Презентация на тему: Введение в параллельное программирование

Формальный подход к определению параллельной программы Формальный подход к определению параллельной программы Меры качества параллельных программ Предел ускорения вычислений при распараллеливании Реализация параллельных программ в модели общей памяти и в модели распределенной памяти Программирование в распределенной памяти: MPI Пример задачи: численное решение уравнения Пуассона Работа на вычислительных системах Сибирского суперкомпьютерного центра По ходу лекции: комментарии об ошибках, характерных для параллельного программирования (дедлоки, несогласованный доступ к данным)

Задача: a = b*c+d*e; Задача: a = b*c+d*e; Последовательная программа: Load r1,b Load r2, c Mul r1, r1, r2 Load r2, d Load r3, d Mul r2, r2, r3 Sum r1, r1, r2 Store a, r1

Представление алгоритма A – это набор Представление алгоритма A – это набор S = (X, F, C, M), где X – конечное множество переменных F – конечное множество операций С – управление (множество ограничений на порядок операций) = потоковое управление + прямое управление М – функция, задающая отображение множеств X и F в физические устройства параллельной вычислительной машины

– это выполнение операций в некотором порядке, не противоречащим управлению C Представление корректно, если любая реализация вычисляет функцию F, т.е. С содержит потоковое управление.

Если множество реализаций алгоритма A, представленного в форме S содержит более одной реализации, то представление S называется параллельным. Если множество реализаций алгоритма A, представленного в форме S содержит более одной реализации, то представление S называется параллельным. Если это множество одноэлементно, то представление S назвается последовательным.

Ускорение параллельной реализации относительно последовательной: Ускорение параллельной реализации относительно последовательной: S = Ts/Tp, где Ts – время выполнения последовательной программы, Tp – параллельной Эффективность использования N процессоров относительно одного E = Ts/(N*TN), где TN – время выполнения параллельной программы на N процессорах

Если P – это доля вычислений, которые могут быть выполнены параллельно, а 1-P – доля последовательной части, то максимальное ускорение, которое можно получить на N процессорах равно Если P – это доля вычислений, которые могут быть выполнены параллельно, а 1-P – доля последовательной части, то максимальное ускорение, которое можно получить на N процессорах равно 1 ((1-P)+(P/N))

Изображение из Википедии Изображение из Википедии

Микропроцессоры Микропроцессоры SMP-узлы: объединения микропроцессоров над общим полем памяти Мультикомпьютеры: SMP-узлы, связанные выделенной сетью передачи данных Grid: объединение произвольных ресурсов

#include <omp.h> #include <omp.h> <…> int main() { <…> #pragma omp parallel shared(a, b, c) private(i) { #pragma omp for for (i = 0; i < N; i++) a[i] = b[i] + c[i]; } <…> }

#include <mpi.h> #include <mpi.h> #include <iostream> #include <unistd.h> int main(int argc, char** argv) { int rank, size; char hostname[50]; MPI_Init(&argc, &argv); MPI_Comm_rank(MPI_COMM_WORLD, &rank); MPI_Comm_size(MPI_COMM_WORLD, &size); gethostname(hostname, 50); std::cerr << "Rank = " << rank << ", hostname = " << hostname << ", size = " << size << "\n"; MPI_Finalize(); return 0; } Пример команды запуска программы: mpirun –np 4 first_example.exe Запускается 4 копии программы – 4 процесса, каждый получает свой идентификатор rank: 0, 1, 2, 3

if(size!=2){ if(size!=2){ std::cerr << "2 processes required\n"; MPI_Finalize(); return 1; } int intBuff = 1234; MPI_Status st; if(rank==0){ MPI_Send(&rank, 1, MPI_INT, 1, 0, MPI_COMM_WORLD); std::cerr << "Rank " << rank << ": initial value of intBuff = " << intBuff << "\n"; MPI_Recv(&intBuff, 1, MPI_INT, 1, 0, MPI_COMM_WORLD, &st); std::cerr << "Rank " << rank << ": received from Rank 1 intBuff = " << intBuff << "\n"; } else if(rank==1) { std::cerr << "Rank " << rank << ": initial value of intBuff = " << intBuff << "\n"; MPI_Recv(&intBuff, 1, MPI_INT, 0, 0, MPI_COMM_WORLD, &st); std::cerr << "Rank " << rank << ": received from Rank 0 intBuff = " << intBuff << "\n"; MPI_Send(&rank, 1, MPI_INT, 0, 0, MPI_COMM_WORLD); }

intBuff = 1234; intBuff = 1234; std::cerr << "Rank " << rank << ": initial value of intBuff = " << intBuff << "\n"; MPI_Sendrecv(&rank, 1, MPI_INT, !rank, 0, &intBuff, 1, MPI_INT, !rank, 0, MPI_COMM_WORLD, &st); std::cerr << "Rank " << rank << ": received from Rank " << (!rank) << " intBuff = " << intBuff << "\n";

int intBuff = rank; int intBuff = rank; std::cerr << "Rank = " << rank << ", intBuff = " << intBuff << "\n"; MPI_Bcast(&intBuff, 1, MPI_INT, 0, MPI_COMM_WORLD); std::cerr << "Rank = " << rank << ", after Bcast intBuff = " << intBuff << "\n"; //example of another scenario MPI_Barrier(MPI_COMM_WORLD); if(rank==0) std::cerr << "---- Another scenario ----\n"; MPI_Barrier(MPI_COMM_WORLD); intBuff = rank; std::cerr << "Rank = " << rank << ", again intBuff = rank = " << intBuff << "\n"; if(rank==0) MPI_Bcast(&rank, 1, MPI_INT, 0, MPI_COMM_WORLD); else MPI_Bcast(&intBuff, 1, MPI_INT, 0, MPI_COMM_WORLD); std::cerr << "Rank = " << rank << ", after second Bcast intBuff = " << intBuff << "\n";

int intBuff = 0; int intBuff = 0; std::cerr << "Rank = " << rank << ", intBuff = " << intBuff << "\n"; MPI_Reduce(&rank, &intBuff, 1, MPI_INT, MPI_SUM, 0, MPI_COMM_WORLD); std::cerr << "Rank = " << rank << ", after Reduce intBuff = " << intBuff << "\n"; intBuff = 0; MPI_Allreduce(&rank, &intBuff, 1, MPI_INT, MPI_SUM, MPI_COMM_WORLD); std::cerr << "Rank = " << rank << ", after Allreduce intBuff = " << intBuff << "\n";

int intBuff = rank; int intBuff = rank; MPI_Request rq; MPI_Isend(&intBuff, 1, MPI_INT, !rank, 0, MPI_COMM_WORLD, &rq); for(int i = 0; i<100; i++) std::cout << "working\n"; int flag = 0; MPI_Status st; MPI_Wait(&rq, &st); //we can write to intBuff again: receiving into intBuff now. //we can use rq again. MPI_Irecv(&intBuff, 1, MPI_INT, !rank, 0, MPI_COMM_WORLD, &rq); for(int i = 0; i<100; i++) std::cout << "working again\n"; MPI_Wait(&rq, &st); //now intBuff contains a message received from a peer std::cerr << "Rank " << rank << ": intBuff = " << intBuff << "\n";

Сбор распределенных векторов: MPI_Gather, MPI_Allgather Сбор распределенных векторов: MPI_Gather, MPI_Allgather Распределение вектора: MPI_Scatter и т.д.

Point-to-point communication Point-to-point communication Datatypes Collective operations Process groups Communication contexts Process topologies Environmental Management and inquiry The info object Process creation and management One-sided communication External interfaces Parallel file I/O Language Bindings for Fortran, C and C++ Profiling interface

Двумерное уравнение: Двумерное уравнение: d2u/dx2+d2u/dy2-a*u=f Дискретизация: (u(i+1)j-2uij+u(i-1)j)/h2+ (ui(j+1)-2uij+ui(j-1))/h2-a*uij = fij Итеративный метод: un+1ij = 0.25(un(i+1)j+un(i-1)j+uni(j+1)+uni(j-1)-h2fij)

Как организовать коммуникации на разрезе? Как организовать коммуникации на разрезе?

Создается 2 массива в каждом процессе: для значений предыдущей итерации и новой. Создается 2 массива в каждом процессе: для значений предыдущей итерации и новой. Когда значения на границах посчитаны на предыдущей итерации, производится обмен, при этом значения от соседа помещаются в дополнительный слой того же массива. Вычисляются значения на новой итерации с использованием массива предыдущей итерации.

32 двойных блейд-серверов HP BL2x220c, в каждом узле два 4-х ядерных процессора Intel Xeon Е5450 (Intel(R) Xeon(R) CPU E5450 @ 3.00GHz) 32 двойных блейд-серверов HP BL2x220c, в каждом узле два 4-х ядерных процессора Intel Xeon Е5450 (Intel(R) Xeon(R) CPU E5450 @ 3.00GHz) = 512 ядер Пиковая производительнось: ~6 ТФлопс. Операционная система: RedHat Linux (RHEL 5u2) Очередь заданий / система пакетной обработки: PBS Pro 10.0 Компиляторы: Intel C/C++ и Fortran 11.0.081 Professional Edition, включают в себя Intel MKL, Intel IPP ... Intel MPI 3.2.0.011 и Intel TraceAnalyzer&Collector 7.2.0.011

1 Вход с помощью программы putty.exe: 1 Вход с помощью программы putty.exe: 1.1Имя сервера: nks-30t.sscc.ru 1.2 Логин: 1.3 Пароль: 2. Панельный файловый менеджер: mc 3. Создать в домашней директории папку для своей работы 4. Скопировать себе примеры (содержимое папки ~/examples) 5. Запустить пример: qsub run.sh 6. Смотреть очередь: qstat 7. Удалить задачу из очереди: qdel <jobID> 8. Компиляция программы mpiexample.cpp: mpiicpc –o mpiexample.exe mpiexample.cpp 9. Компиляция программы mpiexample.c: mpiicc –o mpiexample.exe mpiexample.c

#!/bin/bash #!/bin/bash #PBS -V #PBS -r n #PBS -l nodes=<количество узлов>:ppn=<количество процессов на узле>,cput=00:10:00,walltime=15:00 #PBS -k oe #PBS -N name_of_the_job #PBS -j oe date cd $PBS_O_WORKDIR pwd mpirun -r ssh -genv I_MPI_DEVICE rdma -genv I_MPI_RDMA_TRANSLATION_CACHE disable -n <количество процессов MPI> <путь к исполняемому файлу> date

MPI: http://www.mpi-forum.org/ MPI: http://www.mpi-forum.org/