Refinando e Balanceando o Particionamento de Aplicações Científicas baseadas em Tarefas em Plataformas Heterogêneas
Resumo
Aplicações científicas podem sofrer com o desbalanceamento de carga causada pelo seu próprio algoritmo, ou pelas plataformas computacionais heterogêneas. Abordagens com escalonamento dinâmico, como o paradigma orientado a tarefas, podem auxiliar na programação e na redução deste desbalanceamento. Este trabalho visa estudar estratégias, para /runtimes/ baseados em tarefas, para melhor balancear o particionamento destas aplicações.
Palavras-chave:
Algoritmos Paralelos e Distribuídos, Avaliação, Medição e Predição de Desempenho, Balanceamento de Carga para Sistemas de Alto Desempenho, Computação Heterogênea, Escalonamento e Balanceamento de Carga
Referências
Augonnet, C. et al. (2011). StarPU: A Unified Platform for Task Scheduling on Heterogeneous Multicore Architectures. Conc. Comp.: Pract. Exp., SI:EuroPar 2009, 23.
Beaumont, O. et al. (2019). Recent advances in matrix partitioning for parallel computing on heterogeneous platforms. IEEE Transactions on Parallel and Distributed Systems.
Dongarra, J. et al. (2017). With extreme computing, the rules have changed. Computing in Science Engineering, 19(3):52–62.
Inadomi, Y. et al. (2015). Analyzing and mitigating the impact of manufacturing variability in power-constrained supercomputing. In SC ’15: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis.
Pinto, V. G. et al. (2018). A visual performance analysis framework for task based parallel applications running on hybrid clusters. Conc. Comp.: Pract. Exp.
Tesser et al. (2017). Performance modeling of a geophysics application to accelerate over-decomposition parameter tuning through simulation. Conc. Comp.: Pract. Exp.
Beaumont, O. et al. (2019). Recent advances in matrix partitioning for parallel computing on heterogeneous platforms. IEEE Transactions on Parallel and Distributed Systems.
Dongarra, J. et al. (2017). With extreme computing, the rules have changed. Computing in Science Engineering, 19(3):52–62.
Inadomi, Y. et al. (2015). Analyzing and mitigating the impact of manufacturing variability in power-constrained supercomputing. In SC ’15: Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis.
Pinto, V. G. et al. (2018). A visual performance analysis framework for task based parallel applications running on hybrid clusters. Conc. Comp.: Pract. Exp.
Tesser et al. (2017). Performance modeling of a geophysics application to accelerate over-decomposition parameter tuning through simulation. Conc. Comp.: Pract. Exp.
Publicado
15/04/2020
Como Citar
NESI, Lucas; LEGRAND, Arnaud; SCHNORR, Lucas Mello.
Refinando e Balanceando o Particionamento de Aplicações Científicas baseadas em Tarefas em Plataformas Heterogêneas. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 20. , 2020, Santa Maria.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 137-138.
ISSN 2595-4164.
DOI: https://doi.org/10.5753/eradrs.2020.10775.
