TELP: Aplicações Paralelas em Ambientes de Passagem de Mensagens

Apresentação em tema: "TELP: Aplicações Paralelas em Ambientes de Passagem de Mensagens"— Transcrição da apresentação:

1 TELP: Aplicações Paralelas em Ambientes de Passagem de Mensagens
Introdução à Computação Paralela

2 Conceito de Processamento Paralelo
Divisão de uma determinada aplicação, de forma que esta possa ser executada por vários elementos de processamento, que deverão cooperar entre si (comunicação e sincronismo) (FOSTER et al., 2003), Ganho de eficiência por meio da quebra da execução seqüencial do fluxo de instruções da máquina de von Neumann (ALMASI & GOTTLIEB, 1994).

3 Histórico Em 1920, Vanevar Bush, do MIT (Massachussets Institute of Technology), apresentou um computador analógico que resolvia equações diferenciais em paralelo. Von Neumann, em seus artigos, por volta de 1940, também sugeriu utilizar paralelismo como forma de se resolver equações diferenciais. O surgimento do computador ILLIAC IV (supercomputador composto por 64 processadores), projeto iniciado na década de 60 e colocado em operação em 1972, na Universidade de Illinois, foi considerado o marco inicial do processamento paralelo (ROSE & NAVAUX, 2003).

4 Motivação pelo paralelismo
Basicamente: ganho de desempenho. Especificamente (ALMASI & GOTTLIEB, 1994): Restrições físicas à melhoria de desempenho de um único processador: velocidade da luz, as leis da Termodinâmica, a dimensão física dos componentes e o custo; O desenvolvimento tecnológico permitiu a construção de microprocessadores de alto desempenho, que agrupados, possibilitam um ganho significativo de poder computacional.

5 Motivação pelo paralelismo
Microprocessadores de alto desempenho possibilitam uma melhor relação custo/desempenho quando comparadas aos supercomputadores de custo extremamente alto; Agrupamento de microprocessadores em módulos permite a expansão do sistema através da inclusão de novos módulos; Maior facilidade em incorporar o conceito de tolerância à falhas devido à redundância de hardware.

6 Motivação pelo paralelismo

7 Motivação pelo paralelismo

8 Concorrência e Paralelismo
A concorrência existe quando dois ou mais processos iniciaram a sua execução e ainda não foram finalizados, sem que haja uma relação com o número de elementos de processamento utilizados. Quando existe apenas um elemento de processamento e vários processos estão sendo executados de maneira concorrente existe um pseudo-paralelismo ou paralelismo lógico

9 Concorrência e Paralelismo
e2 e2 e1 e2 t1 t tempo processos Paralelismo lógico: os processos estão supostamente sendo executados ao mesmo tempo há apenas o compartilhamento do elemento de processamento entre os processos em execução. em um determinado instante de tempo, apenas um processo está em execução

10 Concorrência e Paralelismo
t1 t tempo processos e3 e2 e1 Paralelismo físico: Quando se tem mais de um elemento de processamento e existem processos sendo executados ao mesmo tempo, há um paralelismo físico ou simplesmente paralelismo.

11 Granulosidade ou granularidade
A granulosidade (ou nível de paralelismo) representa o tamanho das tarefas submetidas aos processadores e pode ser classificada em fina, média e grossa (GRAMA et al., 2003). Este conceito está intimamente ligado ao tipo de máquina paralela em que o programa será executado.

12 Granulosidade Fina Indica que o paralelismo está sendo realizado em nível de operações ou instruções. Geralmente, requer um número maior de comunicação por parte das unidades de processamento. Desvantagem: alto custo de sincronização. Vantagem: uso de processadores mais simples. Os computadores multiprocessados são mais adequados a processos paralelos de granulosidade fina,

13 Granulosidade Média Indica o paralelismo obtido através da execução de blocos ou sub-rotinas do programa.

14 Granulosidade Grossa Relaciona o paralelismo em nível de processos.
Geralmente, requer um número menor de comunicação e sincronismo entre os processadores. Uso de processadores mais genéricos e complexos do que os destinados à execução de programas de granulosidade fina. Os multicomputadores executam melhor os processos paralelos com granulosidade de média a grossa (FOSTER, 1995).

15 Taxa de granulosidade G = P /C
Onde C e P se referem respectivamente aos tempos de comunicação e processamento local; G alto significa granulosidade grossa, isto é, muito processamento local e pouca comunicação.

16 Medidas de Desempenho Speed up: medida utilizada para determinar o aumento de velocidade obtido durante a execução de um programa (código paralelo) em p processadores, em relação à execução desse programa (código seqüencial) em um único processador. Sp = T1 / Tp Onde T1 é o tempo de execução em um processador e Tp é o tempo de execução em p processadores.

17 Medidas de Desempenho Speed up: caso ideal é quando Sp = p, isto é, o ganho de speed up tende a p, indicando que a velocidade de processamento é diretamente proporcional ao número de processadores. Dificuldades para a obtenção do caso ideal são: sobrecarga da comunicação entre processadores, partes do código executável estritamente seqüencial (que não podem ser paralelizadas) nível de paralelismo utilizado (devido à granulosidade ser inadequada ao tipo de arquitetura utilizada).

18 Medidas de Desempenho Speed up: Eventualmente Sp > p (superlinear) ocorre quando o tempo de execução de um programa seqüencial é bem superior ao tempo gasto pelo seu correspondente paralelo para solucionar um determinado problema. Fatores: limitações de hardware da máquina que executou o programa seqüencial má formulação do algoritmo seqüencial, deteriorando o tempo total de sua execução.

19 Medidas de Desempenho Eficiência (Ep): trata da relação entre o Speed up e o número de processadores. Ep = Sp / p  [0,1] A eficiência fornece o “quanto” os processadores estão sendo utilizados. O caso ideal é obtido quando Ep =1, indicando uma eficiência de 100%.

20 Medidas de Desempenho Lei de Amdahl (AMDAHL, 1967)
o Speed up sofre limitações devido aos trecho(s) não paralelizável(is) de um programa : Sp ≤ 1 / (T<f> + T<1–f> /p) f é a fração inerentemente seqüencial de um programa. (1-f) é a parte paralelizável de um programa. p é o número de processadores, sendo p > 1. Uma estimativa de ganho ideal: I = Ts / (T<f> + T<1–f> /p)

21 Medidas de Desempenho Toda solução paralela, em um dado momento, possui um ponto de saturação onde o speed up não apresenta mais ganhos significativos e a eficiência cai. O programa paralelo não atende mais de maneira satisfatória à escalabilidade da máquina paralela. Tanto o speed up e quanto a eficiência continuam a cair com o incremento de p.

22 Arquiteturas Paralelas
Classificação de Flynn O processo computacional deve ser visto como um fluxo de instruções executando sobre um fluxo de dados (FOSTER et al., 2003). A classificação de Flynn acomoda as arquiteturas em quatro classes de máquinas: SISD, SIMD, MISD e MIMD.

23 Arquiteturas Paralelas
SISD - Single Instruction Stream / Single Data Stream Fluxo único de instruções / Fluxo único de dados: corresponde ao tradicional modelo de Von Neumann (apenas um processador). Um processador executa seqüencialmente um conjunto de instruções sobre um conjunto de dados

24 Arquiteturas Paralelas
SISD

25 Arquiteturas Paralelas
SIMD - Single Instruction Stream / Multiple Data Stream Fluxo único de instruções / Fluxo múltiplo de dados: envolve múltiplos processadores executando simultaneamente a mesma instrução em diversos conjuntos de dados. Exemplos: as máquinas paralelas com processadores Array como CM-2 e MasPar (ROSE & NAVAUX, 2003).

26 Arquiteturas Paralelas
SIMD

27 Arquiteturas Paralelas
MISD - Multiple Instruction Stream / Single Data Stream Fluxo múltiplo de instruções / Fluxo único de dados: envolve múltiplos processadores executando diferentes instruções em um único conjunto de dados. Nenhuma arquitetura é classificada como MISD, mas alguns autores consideram o pipeline como um representante dessa categoria.

28 Arquiteturas Paralelas
MISD

29 Arquiteturas Paralelas
Pipeline: Implementa um paralelismo temporal, caracterizado quando existe a execução de eventos sobrepostos no tempo. A tarefa que será executada é dividida em sub-tarefas, cada uma destas sendo executada por um estágio de hardware especializado que trabalha de maneira concorrente com os demais estágios envolvidos na computação (PATTERSON & HENNESSY, 2000).

30 Arquiteturas Paralelas
Pipeline:

31 Arquiteturas Paralelas
MIMD - Multiple Instruction Stream / Multiple Data Stream Fluxo múltiplo de instruções / Fluxo múltiplo de dados: envolve múltiplos processadores executando diferentes instruções em diferentes conjuntos de dados, A interação entre os processadores é feita pela memória. Cada processador executa o seu próprio programa sobre seus próprios dados de forma assíncrona. O princípio MIMD é bastante genérico, daí cabe ainda uma subdivisão, de acordo com o tipo de acesso à memória.

32 Arquiteturas Paralelas
MIMD

33 Arquiteturas Paralelas
MIMD: Máquinas com memória compartilhada são conhecidas como multiprocessadores ou sistemas fortemente acoplados, Máquinas que possuem memória não compartilhada (distribuída) são ditas multicomputadores ou sistemas fracamente acoplados.

34 Compartilhamento de Memória
Multiprocessadores Acesso Uniforme à Memória (UMA - Uniform Memory Access): a memória é centralizada e encontra-se à mesma distância de todos os processadores. A latência de acesso à memória é igual para todos os processadores do sistema.

35 Compartilhamento de Memória
UMA: Rede de Interconexão Memória P

36 Compartilhamento de Memória
Multiprocessadores Acesso Não Uniforme à Memória (NUMA - Non-Uniform Memory Access): a memória é organizada em módulos que são associados, de um para um, aos processadores. O espaço de endereçamento é único e cada processador pode endereçar toda a memória do sistema. A latência de acesso à memória depende se o endereço, gerado por um processador, encontra-se no módulo de memória diretamente ligado a ele ou não. Um processador deve utilizar a rede de interconexão para acessar informações mantidas em outros módulos de memória.

37 Compartilhamento de Memória
Rede de Interconexão M espaço de endereçamento NUMA:

38 Compartilhamento de Memória
Multiprocessadores NUMA: Acesso Não Uniforme à Memória Sem Consistência de Cache NCC-NUMA – Non-Cache-Coherent Non-Uniform Memory Access Acesso Não Uniforme à Memória Com Consistência de Cache CC-NUMA – Cache-Coherent Non-Uniform Memory Access Acesso Não Uniforme à Memória Com Consistência de Cache em Software SC-NUMA – Software-Coherent Non-Uniform Memory Access DSM (Distributed Shared Memory)

39 Compartilhamento de Memória
Multiprocessadores NUMA: Arquiteturas de Memória Somente com Cache COMA - Cache-only Memory Architecture Todas as memórias locais são estruturadas como memória cache e são chamadas de COMA caches. As COMA caches têm muito mais capacidade que uma cache tradicional. A memória principal é composta pelas COMA caches, sendo que as gerências de caches e de memória ficam a cargo de um hardware de suporte, implementado somente nesse tipo de máquina. Essa complexidade faz com que essa estrutura seja mais cara de implementar que demais máquinas NUMA.

40 Compartilhamento de Memória
Rede de Interconexão M COMA

41 Compartilhamento de Memória
Multicomputadores Sem Acesso a Variáveis Remotas NORMA - Non-Remote Memory Access Cada processador possui sua própria memória local, à qual apenas ele tem acesso direto. As memórias dos outros processadores são consideradas remotas e possuem espaços de endereçamento distintos. Como não é possível o uso de variáveis compartilhadas nesse ambiente, a comunicação com outros processos é realizada através de troca de mensagens via rede de interconexão. A diferença básica entre as máquinas NORMA e as demais (UMA, NUMA e COMA) é que na primeira há uma replicação de toda a arquitetura convencional (processador, memória e I/O) para formar uma máquina paralela, e não apenas do componente processador como nos multiprocessadores.

42 Compartilhamento de Memória
NORMA Rede de Interconexão P M

43 Compartilhamento de Memória