Современные информационные технологии/3. Программное обеспечение

Ерёмин Д.И. Ягфарова Н.И.

Институт космической техники и технологий. Алматы. Казахстан

Особенности построения локальной вычислительной сети в кластере GPU

Стремительное развитие вычислительной техники и информационно-телекоммуникационных систем, увеличение пропускной способности каналов передачи данных и ёмкости запоминающих устройств привели к тому, что достигли внушительных размеров объёмы хранимой и передаваемой информации внутри вычислительных систем. Широкое распространение и применение на сегодняшний день находят корпоративные информационные системы и сети (крупные объединения, компании, сети банков), и в сложившихся условиях важнейшей задачей является оптимальное использование вычислительных ресурсов внутри системы. Решение этих задач должно обеспечить выбор оптимального варианта построения системы, эффективное распределение вычислительных ресурсов и задач по обработке данных между клиентами и серверами, снижающее затраты и повышающее качество организации вычислительного процесса. При этом должны учитываться: степень приспособленности серверов к обработке запросов, способы распределения данных в базах данных (централизованный, расчлененный, дублирования, смешанный), организация подключения клиентов к серверам (непосредственно через концентраторы, коммутаторы, ЛВС).

Современное программирование является тенденцией к распределению вычислений между несколькими, в общем случае различными компьютерами вычислительной сети. Существующие стандартные технологии распараллеливания программ, такие как MPI (Message Passing Interface - интерфейс передачи сообщений) и OpenMP (Open Multi-Processing - открытый стандарт для распараллеливания программ), ориентированы на разбиение вычислительной задачи на более мелкие процессы. Как правило, это разбиение осуществляется вручную при разработке или модернизации программного обеспечения. В то же время технологии объединения готовых вычислительных блоков в более крупные распределенные системы практически отсутствуют.

Новый подход к организации распределенных вычислений отличается от традиционного тем, что речь идет об использовании инновационных технологий для ускорения процесса вычислений при использовании минимального количества вычислительных машин. Решением может стать серверная система с GPU (Graphics processing unit - графический процессор) кластером. Кластер GPU это компьютерный кластер, в котором каждый узел оснащен графическим процессором. Путем использования вычислительной мощности современных графических процессоров расчеты могут быть выполнены очень быстро.

Между архитектурами CPU (central processing unit – центральное процессорное устройство) и GPU существуют некоторые основные различия (рисунок 1). [1]. Ядра CPU созданы для исполнения одного потока последовательных инструкций с максимальной производительностью, а GPU для быстрого исполнения большого числа параллельно выполняемых потоков инструкций. Универсальные процессоры оптимизированы для достижения высокой производительности единственного потока команд, обрабатывающего и целые числа и числа с плавающей точкой.

В итоге, основой для эффективного использования мощи GPU в неграфических расчётах является распараллеливание алгоритмов на сотни исполнительных блоков, имеющихся в видеокартах. К примеру, множество приложений по молекулярному моделированию отлично приспособлено для расчётов на видеокартах, они требуют больших вычислительных мощностей и поэтому удобны для параллельных вычислений. А использование нескольких GPU даёт ещё больше вычислительных мощностей для решения подобных задач.

Рисунок 1 – Сравнение архитектур CPU и GPU

Выполнение расчётов на GPU показывает отличные результаты в алгоритмах, использующих параллельную обработку данных. К примеру, когда одну и ту же последовательность математических операций применяют к большому объёму данных. При этом лучшие результаты достигаются, если отношение числа арифметических инструкций к числу обращений к памяти достаточно велико. Это предъявляет меньшие требования к управлению исполнением программы, а высокая плотность математики и большой объём данных отменяет необходимость в больших промежуточных буферах памяти, как на CPU.

Литература:

1. Введение в гетерогенные вычисления. Отличия архитектур CPU и GPU 2009 // Интернет ресурс: http://edu.chpc.ru/cuda/mainch1.html#mainse2.html