Нейросетевой метод решения задачи мэппинга параллельных приложений

Нина Николаевна Попова, Михаил Владимирович Козлов, Михаил Витальевич Шубин

Аннотация


Статья посвящена проблеме повышения эффективности параллельных приложений. В статье предлагается подход к решению проблемы, основанный на сокращении накладных расходов, связанных с передачей данных между процессами параллельной программы во время ее выполнения на высокопроизводительной вычислительной системе. С ростом числа процессорных узлов расходы на передачу сообщений между узлами оказывают все большее влияние на производительность параллельных приложений. В связи с этим становится особо актуальной задача размещения процессов параллельной программы по вычислительным узлам суперкомпьютера, известная, как задача мэппинга. В работе предлагается новый подход к решению задачи мэппинга. Ключевой особенностью подхода является выбор коммуникационного шаблона путем фазового анализа приложения и использование сверточной нейронной сети для быстрого выбора подходящего алгоритма мэппинга, исходя из построенного коммуникационного шаблона.

Для построения коммуникационных шаблонов проводится анализ поведения приложения с точки зрения передачи сообщений точка-точка между процессами параллельной программы. Временная шкала событий передачи сообщений разбивается на равные промежутки, для каждого из которых строится коммуникационных шаблон. К построенным шаблонам применяется двумерное вейвлет-преобразование Хаара для выделения признаков. Затем проводится кластеризация признаков и построение фаз во временной шкале работы приложения. Для каждой фазы строится коммуникационный шаблон, соответствующий этой фазе.

Выбор подходящего алгоритма мэппинга проводится с помощью сверточной нейронной сети. Использование нейронной сети предполагает знание о свойствах коммуникационного поведения различных типов приложений и подходящих для этих типов алгоритмов мэппинга. Эти знания должны быть представлены в виде набора классов коммуникационных шаблонов (матриц) с известным для каждого класса наилучшим алгоритмом мэппинга. Нейронная сеть обучается на данном наборе классов. Обученная сеть решает задачу классификации входного коммуникационного шаблона, выбирая наиболее подходящий алгоритм мэппинга для данного параллельного приложения.

В статье представлена реализация отдельных этапов метода, и продемонстрирована их работа на тестовых примерах.


Ключевые слова


суперкомпьютер; мэппинг; коммуникационный шаблон; сверточная нейронная сеть

Полный текст:

PDF

Литература


TOP500 List. Available at: https://www.top500.org/ (accessed: 10.04.2019).

Hoefler T., Snir M. Generic topology mapping strategies for large-scale parallel architectures. Proceedings of the international conference on Supercomputing (ICS ’11) (Tucson, Arizona, USA, May, 31–June, 04, 2011). ACM, 2011. P. 75–84. DOI: 10.1145/1995896.1995909.

Sreepathi S., D’Azevedo E., Philip B., Worley P. Communication Characterization and Optimization of Applications Using Topology-Aware Task Mapping on Large Supercomputers. Proceedings of the 7th ACM/SPEC on International Conference on Performance Engineering (ICPE ’16) (Delft, The Netherlands, March, 12–16, 2016). ACM, 2016. P. 225–236. DOI: 10.1145/2851553.2851575.

Wu J., Xiong X., Lan Z. Hierarchical task mapping for parallel applications on supercomputers. The Journal of Supercomputing. 2015. Vol. 71, no. 5. P. 1776–1802. DOI: 10.1007/s11227-014-1324-5.

Hoefler T., Jeannot E., Mercier G. An overview of topology mapping algorithms and techniques in high-performance computing. High-Performance Computing on Complex Environment. 2014. P. 75–94. DOI: 10.1002/9781118711897.ch5.

Shubin M.V., Popova N.N. Study of the behavior of parallel MPI-programs based on phases of interprocess communication. Russian Supercomputing Days: Proceedings of the international conference (Moscow, Russia, September, 24–25, 2018). Moscow, Moscow State University, 2018. P. 662–672. (in Russian)

Jacobs C., Finkelstein A., Salesin D. Fast multiresolution image querying. Proceedings of the 22nd annual conference on Computer graphics and interactive techniques (SIGGRAPH ’95) (Los Angeles, CA, August, 1995). ACM, 1995. P. 277–286. DOI: 10.1145/218380.218454.

Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556. Available at: https://arxiv.org/abs/1409.1556 (accessed: 10.04.2019).

Keras Documentation. Available at: https://keras.io/ (accessed: 10.04.2019).

NAS Parallel Benchmarks. Available at: https://www.nas.nasa.gov/publications/npb.html (accessed: 10.04.2019).

Asanovic K., Bodik R., Catanzaro B., Gebis J., Husbands P., Keutzer K., Patterson D., Plishker W., Shalf J., Williams S., Yelick K. A View of the Parallel Computing Landscape. Communications of the ACM. 2009. Vol. 52, no. 10. P. 56–67. DOI: 10.1145/1562764.1562783.




DOI: http://dx.doi.org/10.14529/cmse200103