Avaliando eficiência energética em padrões de algoritmos para computação científica e de alto desempenho
Resumo
O desenvolvimento de novos algoritmos costuma concentrar-se na melhoria do desempenho, muitas vezes sem dar devida atenção ao impacto ambiental e ao custo energético decorrentes de sua execução. No entanto, esse tema tem recebido crescente atenção recentemente. Este trabalho tem como propósito demonstrar de maneira objetiva o consumo de energia de padrões de programação frequentemente encontrados em programas científicos que exigem alto poder de processamento. A medição do consumo de energia foi realizada por meio de software utilizando a interface RAPL, enquanto outras métricas de desempenho empregaram a contagem de operações executadas e o tempo decorrido. Foram conduzidos testes variando a quantidade de threads utilizadas, as opções de compilação, a quantidade de memória empregada e os processadores usados, com o objetivo de identificar os impactos que essas mudanças causam na eficiência energética. Os resultados evidenciam que a eficiência energética, geralmente, beneficia-se ao utilizar otimizações mais agressivas na compilação, sendo também diretamente influenciada pela escalabilidade do algoritmo.Referências
Anwar, M., Qadri, S., and Sattar, A. (2013). Green computing and energy consumption issues in the modern age. IOSR Journal of Computer Engineering, 12(6):91–98.
Brownlee, A. E., Adair, J., Haraldsson, S. O., and Jabbo, J. (2021). Exploring the accuracy – energy trade-off in machine learning. In 2021 IEEE/ACM International Workshop on Genetic Improvement (GI), pages 11–18.
Czarnul, P., Proficz, J., and Krzywaniak, A. (2019). Energy-aware high-performance computing: Survey of state-of-the-art tools, techniques, and environments. Scientific Programming, 2019:1–19.
D’Agostino, D., Merelli, I., Aldinucci, M., and Cesini, D. (2021). Hardware and software solutions for energy-efficient computing in scientific programming. Scientific Programming, 2021:1–9.
Hähnel, M., Döbel, B., Völp, M., and Härtig, H. (2012). Measuring energy consumption for short code paths using rapl. SIGMETRICS Perform. Eval. Rev., 40(3):13–17.
Malony, A. D. (2014). Stencil pattern. Disponível: [link]. Acesso: 04/01/2022.
Murugesan, S. and Gangadharan, G. R. (2012). Harnessing green it: Principles and practices. John Wiley & Sons, Inc.
Pandruvada, S. (2014). Running average power limit. Disponível: [link]. Acesso: 06/01/2022.
Paniego, J. M., Gallo, S., Pi Puig, M., Chichizola, F., De Giusti, L., and Balladini, J. (2018). Analysis of rapl energy prediction accuracy in a matrix multiplication application on shared memory. In De Giusti, A. E., editor, Computer Science – CACIC 2017, pages 37–46, Cham. Springer International Publishing.
Rotem, E., Naveh, A., Ananthakrishnan, A., Weissmann, E., and Rajwan, D. (2012). Power-management architecture of the intel microarchitecture code-named sandy bridge. IEEE Micro, 32(2):20–27.
Salama, M. (2020). Green computing, a contribution to save the environment. Disponível: [link]. Acesso: 06/01/2022.
Venkatesh, A., Kandalla, K., and Panda, D. K. (2013). Evaluation of energy characteristics of mpi communication primitives with rapl. In 2013 IEEE International Symposium on Parallel Distributed Processing, Workshops and Phd Forum, pages 938–945.
Voss, M., Asenjo, R., and Reinders, J. (2019). Mapping Parallel Patterns to TBB, pages 233–248. Apress, Berkeley, CA.
Brownlee, A. E., Adair, J., Haraldsson, S. O., and Jabbo, J. (2021). Exploring the accuracy – energy trade-off in machine learning. In 2021 IEEE/ACM International Workshop on Genetic Improvement (GI), pages 11–18.
Czarnul, P., Proficz, J., and Krzywaniak, A. (2019). Energy-aware high-performance computing: Survey of state-of-the-art tools, techniques, and environments. Scientific Programming, 2019:1–19.
D’Agostino, D., Merelli, I., Aldinucci, M., and Cesini, D. (2021). Hardware and software solutions for energy-efficient computing in scientific programming. Scientific Programming, 2021:1–9.
Hähnel, M., Döbel, B., Völp, M., and Härtig, H. (2012). Measuring energy consumption for short code paths using rapl. SIGMETRICS Perform. Eval. Rev., 40(3):13–17.
Malony, A. D. (2014). Stencil pattern. Disponível: [link]. Acesso: 04/01/2022.
Murugesan, S. and Gangadharan, G. R. (2012). Harnessing green it: Principles and practices. John Wiley & Sons, Inc.
Pandruvada, S. (2014). Running average power limit. Disponível: [link]. Acesso: 06/01/2022.
Paniego, J. M., Gallo, S., Pi Puig, M., Chichizola, F., De Giusti, L., and Balladini, J. (2018). Analysis of rapl energy prediction accuracy in a matrix multiplication application on shared memory. In De Giusti, A. E., editor, Computer Science – CACIC 2017, pages 37–46, Cham. Springer International Publishing.
Rotem, E., Naveh, A., Ananthakrishnan, A., Weissmann, E., and Rajwan, D. (2012). Power-management architecture of the intel microarchitecture code-named sandy bridge. IEEE Micro, 32(2):20–27.
Salama, M. (2020). Green computing, a contribution to save the environment. Disponível: [link]. Acesso: 06/01/2022.
Venkatesh, A., Kandalla, K., and Panda, D. K. (2013). Evaluation of energy characteristics of mpi communication primitives with rapl. In 2013 IEEE International Symposium on Parallel Distributed Processing, Workshops and Phd Forum, pages 938–945.
Voss, M., Asenjo, R., and Reinders, J. (2019). Mapping Parallel Patterns to TBB, pages 233–248. Apress, Berkeley, CA.
Publicado
17/10/2023
Como Citar
ANJOS, Paulo N. M. dos; FAZENDA, Alvaro L..
Avaliando eficiência energética em padrões de algoritmos para computação científica e de alto desempenho. In: WORKSHOP DE INICIAÇÃO CIENTÍFICA - SIMPÓSIO EM SISTEMAS COMPUTACIONAIS DE ALTO DESEMPENHO (SSCAD), 24. , 2023, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 49-56.
DOI: https://doi.org/10.5753/wscad_estendido.2023.235760.
