar.
Ley de Amdahl Si s es la fracción de trabajo no paralelizable (secuencial),
entonces (1-s) es la fracción paralelizable P = número de procesos
Speedup(P) = Tiempo(1)/Tiempo(P)
<= 1/(s + (1-s)/P)
<= 1/s Aún si la parte paralela se acelera (speeds up) a la
perfección, la performance está limitada por la parte secuencial.
Costos del Paralelismo Si hay bastante parte paralelizable, la mayor barrera para
lograr buen speedup es el costo del paralelismo. Ese costo incluye:
Costo de empezar un hilo o un proceso Costo de comunicar data compartida Costo de sincronización Computación extra o redundante
Cada uno de ellos pueden estar en el rango de ms (= millones de flops) en algunos sistemas.
Solución de Compromiso: los algoritmos necesitan unidades de trabajo suficientemente grandes para correr rápido en paralelo (o sea, grano grueso), pero no tan grandes que no hay suficiente trabajo paralelo o trabajo para menos procesadores.
Localidad y Paralelismo
Las memorias grandes son lentas, las rápidas son las chicas La memoria es rápida y grande en promedio Los procesadores paralelos, colectivamente, tienen mayor caché y
memoria El acceso lento a data “remota” se llama “comunicación”
Los algoritmos deben tratar de trabajar mayormente en data local.
ProcCache
L2 Cache
L3 Cache
Memoria
Jerarquía del almacenamiento en memoria
ProcCache
L2 Cache
L3 Cache
Memoria
ProcCache
L2 Cache
L3 Cache
Memoria
Posibles
interconexiones
Gap entre Procesador-DRAM (latencia)
µProc60%/año
DRAM7%/año
1
10
100
1000
1980
1981
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
DRAM
CPU
1982
Gap de performanceentre CPU y DRAM:(crece 50% / año)
Per
form
ance
Año
“Ley de Moore”
Desbalance de carga El desbalance de carga es el tiempo que algunos CPUs
en el sistema están ociosos debido a: Insuficiente paralelismo (durante esa fase) Trabajos de tamaño desigual
Ejemplos de trabajos desiguales Adaptarse a “partes interesantes del dominio” Cómputos con estructuras de árbol (ej: ajedrez) Problemas no estructurados.
Se necesita algoritmos para balancear la carga.
Mejorando la Performance real
0.1
1
10
100
1,000
2000 2004T
eraf
lop
s1996
Performance pico crece exponencialmente, como dice la ley de Moore
En los 90s, creció 100x; en esta década, crecerá 1000x
Pero la eficiencia (performance relativa al pico de hardware) ha caído
Era 40-50% en las supercomputadoras vectoriales de los 90s
Ahora entre 5-10% en muchas supercomputadoras paralelas
El gap se cierra vía ... Métodos matemáticos y algoritmos que logran
mejor performance en un solo CPU y escalan a miles de CPUs
Modelos de programación más eficientes y mejores herramientas (compiladores, etc.)
Gap dePerformance
Performance pico
Performance real
Midiendo la Performance
Peak advertised performance (PAP) La que dice el fabricante. Máximo teórico.
LINPACK Benchmark El programa “hello world” en computación paralela Resolver Ax=b por Eliminación Gaussiana.
Gordon Bell Prize winning applications performance La mejor combinación de aplicación/algoritmo/plataforma
Performance sostenida promedio Lo que se puede esperar razonablemente en el caso de
aplicaciones comunes.
Ojo, muchas veces se confunden unas evaluaciones por otras, incluso en libros y revistas
Qué deberíamos sacar de este curso?
Cuándo es útil el cómputo paralelo?Saber las diferentes opciones de hardware en computación paralela.
Modelos de programación (software) y herramientas.
Algunas aplicaciones y algoritmos paralelos
Análisis y mejora de Performance. Ver: http://www-unix.mcs.anl.gov/dbpp/