Uma Plataforma de Rede Definida por Software para Ambientes Convergentes de Computação Paralela

  • Alexandre Tavares de Oliveira Universidade Federal de Juiz de Fora
  • Alex Borges Vieira Universidade Federal de Juiz de Fora
  • Antonio Tadeu Azevedo Gomes LNCC
  • Artur Ziviani LNCC

Resumo


O crescimento no volume dos dados tem revolucionado os negócios e a ciência ao mesmo tempo que demanda capacidade cada vez maior dos recursos computacionais. As plataformas de computação de alto desempenho (HPC), tradicionalmente empregadas em simulações numéricas massivamente paralelas, oferecem capacidade computacional que pode ser aproveitada na análise de Big Data. No entanto, a convergência de Big Data e HPC deve ser examinada sob vários aspectos; em particular, a infraestrutura de rede precisa ajustar-se a demandas de aplicações bem distintas. O modelo de rede definida por software (SDN) pode favorecer essa convergência, graças à sua visão global da rede e sua programabilidade. Nesse contexto, apresentamos uma plataforma SDN capaz de suprir, de forma convergente, os requisitos de aplicações Big Data e HPC. A plataforma aplica mecanismos de roteamento mais adequados a cada perfil de tráfego, permitindo assim a redução no tempo de execução de aplicações. Demonstramos por meio de simulações a viabilidade de nossa plataforma, ao reduzir o tempo de execução de aplicações reais MPI em cenários específicos em até 11% e Hadoop em até 6%.

Palavras-chave: Computação de alto desempenho, Redes Definidas por Software, Big Data

Referências

Alsmadi, I., Khamaiseh, S., and Xu, D. (2016). Network parallelization in HPC clusters. In Proc. of the IEEE CSCI.
Bhatia, S., Sinha, Y., Chalapathi, G., and Kumar, R. (2017). MPI aware routing using SDN. Poster Presented at the 26th HPDC.

Fox, G., Qiu, J., Jha, S., Ekanayake, S., and Kamburugamuve, S. (2015). Big Data, simulations and HPC convergence. In Big Data Benchmarking, pages 3–17. Springer.

Kreutz, D., Ramos, F., Ver´ıssimo, P., Rothenberg, C., Azodolmolky, S., and Uhlig, S. (2015). Software-defined networking: A comprehensive survey. Proc. of the IEEE, 103(1):14–76.

Liang, F. and Lau, F. (2016). BAShuffler: Maximizing network bandwidth utilization in the shuffle of YARN. In Proc. of the ACM HPDC, pages 281–284.

LNCC (2018). Configurac¸ ão do SDumont. https://sdumont.lncc.br/ machine.php?pg=machine#. Accessed: December, 2018.

Mattson, T., Sanders, B., and Massingill, B. (2004). Patterns for Parallel Programming. Pearson Education.
McKeown, N., Anderson, T., Balakrishnan, H., Parulkar, G., Peterson, L., Rexford, J., Shenker, S., and Turner, J. (2008). OpenFlow: Enabling innovation in campus networks. ACM SIGCOMM Computer Communication Review, 38(2):69–74.

Mellanox (2015). SX6536 Product Brief. http://www.mellanox.com/ related-docs/prod_ib_switch_systems/PB_SX6536.pdf. Accessed: December, 2018.

Narayan, S., Bailey, S., and Daga, A. (2012). Hadoop acceleration in an OpenFlow-based cluster. In Proc. of the IEEE SCC.

Neves, M., De Rose, C., and Katrinis, K. (2015). MRemu: An emulation-based framework for datacenter network experimentation using realistic MapReduce traffic. In IEEE MASCOTS, pages 174–177.

Oliveira, A., Vieira, A., Gomes, A., and Ziviani, A. (2018). An´alise de desempenho de rede para aplicac¸ ˜oes MPI em infraestruturas SDNs convergentes para HPC e Big Data. In Proc. of the WSCAD, pages 397–408. SBC.

ORNL (2018). SUMMIT – Oak Ridge National Laboratory’s next High Performance Supercomputer. https://www.olcf.ornl.gov/olcf-resources/ compute-systems/summit/. Accessed: December, 2018.

Peuster, M., Karl, H., and Van Rossem, S. (2016). MeDICINE: Rapid prototyping of production-ready network services in multi-PoP environments. IEEE NFV-SDN.

Ponce, L., Santos, W., Meira-Jr, W., and Guedes, D. (2018). Extensão de um ambiente de computac¸ ão de alto desempenho para o processamento de dados massivos. In Proc. of the SBRC.

Porto, F. (2017). Algoritmos e modelos de programação em Big Data XXXVI Jornada de Atualização em Inform´atica (JAI). In Proc. of the SBC Congress.

Qiao, Y., Wang, X., Fang, G., and Lee, B. (2016). Doopnet: An emulator for network performance analysis of Hadoop clusters using Docker and Mininet. In IEEE ISCC, pages 784–790.

Qin, P., Dai, B., Huang, B., and Xu, G. (2015). Bandwidth-aware scheduling with SDN in Hadoop: A new trend for Big Data. IEEE Systems Journal.

Takahashi, K., Date, S., Khureltulga, D., Kido, Y., Yamanaka, H., Kawai, E., and Shimojo, S. (2018). Unisonflow: A software-defined coordination mechanism for message-passing communication and computation. IEEE Access, 6:23372–23382.

Trois, C., Bona, L., Del Fabro, M., Martinello, M., Bidkar, S., Nejabati, R., and Simeonidou, D. (2017). Softening up the network for scientific applications. In 2017 25th Euromicro International Conference on PDP, pages 108–115. IEEE.

Webb, K., Snoeren, A., and Yocum, K. (2011). Topology switching for data center networks. Hot-ICE, 11.
Publicado
27/08/2019
Como Citar

Selecione um Formato
OLIVEIRA, Alexandre Tavares de; VIEIRA, Alex Borges; GOMES, Antonio Tadeu Azevedo; ZIVIANI, Artur . Uma Plataforma de Rede Definida por Software para Ambientes Convergentes de Computação Paralela. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 37. , 2019, Gramado. Anais do XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. Porto Alegre: Sociedade Brasileira de Computação, aug. 2019 . p. 986-999. ISSN 2177-9384. DOI: https://doi.org/10.5753/sbrc.2019.7417.