Analisando a Predição de Desempenho com os Modelos Analíticos Gerados pela Metodologia PEMPIs-Het
Resumo
Com o crescente uso da computação distribuída em ambientes heterogêneos, principalmente para processamento de alto desempenho, fica cada vez mais evidente a necessidade do desenvolvimento de metodologias e ferramentas específicas para análise, avaliação e predição de desempenho nestes ambientes. Embora existam vários trabalhos que propõem metodologias para este propósito, pouco ainda tem sido feito em ambientes heterogêneos. Motivados pela importância desta linha de pesquisa na computação de alto desempenho, desenvolvemos uma metodologia chamada PEMPIs-Het que faz uso de meta-modelos analíticos para modelar e estimar o desempenho de aplicações paralelas MPI em sistemas como clusters e grids computacionais. Neste artigo, avaliamos a aplicabilidade das técnicas que compõem a metodologia e a precisão das estratégias, tanto na predição de desempenho quanto na distribuição de cargas computacionais. Os resultados experimentais obtidos comprovaram a eficácia da modelagem e de sua aplicação na distribuição de carga em um estudo de caso realizado.
Referências
J. Cao, D. P. Spooner, S. A. Jarvis, S. Saini, and G. R. Nudd. Application performance prediction for the management and scheduling of clusters and grids. Technical Report Project Report, University of Warwick, United Kingdom, 2002.
M. E. Crovella. Performance prediction and tuning of parallel programs. PhD thesis, Rochester, NY, USA, 1994.
N. Drosinos and N. Koziris. The effect of process topology and load balancing on parallel programming models for smp clusters and iterative algorithms. J. Supercomput., 35(1):65– 91, 2006.
D. A. Grove and P. D. Coddington. Communication benchmarking and performance modelling of mpi programs on cluster computers. J. Supercomput., 34(2):201–217, 2005.
R. Jain. The Art of Computer Systems Performance Analysis. Wiley & sons, 1991.
J. M. Laine. Uma Metodologia para Desenvolvimento de Programas Paralelos Heterogêneos Eficientes. PhD thesis, Universidade de São Paulo, 2007. Em preparação.
J. M. Laine and E. T. Midorikawa. Using analytical models to load balancing in a heterogeneous network of computers. In MTPP’07 - Methods and Tools of Parallel Programming of Multicomputers, Pereslav’-Zalessky, Russia, 2007.
A. Lastovetsky and J. Twamley. Towards a realistic performance model for networks of heterogeneous computers. pages 39–58. Springer, 2005.
Message Passing Interface Forum. MPI: A Message Passing Interface. In Proceedings of Supercomputing ’93, pages 878–883. IEEE Computer Society Press, 1993.
E. T. Midorikawa, H. Oliveira, and J. M. Laine. Pempis: A new methodology for modeling and prediction of mpi programs performance. International Journal of Parallel Programming, 33(5):499–527, October 2005.
G. M. Petrov and J. Davis. Modeling of clusters by a molecular dynamics model using a fast tree method. The European Physical Journal D - Atomic, Molecular, Optical and Plasma Physics, 41(3):629–639, 2006.
D. Sánchez, E. M. Macías, and Á . Suárez. An application level load balancing mechanism for heterogeneous clusters programming. In Proceedings of the International Conference on Parallel and Distributed Processing Techniques and Applications (PDPTA’02), pages 872–878, june 2002.
J. M. Schopf and F. Berman. Performance prediction using intervals. Technical Report CS97-541, Department of Computer Science and Engineering, University of California San Diego, May 1997.
W.-C. Shih, C.-T. Yang, and S.-S. Tseng. A performancebased approach to dynamic workload distribution for master-slave applications on grid environments. In GPC, pages 73–82, 2006.
A. T. C. Tam and C.-L.Wang. Realistic communication model for parallel computing on cluster. In IWCC ’99: Proceedings of the 1st IEEE Computer Society International Workshop on Cluster Computing, page 92, Washington, DC, USA, 1999. IEEE Computer Society.
C.-T. Yang, W.-C. Shih, and S.-S. Tseng. A dynamic partitioning self-scheduling scheme for parallel loops on heterogeneous clusters. In International Conference on Computational Science (1), pages 810–813, 2006.
