Algorithmes Parallèles et Systèmes Réparties

Présentation au sujet: "Algorithmes Parallèles et Systèmes Réparties"— Transcription de la présentation:

1 Algorithmes Parallèles et Systèmes Réparties
Frédéric Gava (MCF) LACL, bâtiment P2 du CMC, bureau 221 Université de Paris XII Val-de-Marne 61 avenue du Général de Gaulle 94010 Créteil cedex

2 Différents modèles de programmation

3 Modèles de programmation
Modèles de programmation et modèles d’exécution d’exécution Ordonnancement et placement

4 Modèles de programmation
D’exécution, une abstraction de l’architecture matérielle mémoire partagée vs mémoire distribuée SIMD/MIMD De programmation, une abstraction de la sources du parallélisme : données/contrôle

5 Modèles de prog : Djikstra/Flynn
Parallélisme de contrôle Composition parallèle de processus séquentiels PAR(SEQ) MIMD pardo i = 1, n a(i) = b(i) +c(i) x(i) = y(i) + z(i) end do Parallélisme de données Composition séquentielle de processus parallèles SEQ(PAR) SIMD forall(||) i = 1, n a(i) = b(i) +c(i) x(i) = y(i) + z(i)

6 Modèles d’exécution Espaces d’adressage multiples
p
processus Communiquent par messagerie Le programmeur ou le compilateur doit définir le placement des données et l’ordonnancement des calculs Le placement des données peut définir celui des calculs Espaces d’adressage unique p
threads Communiquent à travers des variables partagées Le programmeur ou le compilateur doit définir le placement et l’ordonnancement des calculs

7 Ordonnancement Programme = Graphe de tâches
Une tâche est une unité de traitement séquentiel Un arc (T1, T2) correspond à un transfert d’information à la fin de T2 vers le début de T1 Un graphe de tâches sans cycle définit un ordre partiel T1 << T2 s’il existe un chemin de T1 vers T2 Ordre total : programme séquentiel Ordre partiel : programme parallélisable

8 Ordonnancement et modèle de programmation
La définition de l’ordonnancement peut être : Réalisée dans un programme parallèle Extraite automatiquement d’une spécification plus ou moins contrainte : parallélisation automatique L’expression de l’ordonnancement dans les langages parallèles : Par structures de contrôle : SEQ(PAR) Par synchronisation : PAR(SEQ) Placement : L’ordonnancement ne prend pas en compte le nombre de processeurs disponibles Le placement replie le parallélisme illimité sur les ressources réelles Contrainte : minimisation des surcoûts Parallélisation = placement + ordonnancement

9

10 Placement statique Off-line, éventuellement paramétré par le nombre de processus et le numéro de processus Les temps de calcul doivent être connus : Cas régulier : Bloc, cyclique, cyclique (k), … Cas irrégulier : ad hoc (p. ex. bisection récursive)

11 Décalage, distribution bloc

12 Bisection récursive Les éléments de calcul sont caractérisés
par une donnée nD souvent une position spatiale Applicable aussi à un maillage

13 Placement et ordonnancement dynamique
Motivation: La durée des calculs n’est pas prévisible La puissance des machines n’est pas connue Placement/ordonnancement on-line : décidé à l’exécution Questions : Surcoûts : gestion des processus ou des threads, des échanges d’information Robustesse à l’irrégularité des temps d’exécution

14 Placement et ordonnancement dynamique
Centralisé: Maître-Esclave Maître : Implémente un algorithme de partitionnement, par exemple bloc, avec possibilité de taille variable du bloc Taille fixe : équivalent à statique Guided self-scheduling: chaque esclave prend 1/p de ce qui reste Factoring: chaque esclave prend 1/P de la moitié du batch restant Effectue les opérations globales par exemple réduction p esclaves : Exécutent un bloc, et redemandent du travail dès que terminé

15 Placement et ordonnancement dynamique
Répartition par vol de travail Un processus pousse sur la pile des travaux en attente les tâches les plus longues Les processus ou threads inactifs sélectionnent un autre processus auquel ils prennent du travail au fond de la pile Peut être prouvé optimal pour une large classe d’applications Implémentation délicate : gestion de verrous en espace d’adressage unique, protocole en espaces d’adressages multiples

16 Analyse de performances

17 Suite du cours ...

18 Parallelisation Automatique

19 Introduction Méthodes systématiques et automatisables
Analyse d’un programme séquentiel, fonctionnel, parallèle Pour la définition d’un ordonnancement compatible avec la sémantique du programme Exprimable dans une syntaxe parallèle Aide à la parallélisation manuelle. Les paralléliseurs automatiques et leurs limites Reférence : Randy Allen and Ken Kennedy. Optimizing compilers for modern architectures. Morgan Kaufmann Mais les aspects avancés (“méthodes polyédriques”) ne sont pas traités.

20 Nids de boucles Boucles et séquences :
pas de conditionnelles, ni de procédures Instruction : occurrence textuelle Opération, occurrence dynamique. Ex : A(1, 3, 2)= ...

21 Méthodologie Programme de départ : Grain très fin
Vectorisation SIMD Machines parallèles si grands vecteurs Grain moyen : transcription directe en espace d’adressage unique

22 Dépendances Soient s et t deux opérations d'un programme P.
Collision : s et t sont en collision si s et t accèdent au même emplacement mémoire et l’une au moins écrit. Dépendance : il existe une dépendance de s vers t si s et t sont en collision ET s avant t dans l’exécution de P Notation : s -> t L’ensemble des dépendances définit le graphe de dépendances développé du programme Typologie : Dépendance de flot (RAW) ; s écrit, t lit Anti-dépendance (WAR) ; s lit, t écrit Dépendance de sortie (WAW) ; s et t écrivent

23 Repères d’instructions et prédicat de séquencement
Repère d’instruction : décrit une opération dans un nid de boucles (nom_inst, i1, i2, …, in) où i1, i2, …, in sont les indices des boucles qui englobent l’instruction Prédicat de séquencement : s, t deux instructions englobées dans n boucles L’ ordre d’exécution des opérations est (s, i1, i2, …, in) << (t, i’1, i’2, …, i’n) ssi (i1, i2, …, in) < (i’1, i’2, …, i’n) dans l’ordre lexicographique OU (i1, i2, …, in)=(i’1, i’2, …, i’n) et s avant t dans l’ordre syntaxique de P

24 Niveau des dépendances et GDR
La dépendance (s, i1, i2, …, in) -> (t, i’1, i’2, …, i’n) est de niveau k si k est le premier indice tel que ik < i’k (inter-itération ; loop carried dependency) est de niveau inf si (i1, i2, …, in) = (i’1, i’2, …, i’n) (intra-itération ; loop-independent dependency) Graphe de dépendance réduit (GDR) Multi-graphe Noeuds = instructions (statiques) Arcs = dépendances étiquetées par leur niveau

25 Exemple for (i=1;i<=N;i++) for (j=1;j<=N;j++)
a(i+j) = a(i+j-1)+1; Avec flèches pleines=flot sinon=anti/sortie

26 Suite for (i=2;i<=N;i++) { S1: s(i) = 0; for (j=1;j<i-1;j++)
S2: s(i) = s(i)+a(j,i)*b(j); S3: b(i) = b(i)-s(i); } Avec a=anti o=sortie f=flot

27 Equivalence Deux programmes sont équivalents s’ils produisent le même résultat Transformation Ré-ordonnancement, ré-indexation, parallélisation,… Les instances dynamiques ne changent pas : pas d’instructions ajoutées ou supprimées La structure de contrôle et les indices peuvent changer « Proposition » Une transformation d’un programme P qui préserve le graphe de dépendances développé fournit un programme équivalent à P

28 Distribution de boucles

29 Autres transformations
Échange de boucles But : Modifier la granularité du parallélisme Moyen : Modifier le parcours de l’espace d’itération pour faire apparaître du parallélisme Torsion de boucles (Loop skewing) But : faire apparaître du parallélisme. Agrégation de boucles But : diminuer le surcoût de synchronisation Transformations du code séquentiel But : faire apparaître du parallélisme Etc.

30 Exemples Fusion de boucles forall(i=1;i<=N;i++) D[i]=E[i]+F[i];
DONNE : forall(i=1;i<=N;i++) D[i]=E[i]+F[i]; E[i]=D[i]*F[i]; forall(i=1;i<=N*N;i++) for(j=2;j<=M;j++) A[1:N,j]=A[1:N,j-1]+1; Fusion de boucles forall(i=1;i<=N;i++) D[i]=E[i]+F[i]; forall(j=1;j<=N;j++) E[j]=D[j]*F[j]; Composition de boucles forall(k=1;k<=N;k++) Échange de boucles for(i=1;i<=N;i++) for(j=2;j<=M;j++) A[i,j]=A[i,j-1]+1;

31 Exemples Déroulement de boucle for (i=1;i<=100;i++)
DONNE : for (i=1;i<=99;i=i+2) A[i]=B[i+2]*C[i-1]; A[i+1]=B[i+3]*C[i]; for(k=2;k<=N;k++) forall(l=2-k;l<=k-2;l+=2) a[(k-l)/2][(k+l)/2] = a[(k-l)/2- 1][(k+l)/2]+a[(k-l)/2][(k+l)/2-1]; for(k=1;k<=N;k++) forall(l=k-N;l<=N-k;l+=2) Déroulement de boucle for (i=1;i<=100;i++) A[i]=B[i+2]*C[i-1]; Rotation de boucle [skewing] for (i=1;i<=N;i++) for (j=1;j<=N;j++) a[i,j]=(a[i-1,j]+a[i,j-1])/2;

32 Exemple : décomposition LU
Soit donc à résoudre le système triangulaire supérieur : Ux=b pour i=n-1, n-2,…, 1 x[n]=b[n]/U[n,n] ; for(i=n-1;i>=1;i--) x[i]=0; for(j=i+1;j<=n;j++) L:x[i]=x[i]+U[i,j]*x[j]; x[i]=(b[i]-x[i])/U[i,i]; Il est à noter qu'il y a aussi des anti-dépendances des itérations (i,j) vers (i-1,j) Graphe de dépendances En faisant une rotation et une distribution de boucles H':forall(i=1;i<=n-1;i++) x[i]=b[i]; T': x[n]=b[n]/U[n,n]; H: for(t=1;t<=n-1;t++) forall(i=1;i<=n-t;i++) L:x[i]=x[i]-x[n-t+1]*U[i],n-t+1]; T:x[n-t]=x[n-t]/U[n-t,n-t];

33 « Contre-exemple » Préfixe parallèle

34 Algo d'Allen et Kennedy Commencer avec k=1
Le principe est de remplacer certaines boucles for par des boucles forall (avec distribution de boucles pour limiter les dépendances) Commencer avec k=1 Supprimer dans le GDRN G toutes les arêtes de niveau inférieur à k Calculer les Composantes Fortement Connexes (CFC) de G Pour tout CFC C dans l'ordre topologique : Si C est réduit à une seule instruction S sans arête, alors générer des boucles parallèles dans toutes les dimensions restantes (i.e. niveaux k à nS) et générer le code pour S Sinon, l=l_min(C), et générer des boucles parallèles du niveau k au niveau l-1, et une boucle séquentielle pour le niveau l. Puis reboucler l'algorithme avec C et k=l+1

35 Illustration for(i=1;i<=N;i++) for(j=1;j<=N;i++) { S1: a(i+1,j+1) = a(i+1,j)+b(i,j+2); S2: b(i+1,j) = a(i+1,j-1)+b(i,j-1); S3: a(i,j+2) = b(i+1,j+1)-1; } Ce GDRN est fortement connexe et a des dépendances de niveau 1. La boucle sur i sera donc séquentielle. On enlève maintenant les dépendances de niveau 1

36 Illustration for(i=1;i<=N;i++) { for(j=1;j<=N;j++)
S1: a(i+1,j+1) = a(i+1,j)+b(i,j+2); forall(j=1;j<=N;j++) S3: a(i,j+2) = b(i+1,j+1)-1; S2: b(i+1,j) = a(i+1,j-1)+b(i,j-1); }