ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ОБЧИСЛЕНЬ У РОЗПОДІЛЕНИХ КОМП’ЮТЕРНИХ СИСТЕМАХ ЗА ДОПОМОГОЮ БІБЛІОТЕКИ MPI

Автор(и)

  • А.В. КАЛЮЖНЯК

DOI:

https://doi.org/10.32782/mathematical-modelling/2023-6-1-7

Ключові слова:

«маршируючі куби», розподілена пам’ять, MPI, R‑функції

Анотація

Розвиток обчислювальної техніки, яка характеризується збільшенням кількості даних і масивним різноманітним паралелізмом, висуває перед розробниками нові виклики. Традиційно, розроблення масштабованих програм виконується на обчислювальному ядрі, ігноруючи продуктивність моделювання. Для додатків із меншим виходом, ніж зараз, учені можуть архівувати результати моделювання для подальшої інтерпретації. Однак для програм екстремального масштабу вихідні дані часто містять занадто багато даних для зберігання в основній пам’яті або обмежені шириною смуги вводу-виводу. Отже, зараз існує потреба в розробленні масштабованих додатків, які включають моделювання, імітацію, аналіз і візуалізацію. Метою дослідження є розроблення паралельного розподіленого методу моделювання геометричних об’єктів із використанням функціонального підходу бібліотеки MPI. У статті подано опис роботи алгоритму «маршируючих кубів» у розподіленій системі, проаналізовано властивості і практичне застосування під час побудови об’єктів із використанням паралельного програмування бібліотеки MPI й OpenMP. Проаналізовано розроблення ефективного паралельного програмного компонента, який, окрім прямого рендерингу, дає змогу ефективно зберігати, будувати геометричні моделі й може водночас використовувати кілька пристроїв. Подано приклади побудови об’єктів у середовищі Qt Creator. Ці результати будуть корисними для теоретичних і практичних досліджень візуального представлення моделей із розподіленою пам’яттю. Моделі, побудовані за допомогою вдосконаленого алгоритму «маршируючих кубів», дають можливість розв’язати деякі завдання моделювання без великих витрат часу і прийняти належні рішення стосовно побудови об’єктів. Отже, побудова тривимірних об’єктів за допомогою функціонального підходу може бути більш ефективною завдяки використанню бібліотеки розподіленого підходу MPI.

Посилання

Incorporating long messages into the LogP model – one step closer towards a realistic model for parallel computation / A. Alexandrov et al. USA : Tech. Rep, 1995. Р. 206.

Flexible collective communication tuning architecture applied to Open MPI, PVM/MPI / G.E. Fagg et al. USA : Manning Publications, 2006. Р. 14.

Constructing a prior-dependent graph for data clustering and dimension reduction in the edge of AIoT, Future Gener / Т. Guo et al. Comput. Syst. 128. Kobe, 2022. Р. 381.

Predicting MPI collective communication performance using machine learning, in: 2020 IEEE International Conference on Cluster Computing (CLUSTER) / S. Hunold et al. Kobe, 2020. Р. 259.

On construction of sensors, edge, and cloud (iSEC) framework for smart system integration and applications / Е. Kristiani et al. IEEE Int. Things J. 2020. № 8(1). Р. 309.

Rico-Gallego J., Lastovetsky A.L., Martín J.C.D. Model-based estimation of the communication cost of hybrid data-parallel applications on heterogeneous clusters. IEEE Trans. Parallel Distrib. Syst. 2017. № 28(11). Р. 217.

##submission.downloads##

Опубліковано

2023-11-17