Escalonamento em Grade Patrícia Kayser Vargas Mangan

Apresentação em tema: "Escalonamento em Grade Patrícia Kayser Vargas Mangan"— Transcrição da apresentação:

1 Escalonamento em Grade Patrícia Kayser Vargas Mangan kayser@cos.ufrj.br

2 05/10/2005PDP - UFRGS2 Roteiro Introdução Escalonamento em ambiente de grade Modelo GRAND Considerações Finais

3 05/10/2005PDP - UFRGS3 Introdução Escalonamento (informal...) –processo de atribuir processos a processadores (ou tarefas a recursos) –existem vários algoritmos presentes na literatura –problema NP-completo –uso de heurísticas

4 05/10/2005PDP - UFRGS4 Introdução Classificação –taxonomia Casavant & Kuhl (1988) –com relação ao momento em que é realizada a escolha dos processadores estático: atribuição antes do início da execução dinâmico: durante a execução, atribui a medida que recursos são disponibilizados estático+dinâmico = uso de informações dinâmicas diminuindo overhead na execução

5 05/10/2005PDP - UFRGS5 Escalonamento em ambiente de grade Computação em grade (grid computing) –infra-estrutura computacional um conjunto virtual de recursos –grande número de recursos elementos em torno de 1000-10000 –recursos heterogêneos e geograficamente distribuídos recursos se espalham em múltiplos domínios administrativos –ambiente dinâmico –aplicações de grande demanda computacional

6 05/10/2005PDP - UFRGS6 Escalonamento em ambiente de grade O que muda em relação ao escalonamento em cluster ou rede local? Quais requisitos de escalonamento? Heterogeneidade de recursosAmbiente dinâmico Aplicações que executam por dias ou semanas Custos variáveis para acesso a base de dados

7 05/10/2005PDP - UFRGS7 Modelo GRAND GRANDGrid Robust ApplicatioN Deployment Resultado de uma tese em andamento Doutoramento pela –PESC – COPPE/Sistemas – UFRJ Orientadores: –Inês de Castro Dutraines@cos.ufrj.br –Cláudio F. R. Geyergeyer@inf.ufrgs.br

8 05/10/2005PDP - UFRGS8 Modelo GRAND Motivação: aplicações formadas por um grande número de tarefas –escalonamento e controle são desafios –sobrecarga na máquina de submissão –controle e particionamento manual proibitivos grande quantidade de recursos tempo longo de execução Objetivo: tratar dois problemas –particionamento da aplicação –gerenciamento da aplicação

9 05/10/2005PDP - UFRGS9 Modelo GRAND Premissas Ambiente heterogêneo Um grande número de tarefas será submetido As tarefas não se comunicam por troca de mensagens Tarefas podem ter dependências com outras tarefas devido a compartilhamento de arquivos

10 05/10/2005PDP - UFRGS10 Modelo GRAND Premissas Um grande número de arquivos pode ser manipulado pelas tarefas Arquivos grandes podem ser usados na computação O ambiente de grade utilizado é seguro Cada nodo da grade possui o seu gerenciador de recursos local Cada nodo da grade disponibiliza informações sobre os recursos locais

11 05/10/2005PDP - UFRGS11 Modelo GRAND Aplicações podem ser modeladas como um grafo –Directed Acyclic Graph (DAG) –nodo = tarefa –aresta = dependência independent tightly-coupled low-coupled

12 DAG inference Clustering Mapping Submission Application Description Directed Acyclic Graph (DAG) Set of sub-DAGs Allocation Decisions Results

13 descrição da aplicação Task Manager Application Manager informações de estado e monitoração & resultados Grid Nodes Resource Management System resultados tarefas informações de estado e monitoração & resultados info.monitoração & resultados Local Network Submission Manager Submit Machine subgrafo de tarefas subgrafo de tarefas

14 05/10/2005PDP - UFRGS14 Modelo GRAND GRID-ADL –GridADL –Grid Application Description Language –sintaxe simples e de alto nível alguns elementos da linguagem de descrição do Condor DAGMan –detecção automática do DAG Globus Chimera também infere o DAG da aplicação –algumas construções para ajudar a expressar aplicações complexas comandos inspirados em linguagens de script

15 05/10/2005PDP - UFRGS15 Modelo GRAND Particionamento (Clustering) Inicialmente as tarefas são agrupadas em subgrafos –sem informações do ambiente de execução –com o objetivo de gerar grupos a serem submetidos de forma independente –objetivo é obter grupos de baixa granulosidade que são submetidos como um todo (ao invés de tarefa a tarefa) que podem vir a ser reagrupados se necessário

16 05/10/2005PDP - UFRGS16 Modelo GRAND Particionamento (Clustering) Algoritmo de acordo com a aplicação (1/3): –independent tasks: cada tarefa pode ser atribuída a qualquer nodo da grade em qualquer ordem tarefas são agrupadas pela ordem de definição em blocos de tamanho pequeno

17 05/10/2005PDP - UFRGS17 Modelo GRAND Particionamento (Clustering) Algoritmo de acordo com a aplicação (2/3): –loosely-coupled tasks: tarefas possuem dependências, mas independentes entre si dentro de uma fase detecta fases, dentro de cada fase aplica algoritmo de independent tasks

18 05/10/2005PDP - UFRGS18 Modelo GRAND Particionamento (Clustering) Algoritmo de acordo com a aplicação (3/3): –tightly-coupled tasks: tarefa possuem dependências, ideal manter localidade de dados uso do algoritmo DSC (Dominant Sequence Clustering) –algoritmo clássico –baixa complexidade

19 05/10/2005PDP - UFRGS19 DSC DAG com tarefas e arestas valoradas modelo macro-dataflow –tarefa recebe todas as entradas antes de iniciar e executa sem interrupção número ilimitado de processadores inicialmente cada nodo pertence à um cluster clusters são agrupados se diminuir a seqüência dominante –caminho crítico do DAG escalonado

20 05/10/2005PDP - UFRGS20 DSC n1 n5 n4 n3 n2 n7 n6 3 0.5 1 4 2.5 2 1 1 2 1 1 1 6 UEG = {n1, n2, n3, n4, n5, n6, n7} PT o =13 FL={n1(0+13), n4(0+9.5), n5(0+7.5)} PFL={} tlevel(n1)=0 Não pode reduzir

21 05/10/2005PDP - UFRGS21 DSC n1 n5 n4 n3 n2 n7 n6 3 0.5 1 4 2.5 2 1 1 2 1 1 1 6 UEG = {n2, n3, n4, n5, n6, n7} PTo=13 FL={n2(4+9), n3(1.5+8), n4(0+9.5), n5(0+7.5)} PFL={} tlevel(n2)=4 Zerando (n1,n2), tlevel(n2)=1

22 05/10/2005PDP - UFRGS22 DSC n1 n5 n4 n3 n2 n7 n6 3 0.5 1 4 2.5 2 1 1 2 1 1 1 6

23 05/10/2005PDP - UFRGS23 DSC n1 n5 n4 n3 n2 n7 n6 3 0.5 1 4 2.5 2 1 1 2 1 1 1 6 PT=8

24 05/10/2005PDP - UFRGS24 DAG inference Clustering Mapping Submission Application Description Directed Acyclic Graph (DAG) Set of sub-DAGs Allocation Decisions Results Escolha de Submission Manager

25 05/10/2005PDP - UFRGS25 descrição da aplicação Task Manager Application Manager informações de estado e monitoração & resultados Grid Nodes Resource Management System resultados tarefas informações de estado e monitoração & resultados info.monitoração & resultados Local Network Submission Manager Submit Machine subgrafo de tarefas subgrafo de tarefas

26 05/10/2005PDP - UFRGS26 Modelo GRAND Interação entre os componentes (1/5) Application Manager : –ao se tornar ativo broadcast na rede local Submission Managers existentes respondem (local e estado) –quando aplicação for submetida ativado por demanda realiza o particionamento em subgrafos escolhe um ou mais Submission Managers para enviar os subgrafos (pode instanciar novos se necessário)

27 05/10/2005PDP - UFRGS27 Modelo GRAND Interação entre os componentes (2/ 5) Application Manager : –heurísticas para escolha dos Submission Managers (SM) uso de comunicação periódica para detecção de SM falhos ou sobrecarregados limite máximo de grafos para cada SM em função de poder computacional da máquina cálculo de peso para cada SM em função de histórico de execuções (peso maior melhor escolha)

28 05/10/2005PDP - UFRGS28 Modelo GRAND Interação entre os componentes (3/ 5) Submission Manager : –recebem subgrafos (representação interna) –comunicação periódica com o Application Manager indicando progresso da execução –pode haver comunicação com outros Submission Manager devido dependências entre subgrafos

29 05/10/2005PDP - UFRGS29 Modelo GRAND Interação entre os componentes (4/5) Submission Manager : –escolhem nodo da grade considerando: requisitos da aplicação (alguns nodos podem não atender requisitos mínimos) limite máximo de subgrafos por nodo da grade (considera submissões em andamento) cálculo de peso para cada nodo em função de histórico de execuções (peso maior melhor escolha) –escolha do nodo da grade aciona um Task Manager específico

30 05/10/2005PDP - UFRGS30 Modelo GRAND Interação entre os componentes (5/ 5) Task Manager : –pode ser ativado/desativado em função das necessidades do Submission Manager –transforma subgrafos (representação interna) em formato apropriado para submissão p.ex. cria arquivo de submissão do Condor e executa um condor_submit –comunicação periódica com o Submission Manager indicando progresso da execução

31 05/10/2005PDP - UFRGS31 Considerações Finais GRAND: gerenciamento de aplicações em ambiente de grid –organização hierárquica de controladores –a carga da máquina do usuário é compartilhada com outra máquinas –proposta de uma linguagem de descrição de alto nível –protótipo em andamento

32 05/10/2005PDP - UFRGS32 Considerações Finais Trabalhos futuros: –novos experimentos com algoritmos de particionamento –protótipo: adequação a outros aspectos do modelo melhorias na interface gráfica do protótipo experimentos em grade de teste (UFRJ, UFRGS, LNCC e UERJ)

33 05/10/2005PDP - UFRGS33 Patrícia Kayser Vargas kayser@cos.ufrj.br http://www.cos.ufrj.br/grand

34 05/10/2005PDP - UFRGS34 GRAND Linguagem de Descrição graph phase OUTPUT = "" foreach ${TASK} in 1..5 { task ${TASK} -e ${TASK}.exe -i ${TASK}.in -o ${TASK}.out OUTPUT = ${OUTPUT} + ${TASK}+.out " } task 6 -e 6.exe -i ${OUTPUT} -o data.out transient ${OUTPUT}

35 05/10/2005PDP - UFRGS35 Experimentos em cluster de oito nodos gerenciado pelo Condor (SANCHES, J.A.L. 2004)