Predicting the Performance of MPI Applications over Different Grid Architectures
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
في الوقت الحاضر خوارزميات التحسين عالية السرعة تكون مطلوبة. في معظم الحالات ، يحتاج الباحثــــــــون إلى طريقة للتنبؤ ببعض المعايير بدقة مقبولة لاستخدامها في خوارزمياتهم. ومع ذلك ، في مجال الحوسبة المتوازية يمكن اعتبار وقت التنفيذ من أهم المعايير. لذا، يعرض هذا البحث نموذجًا جديدًا للتنبؤ بالوقت للتنفيذ لتطبيقات المتوازيـــــة الموزعة المنفذه على العديد من سيناريوهات الشبكة. حيث يمتلك النموذج المقترح القدرة علـــــــــى التنبؤ بوقت تنفيذ التطبيقات المتوازية التي تعمل عبر أي تكوين للشبكة من حيث عدد العقد المختلفة وقوى الحوسبة الخاصة بها.
لقد تم تنفيذ التجارب على المحاكي سمكرد الذي يمتلك خاصية السهولة في بناء نماذج شبكية متعدد ومختلفة. نتائــج الاختبارات بين اوقات التنفيذ الاصلية والاوقات المتنبئة بينت دقة تجيربية جيده. معدل الخطأ النسبي بين وقت التنفيذ الاصلي والمتنبأ لثلاث برامج معيارية تكون هي 4.36٪، 5.79٪ و 6.81٪.
تفاصيل المقالة
كيفية الاقتباس
المراجع
V. Rajaraman and R. A. M. M. C. SIVA, Parallel Computers Architecture and Programming. PHI Learning Pvt. Ltd., 2016.
C.-Y. Chou, H.-Y. Chang, S.-T. Wang, K.-C. Huang, and C.-Y. Shen, “An improved model for predicting HPL performance,” in International Conference on Grid and Pervasive Computing, 2007, pp. 158–168.
Xu, Z., & Hwang, K.: Modeling communication overhead: MPI and MPL performance on the IBM SP2. IEEE Parallel & Distributed Technology, Systems & Applications, Vol. 4, No. 1, pp. 9-24, 1996.
B. Subramaniam and W. Feng, “Statistical power and performance modeling for optimizing the energy efficiency of scientific computing,” in Proceedings of the 2010 IEEE/ACM Int’l Conference on Green Computing and Communications & Int’l Conference on Cyber, Physical and Social Computing, 2010, pp. 139–146.
B. C. Lee, D. M. Brooks, B. R. de Supinski, M. Schulz, K. Singh, and S. A. McKee, “Methods of inference and learning for performance modeling of parallel applications,” in Proceedings of the 12th ACM SIGPLAN symposium on Principles and practice of parallel programming, 2007, pp. 249–258.
K. Singh, E. İpek, S. A. McKee, B. R. de Supinski, M. Schulz, and R. Caruana, “Predicting parallel application performance via machine learning approaches,” Concurr. Comput. Pract. Exp., vol. 19, no. 17, pp. 2219–2235, 2007.
B. J. Barnes, B. Rountree, D. K. Lowenthal, J. Reeves, B. De Supinski, and M. Schulz, “A regression-based approach to scalability prediction,” in Proceedings of the 22nd annual international conference on Supercomputing, 2008, pp. 368–377.
J. L. Hennessy and D. A. Patterson, Computer architecture: a quantitative approach. Elsevier, 2011.
B. Miegemolle and T. Monteil, “Hybrid Method to Predict Execution Time of Parallel Applications.,” in CSC, 2008, pp. 224–230.
A. Jayakumar, P. Murali, and S. Vadhiyar, “Matching application signatures for performance predictions using a single execution,” in 2015 IEEE International Parallel and Distributed Processing Symposium, 2015, pp. 1161–1170.
J. C. Charr, R. Couturier, A. Fanfakh, and A. Giersch, “Dynamic frequency scaling for energy consumption reduction in synchronous distributed applications,” in 2014 IEEE International Symposium on Parallel and Distributed Processing with Applications, 2014, pp. 225–230.
J.-C. Charr, R. Couturier, A. Fanfakh, and A. Giersch, “Energy consumption reduction with DVFS for message passing iterative applications on heterogeneous architectures,” in 2015 IEEE International Parallel and Distributed Processing Symposium Workshop, 2015, pp. 922–931.
A. Fanfakh, J.-C. Charr, R. Couturier, and A. Giersch, “Optimizing the energy consumption of message passing applications with iterations executed over grids,” J. Comput. Sci., vol. 17, pp. 562–575, 2016.
A. B. M. Fanfakhri, A. Y. Yousif, and E. Alwan, “Multi-objective Optimization of Grid Computing for Performance, Energy and Cost,” Kurdistan J. Appl. Res., vol. 2, no. 3, pp. 74–79, 2017.
A. Fanfakh, J.-C. Charr, R. Couturier, and A. Giersch, “CPUs Energy Consumption Reduction for Asynchronous Parallel Methods Running over Grids,” in 2016 IEEE Intl Conference on Computational Science and Engineering (CSE) and IEEE Intl Conference on Embedded and Ubiquitous Computing (EUC) and 15th Intl Symposium on Distributed Computing and Applications for Business Engineering (DCABES), 2016, pp. 205–212.
S. K. Idrees and A. B. M. Fanfakh, “Performance and Energy Consumption Prediction of Randomly Selected Nodes in Heterogeneous Cluster,” in International Conference on New Trends in Information and Communications Technology Applications, 2018, pp. 21–34.
H. Casanova, A. Legrand, and M. Quinson, “Simgrid: A generic framework for large-scale distributed experiments,” in Tenth International Conference on Computer Modeling and Simulation (uksim 2008), 2008, pp. 126–131.
N. A. S. P. Benchmarks and M. Versions, “NASA Advanced Supercomputing Division,” NASA Ames Res. Center, CA, USA, 2003.