Inleiding tot parallelle programmeertechnologieën (MPI). Groepen en communicatoren. Aangepaste wereldwijde operaties

Het starten van een MPI-applicatie op een computercluster is alleen mogelijk via het systeem batchverwerking taken. Om het starten en in de wachtrij plaatsen van een parallel programma te vereenvoudigen, is dit voorzien speciaal schrift mpirun. Mpirun -np 20 ./first.exe wordt bijvoorbeeld uitgevoerd parallel programma first.exe op 20 processors, d.w.z. op 5 knooppunten. (Elk knooppunt heeft 2 dual-coreprocessors). Het is vermeldenswaard dat om een uitvoerbare module te starten die zich in de huidige map ($pwd) bevindt, u expliciet het pad “./” moet opgeven. Een aantal MPI-1-implementaties bieden een startopdracht voor MPI-programma's, die de vorm heeft mpirun<аргументы mpirun><программа><аргументы программы>

Het scheiden van de opdracht voor het starten van het programma en het programma zelf biedt flexibiliteit, vooral voor netwerk- en heterogene implementaties. Het hebben van een standaard triggermechanisme verbetert ook de draagbaarheid MPI-programma's een stap verder naar opdrachtregels en de scripts die deze besturen. Een script voor een reeks validatieprogramma's die honderden programma's uitvoeren, kan bijvoorbeeld een overdraagbaar script zijn als het is geschreven met behulp van een dergelijk standaard startmechanisme. Om het ``standaard'' commando niet te verwarren met het bestaande commando in de praktijk, dat niet standaard is en niet overdraagbaar is tussen implementaties, heeft MPI mpiexec gedefinieerd in plaats van mpirun.

Hoewel een gestandaardiseerd startmechanisme de toepasbaarheid van MPI verbetert, is het scala aan omgevingen zo divers (het kan bijvoorbeeld zijn dat er niet eens een interface is opdrachtregel) dat MPI een dergelijk mechanisme niet kan verplichten. In plaats daarvan definieert MPI de opdracht mpiexec run en beveelt het aan, maar vereist dit niet, als advies aan ontwikkelaars. Als een implementatie echter een opdracht levert met de naam mpiexec, moet deze de hieronder beschreven vorm aannemen: mpiexec -n <программа>

zal zijn volgens ten minsteéén manier om te rennen<программу>met initiële MPI_COMM_WORLD waarvan de groep bevat processen. Andere argumenten voor mpiexec kunnen afhankelijk zijn van de implementatie.

Voorbeeld 4.1 16 exemplaren van myprog uitvoeren op de huidige of standaardmachine:

mpiexec -n 16 mijnprog

3. Schrijf een programma parallel computergebruik bepaalde integraal van de functie 2*(x+2*x*x/1200.0) in het interval .

Methode voor de linker rechthoek

dubbele f(dubbele x)

(retourneert 2*(x+2*x*x/1200);) // iskomyi-integraal

int hoofd(int argc,char **argv)

MPI_Status-status;

MPI_Init(&argc,&argv);

MPI_Comm_rang(MPI_COMM_WERELD,&rang);

MPI_Comm_grootte(MPI_COMM_WERELD,&grootte);

int n=1000,i,d; // 1000 - uzly

vlotter a=0, b=1, h=(b-a)/n,s=0,r=0; //a i b -nachalo i konec otrezka

if (rang!=grootte-1) // schitaut vse processy, krome poslednego

( voor (i=rang*d; i<(rank+1)*d; i++) { s=s+h*f(a+i*h); }

MPI_Send(&s,1,MPI_FLOAT,grootte-1,1,MPI_COMM_WORLD);)

( voor (i=0; ik

( MPI_Recv(&s,1,MPI_FLOAT,i,1,MPI_COMM_WORLD, &status); r+=s; ) )

MPI_Finalize();)

Surak

1. Gedeelde en gedistribueerde geheugenarchitecturen.

Gedistribueerd gedeeld geheugen (DSM)

Traditioneel is gedistribueerd computergebruik gebaseerd op een message-passing-model, waarbij gegevens in de vorm van berichten van processor naar processor worden doorgegeven. Remote procedure calls zijn eigenlijk hetzelfde model (of heel dichtbij). DSM is een virtuele adresruimte die wordt gedeeld door alle knooppunten (processors) van een gedistribueerd systeem. Programma's hebben in DSM op vrijwel dezelfde manier toegang tot gegevens als tot gegevens in het virtuele geheugen van traditionele computers. In systemen met DSM verplaatsen gegevens zich tussen lokale herinneringen van verschillende computers op dezelfde manier als tussen RAM en extern geheugen van één computer. De gedistribueerde gedeelde geheugenconfiguratie is een variant van gedistribueerd geheugen. Hier gebruiken alle knooppunten, bestaande uit een of meer processors die via een SMP-schema zijn verbonden, een gemeenschappelijke adresruimte. Het verschil tussen deze configuratie en een machine met gedistribueerd geheugen is dat hier elke processor toegang heeft tot elk deel van het geheugen. De toegangstijd voor verschillende geheugensecties varieert echter voor elke processor, afhankelijk van waar de sectie zich fysiek in het cluster bevindt. Om deze reden worden dergelijke configuraties ook wel machines met niet-uniforme geheugentoegang (NUMA) genoemd.

Verschillen tussen MPI en PVM.

Het PVM-systeem (Parallel Virtual Machine) is gemaakt om verschillende netwerkwerkstations te combineren tot één virtuele parallelle computermachine. Het systeem is een add-on voor het UNIX-besturingssysteem en wordt gebruikt op verschillende hardwareplatforms, inclusief massaal parallelle systemen. De meest voorkomende parallelle programmeersystemen zijn tegenwoordig gebaseerd op MPI (Message Parsing Interface). Het idee van MPI is in eerste instantie eenvoudig en voor de hand liggend. Het omvat het representeren van een parallel programma als een reeks parallelle uitvoeringsprocessen die met elkaar communiceren tijdens de uitvoering van gegevensoverdracht met behulp van communicatieprocedures. Zij vormen de MPI-bibliotheek. Een juiste implementatie van MPI ter ondersteuning van communicatie tussen processors is echter behoorlijk moeilijk gebleken. Deze complexiteit houdt verband met de noodzaak om hoge programmaprestaties te bereiken, de noodzaak om talrijke multicomputerbronnen te gebruiken en, als gevolg daarvan, een grote verscheidenheid in de implementatie van communicatieprocedures, afhankelijk van de gegevensverwerkingsmodus.

Deze opmerking laat zien hoe u MPI installeert, verbindt met Visual Studio en vervolgens gebruikt met de opgegeven parameters (aantal rekenknooppunten). Dit artikel maakt gebruik van Visual Studio 2015, omdat... Dit is degene waar mijn studenten problemen mee hadden (deze notitie is geschreven door studenten voor studenten), maar de instructies zullen waarschijnlijk ook voor andere versies werken.

Stap 1:
U moet de HPC Pack 2008 SDK SP2 installeren (in uw geval is er mogelijk al een andere versie), beschikbaar op de officiële Microsoft-website. De bitcapaciteit van het pakket en het systeem moeten overeenkomen.

Stap 2:
U moet de paden configureren; om dit te doen, gaat u naar het tabblad Debug - Eigenschappen:

“C:\Program Files\Microsoft HPC Pack 2008 SDK\Include”

In het veld Bibliotheekdirectory's:

“C:\Program Files\Microsoft HPC Pack 2008 SDK\Lib\amd64”

Als er een 32-bits versie is, moet u in het bibliotheekveld i386 invoeren in plaats van amd64.

Msmpi.lib

Stap 3:

Om het starten te configureren, moet u naar het tabblad Foutopsporing gaan en in het veld Opdracht specificeren:

“C:\Program Files\Microsoft HPC Pack 2008 SDK\Bin\mpiexec.exe”

Geef in het veld Opdrachtargumenten bijvoorbeeld het volgende op:

N 4 $(Doelpad)

Het getal 4 geeft het aantal processen aan.

Om het programma uit te voeren, moet u de bibliotheek verbinden

Het pad naar het project mag geen Cyrillisch bevatten. Als er fouten optreden, kunt u Microsoft MPI gebruiken, beschikbaar op de website van Microsoft.

Om dit te doen, voert u na de installatie gewoon het pad in het veld Opdracht van het tabblad Foutopsporing in:

“C:\Program Files\Microsoft MPI\Bin\mpiexec.exe”

Vergeet ook niet om, voordat u het programma uitvoert, de bitdiepte aan te geven:

Voorbeeld van het uitvoeren van een programma met MPI:

#erbij betrekken #erbij betrekken naamruimte std gebruiken; int main(int argc, char **argv) ( int rank, size; MPI_Init(&argc, &argv); MPI_Comm_size(MPI_COMM_WORLD, &size); MPI_Comm_rank(MPI_COMM_WORLD, &rank); cout<< "The number of processes: " << size << " my number is " << rank << endl; MPI_Finalize(); return 0; }

Het programma uitvoeren op 2 knooppunten:

Parallellisatie in C-taal
Voorbeeld 3b. Parallellisatie in Fortran
Voorbeeld 4a. Bepalen van de kenmerken van de systeemtimer in C-taal
Voorbeeld 4b. Kenmerken van systeemtimers definiëren in Fortran

1.4. Berichten verzenden en ontvangen tussen afzonderlijke processen

1.4.1. Point-to-point-bewerkingen

1.4.2. Berichten verzenden en ontvangen met blokkering

Voorbeeld 5a. Uitwisseling van berichten tussen twee processen in C-taal
Voorbeeld 5b. Uitwisseling van berichten tussen twee processen in Fortran
Voorbeeld 6a. Berichtenuitwisseling tussen even en oneven processen in C
Voorbeeld 6b. Berichtenuitwisseling tussen even en oneven processen in Fortran
Voorbeeld 7a. Doorsturen naar een niet-bestaand proces in C
Voorbeeld 7b. Doorsturen naar een niet-bestaand proces in Fortran
Voorbeeld 8a. Gebufferde gegevensverzending in C-taal
Voorbeeld 8b. Gebufferde gegevensverzending in Fortran-taal
Voorbeeld 9a. Informatie verkrijgen over berichtkenmerken in C-taal
Voorbeeld 9b. Informatie verkrijgen over berichtkenmerken in Fortran
Voorbeeld 10a. Definitie van latentie en doorvoer in C-taal
Voorbeeld 10b. Latentie en doorvoer definiëren in Fortran

1.4.3. Berichten verzenden en ontvangen zonder te blokkeren

Voorbeeld 11a. Uitwisseling via een ringtopologie met behulp van niet-blokkerende bewerkingen in C
Voorbeeld 11b. Uitwisseling via een ringtopologie met behulp van niet-blokkerende bewerkingen in Fortran
Voorbeeld 12a. Communicatieschema "meester - werkers" in C-taal
Voorbeeld 12b. Communicatiediagram "meester - arbeiders" in Fortran-taal
Voorbeeld 13a. Matrixtranspositie in C-taal
Voorbeeld 13b. Een matrix omzetten in Fortran

1.4.4. Interactieverzoeken die in behandeling zijn

Voorbeeld 14a. Schema van een iteratieve methode met uitwisseling langs een ringtopologie met behulp van uitgestelde zoekopdrachten in C-taal
Voorbeeld 14b. Schema van een iteratieve methode met uitwisseling via een ringtopologie met behulp van uitgestelde zoekopdrachten in Fortran

1.4.5. Impasse situaties

Voorbeeld 15a. Uitwisseling via een ringtopologie met behulp van de MPI_Sendrecv-procedure in C-taal
Voorbeeld 15b. Uitwisseling via een ringtopologie met behulp van de MPI_SENDRECV-procedure in Fortran

1.5. Collectieve procesinteracties

1.5.1. Algemene bepalingen

1.5.2. Barrière

Voorbeeld 16a. Modellering van barrièresynchronisatie in C-taal
Voorbeeld 16b. Modellering van barrièresynchronisatie in Fortran

1.5.3. Collectieve gegevensoverdrachtsoperaties

1.5.4. Mondiale operaties

Voorbeeld 17a. Modelleren van globale sommatie met behulp van een verdubbelingsschema en de collectieve bewerking MPI_Reduce in C-taal
Voorbeeld 17b. Modellering van globale sommatie met behulp van een verdubbelingsschema en de collectieve bewerking MPI_Reduce in Fortran

1.5.5. Aangepaste wereldwijde operaties

Voorbeeld 18a. Aangepaste globale functie in C-taal
Voorbeeld 18b. Aangepaste globale functie in Fortran

1.6. Groepen en communicatoren

1.6.1. Algemene bepalingen

1.6.2. Bewerkingen met procesgroepen

Voorbeeld 19a. Werken met groepen in C-taal
Voorbeeld 19b. Werken met groepen in Fortran

1.6.3. Operaties met communicatoren

Voorbeeld 20a. Het afbreken van een communicator in C
Voorbeeld 20b. Een communicator partitioneren in Fortran
Voorbeeld 21a. Hernummering van processen in C-taal
Voorbeeld 21b. Hernummering van processen in Fortran

1.6.4. Intercommunicatoren

Voorbeeld 22a. Master-worker-schema met behulp van een intercommunicator in C-taal
Voorbeeld 22b. Master-worker-circuit met behulp van een intercommunicator in Fortran

1.6.5. Kenmerken

1.7. Virtuele topologieën

1.7.1. Algemene bepalingen

1.7.2. Cartesiaanse topologie

1.7.3. Grafiektopologie

Voorbeeld 23a. Master-worker-diagram met behulp van grafiektopologie in C-taal
Voorbeeld 23b. Master-worker-schema met behulp van grafiektopologie in Fortran

1.8. Verschillende soorten gegevens verzenden

1.8.1. Algemene bepalingen

1.8.2. Afgeleide gegevenstypen

Voorbeeld 24a. Herschikken van matrixkolommen in omgekeerde volgorde in C-taal
Voorbeeld 24b. Herschikken van matrixkolommen in omgekeerde volgorde in Fortran

1.8.3. Gegevensverpakking

Voorbeeld 25a. Verpakte gegevens verzenden in C-taal
Voorbeeld 25b. Verpakte gegevens verzenden in Fortran

1.9. info-object

1.9.1. Algemene bepalingen

1.9.2. Werken met het info-object

1.10. Dynamische procescontrole

1.10.1. Algemene bepalingen

1.10.2.Creatie van processen

meester.c
slaaf.c
Voorbeeld 26a. Master-worker-schema met behulp van process spawning in C-taal
meester.f
slaaf.f
Voorbeeld 26b. Master-worker-schema met behulp van process spawning in Fortran

1.10.3. Client-server-communicatie

server.c
klant.c
Voorbeeld 27a. Gegevensuitwisseling tussen server en client via publieke naam in C-taal
server.f
klant.f
Voorbeeld 27b. Uitwisseling van gegevens tussen server en client met behulp van een openbare naam in de Fortran-taal

1.10.4. Een proceskoppeling verwijderen

1.10.5. Socket-communicatie

1.11. Communicatie in één richting

1.11.1. Algemene bepalingen

1.11.2. Werken met een raam

1.11.3. Gegevensoverdracht

1.11.4. Synchronisatie

Voorbeeld 28a
Voorbeeld 28b
Voorbeeld 29a. Uitwisseling via een ringtopologie met behulp van eenrichtingscommunicatie in C
Voorbeeld 29b. Uitwisseling via een ringtopologie met behulp van eenrichtingscommunicatie in Fortran
Voorbeeld 30a. Uitwisseling via een ringtopologie met behulp van eenrichtingscommunicatie in C
Voorbeeld 30b. Uitwisseling via een ringtopologie met behulp van eenrichtingscommunicatie in Fortran

1.12. Externe interfaces

1.12.1. Algemene vragen

1.12.2. Informatie uit status

1.12.3. Draden

1.13. Parallelle I/O

1.13.1. Definities

1.13.2. Werken met bestanden

1.13.3. Toegang tot gegevens

Voorbeeld 31a. Gebufferd lezen uit een bestand in C-taal
Voorbeeld 31b. Gebufferd lezen uit een bestand in Fortran
Voorbeeld 32a. Collectief lezen uit een bestand in C-taal
Voorbeeld 32b. Collectief lezen uit een bestand in Fortran

1.14. Foutafhandeling

1.14.1. Algemene bepalingen

1.14.2. Foutafhandelaars geassocieerd met communicators

1.14.3. Venstergerelateerde foutafhandelaars

1.14.4. Bestandsgerelateerde foutafhandelaars

1.14.5. Aanvullende procedures

1.14.6. Foutcodes en klassen

1.14.7. Foutafhandelaars bellen

Voorbeeld 33a. Foutafhandeling in C-taal
Voorbeeld 33b. Foutafhandeling in Fortran

Hoofdstuk 2 OpenMP parallelle programmeertechnologie

2.1. Invoering

2.2. Basisconcepten

2.2.1. Het samenstellen van een programma

Voorbeeld 34a. Voorwaardelijke compilatie in C
Voorbeeld 34b
Voorbeeld 34c. Voorwaardelijke compilatie in Fortran

2.2.2. Parallel programmamodel

2.2.3. Richtlijnen en procedures

2.2.4. Uitvoering van het programma

2.2.5. Tijdstip

Voorbeeld 35a. Werken met systeemtimers in C
Voorbeeld 35b. Werken met systeemtimers in Fortran

2.3. Parallelle en seriële gebieden

2.3.1. parallelle richtlijn

Voorbeeld 36a. Parallelle regio in C-taal
Voorbeeld 36b. Parallelle regio in Fortran
Voorbeeld 37a. De reductieoptie in C-taal
Voorbeeld 37b. De reductieoptie in Fortran

2.3.2. Verkorte notatie

2.3.3. Omgevingsvariabelen en helperprocedures

Voorbeeld 38a. Omp_set_num_threads procedure en num_threads optie in C-taal
Voorbeeld 38b. Procedure omp_set_num_threads en optie num_threads in Fortran-taal
Voorbeeld 39a. Procedures omp_set_dynamic en omp_get_dynamic in C-taal
Voorbeeld 39b. Procedures omp_set_dynamic en omp_get_dynamic in Fortran
Voorbeeld 40a. Geneste parallelle gebieden in C
Voorbeeld 40b. Geneste parallelle regio's in Fortran
Voorbeeld 41a. Omp_in_parallel-functie in C-taal
Voorbeeld 41b. Functie omp_in_parallel in Fortran-taal

2.3.4. enkele richtlijn

Voorbeeld 42a. Enkele richtlijn en nowait-optie in C-taal
Voorbeeld 42b. Eén richtlijn en nowait-optie in Fortran
Voorbeeld 43a. Copyprivate-optie in C-taal
Voorbeeld 43b. copyprivate-optie in Fortran

2.3.5. hoofdrichtlijn

Voorbeeld 44a. Masterrichtlijn in C-taal
Voorbeeld 44b. hoofdrichtlijn in Fortran

2.4. Gegevensmodel

Voorbeeld 45a. Privéoptie in C-taal
Voorbeeld 45b. De privéoptie in Fortran
Voorbeeld 46a. Gedeelde optie in C-taal
Voorbeeld 46b. De gedeelde optie in Fortran
Voorbeeld 47a. eerste privéoptie in C-taal
Voorbeeld 47b. eerste privéoptie in Fortran
Voorbeeld 48a. threadprivate-richtlijn in C-taal
Voorbeeld 48b. threadprivate-richtlijn in Fortran
Voorbeeld 49a. Kopieeroptie in C-taal
Voorbeeld 49b. kopieeroptie in Fortran

2.5. Werkverdeling

2.5.1. Parallellisatie op laag niveau

Voorbeeld 50a. Procedures omp_get_num_threads en omp_get_thread_num in C-taal
Voorbeeld 50b. Procedures omp_get_num_threads en omp_get_thread_num in Fortran

2.5.2. Parallelle lussen

Voorbeeld 51a. voor richtlijn in C-taal
Voorbeeld 51b. De do-richtlijn in Fortran
Voorbeeld 52a. Planningsoptie in C-taal
Voorbeeld 52b. planningsoptie in Fortran
Voorbeeld 53a. Planningsoptie in C-taal

Basis MPI-functies

De meest gebruikelijke programmeertechnologie voor parallelle systemen met gedistribueerd geheugen is momenteel MPI (Message Passing Interface). De belangrijkste manier waarop parallelle processen in dergelijke systemen met elkaar omgaan, is het doorgeven van berichten. In wezen is MPI een bibliotheek- en uitvoeringsomgeving voor parallelle programma's in C of Fortran. Deze tutorial beschrijft voorbeelden van programma's in de C-taal.

Aanvankelijk staat MPI het gebruik van het MIMD-programmeermodel (Multiple Instruction Multiple Data) toe - vele stromen instructies en gegevens, d.w.z. het combineren van verschillende programma's met verschillende gegevens. Maar programmeren voor een dergelijk model blijkt in de praktijk te complex, daarom wordt meestal het SIMD-model (Single Program Multiple Data) gebruikt: één programma en veel datastromen. Hier wordt een parallel programma zo geschreven dat de verschillende delen tegelijkertijd hun deel van de taak kunnen uitvoeren, waardoor parallellisme wordt bereikt. Omdat alle MPI-functies in de bibliotheek aanwezig zijn, zal het bij het compileren van een parallel programma nodig zijn om de overeenkomstige modules te koppelen.

In MPI wordt een parallel programma opgevat als een reeks gelijktijdig uitgevoerde processen. Processen kunnen op verschillende processors worden uitgevoerd, maar er kunnen ook meerdere processen op dezelfde processor worden geplaatst (in dit geval worden ze uitgevoerd in de time-sharing-modus). Wanneer een MPI-programma op een cluster wordt uitgevoerd, zal elk van de knooppunten zijn eigen kopie van het programma uitvoeren en zijn eigen deel van de taak uitvoeren. Hieruit volgt dat een parallel programma een reeks op elkaar inwerkende processen is, die elk op zichzelf werken. adresruimte. In het extreme geval kan een enkele processor worden gebruikt om een parallel programma uit te voeren - in de regel wordt deze methode gebruikt om in eerste instantie de juistheid van het parallelle programma te controleren.

Het aantal processen en het aantal gebruikte processors worden bepaald op het moment dat het parallelle programma wordt gestart met behulp van de MPI-programma-uitvoeringsomgeving en kunnen tijdens berekeningen niet veranderen. Alle processen van het programma zijn opeenvolgend genummerd van 0 tot np-1, waarbij np het totale aantal processen is. Het procesnummer wordt de procesrang genoemd.

Parallelle processen communiceren met elkaar door berichten te verzenden. Er zijn twee soorten verzendmethoden (ze worden communicatie genoemd): collectief en punt-tot-punt. Bij collectieve communicatie verzendt een proces de benodigde informatie tegelijkertijd naar een hele groep processen; er is ook een algemener geval waarin binnen een groep processen informatie van elk proces naar elk proces wordt overgedragen. Eenvoudigere communicatie is point-to-point-communicatie, waarbij het ene proces informatie naar het andere verzendt of beide informatie uitwisselen. Communicatiefuncties zijn de belangrijkste functies van de MPI-bibliotheek. Bovendien zijn de vereiste functies de MPI-initialisatie- en beëindigingsfuncties – MPI_Init en MPI_Finalize. MPI_Init moet helemaal aan het begin van programma's worden aangeroepen, en MPI_Finalize helemaal aan het einde. Alle andere MPI-functies moeten tussen deze twee functies worden aangeroepen.

Hoe weet een proces welk deel van de berekening het moet uitvoeren? Elk proces dat op het cluster draait, heeft zijn eigen unieke nummer: rang. Zodra een proces zijn rang en het totale aantal processen kent, kan het zijn aandeel in het werk bepalen. Voor dit doel zijn er speciale functies in MPI - MPI_Comm_rank en MPI_Comm_size. MPI_Comm_rank retourneert de rangorde van gehele getallen van het proces dat het heeft aangeroepen, en MPI_Comm_size retourneert het totale aantal actieve processen.

De processen van het parallelle gebruikersprogramma waarvan fouten worden opgespoord, worden in groepen gecombineerd. In MPI wordt een communicator opgevat als een speciaal gemaakt serviceobject dat een groep processen combineert met een aantal aanvullende parameters (context) die worden gebruikt bij het uitvoeren van gegevensoverdrachtbewerkingen. Een communicator die automatisch wordt gemaakt wanneer het programma start en alle processen op het cluster omvat, wordt MPI_COMM_WORLD genoemd. Tijdens berekeningen kunnen nieuwe procesgroepen en communicators worden aangemaakt en bestaande worden verwijderd. Hetzelfde proces kan tot verschillende groepen en communicatoren behoren. Collectieve bewerkingen worden gelijktijdig toegepast op alle communicatorprocessen, dus voor hen zal een van de parameters altijd de communicator zijn.

Bij het uitvoeren van berichtendoorvoerbewerkingen in MPI-functies is het noodzakelijk om het type gegevens dat wordt verzonden op te geven. MPI bevat een grote set basisgegevenstypen gebaseerd op de standaardgegevenstypen van de C-taal. Bovendien kan de programmeur zijn eigen gegevenstypen samenstellen met behulp van speciale MPI-functies. Hieronder vindt u een toewijzingstabel voor basisgegevenstypen.

MPI-constanten	Gegevenstype C-taal
MPI_INT	ondertekend int
MPI_UNSIGNED	niet ondertekend int
MPI_SHORT	ondertekend int
MPI_LONG	gesigneerd lange int
MPI_UNSIGNED_SHORT	niet ondertekend int
MPI_UNSIGNED_LONG	niet-ondertekend lange int
MPI_FLOAT	vlot
MPI_DOUBLE	dubbele
MPI_LONG_DOUBLE	lange dubbele
MPI_UNSIGNED_CHAR	niet-ondertekend teken
MPI_CHAR	ondertekende char

Voorbeeld van het starten van de MPI-bibliotheek: login student, wachtwoord s304.

#erbij betrekken

int hoofd (int argc, char *argv)

/* MPI-initialisatie */

MPI_Init(&argc, &argv);

/* de procesrangschikking ophalen */

MPI_Comm_rang (MPI_COMM_WORLD, &rang);

/* haal het totale aantal processen op */

MPI_Comm_size (MPI_COMM_WORLD, &grootte);

printf("Hallo wereld van proces %d van %d\n", rang, grootte);

/* volledige MPI */

Voor het compileren worden een compiler en linker gebruikt. Commandoregel mpic. (zie mpicc….- help)

Van elk lopend proces moet de rangorde en het totale aantal processen worden weergegeven. Laten we proberen dit programma te compileren en uit te voeren.

$ mpicc hallo.c –o hallo.o

$ mpicc hallo.o –o hallo

Het hello-bestand is het voorbeeld van een uitvoerbaar bestand. Je kunt het op één machine uitvoeren en zien dat het aantal processors gelijk is aan 1 en dat de procesrang 0 is:

$./hallo

Hallo wereld uit proces 0 van 1

Wanneer u op een server werkt, wordt het commando gebruikt om te starten mpirun . Het heeft twee hoofdargumenten: de naam van het bestand dat de knooppuntadressen bevat en het aantal knooppunten waarop het programma zal worden uitgevoerd.

$ mpirun n0-6 –v hosts hallo

Hallo wereld uit proces 0 van 7

Hallo wereld uit proces 3 van 7

Hallo wereld uit proces 5 van 7

Hallo wereld uit proces 4 van 7

Hallo wereld uit proces 2 van 7

Hallo wereld uit proces 6 van 7

Hallo wereld uit proces 1 van 7

Het programma draait op 7 knooppunten (inclusief de server) en de adressen van deze knooppunten zijn binnen hosts-bestand. Het afdrukken op het scherm werd uitgevoerd door processen die niet in hun gelederen stonden. Dit komt omdat het verloop van processen niet gesynchroniseerd is, maar MPI speciale functies heeft voor het synchroniseren van processen.

Het eenvoudigste programma bevat geen functies voor berichtoverdracht. Bij echte problemen moeten processen met elkaar interacteren. Uiteraard wordt er tijd besteed aan het verzenden van berichten, waardoor de parallellisatiecoëfficiënt van de taak afneemt. Hoe hoger de snelheid van de interface voor berichtoverdracht (bijvoorbeeld 10 Mb/sec Ethernet en Gigabit Ethernet), hoe lager de kosten voor gegevensoverdracht zullen zijn. Omdat de tijd voor gegevensuitwisseling tussen processen is veel (in ordes van grootte) langer dan de toegangstijd tot het eigen geheugen, de verdeling van werk tussen processen moet ‘grofkorrelig’ zijn en onnodige gegevensoverdrachten moeten worden vermeden.

Onder de problemen van de numerieke analyse bevinden zich veel problemen waarvan de parallellisatie voor de hand ligt. Numerieke integratie komt bijvoorbeeld feitelijk neer op (talrijke) berekeningen van de integrandfunctie (die uiteraard is toevertrouwd aan individuele processen), terwijl het hoofdproces het berekeningsproces bestuurt (de strategie bepaalt voor het verdelen van integratiepunten over processen en deelsommen verzamelt) . Problemen met zoeken en sorteren in een lineaire lijst, het numeriek vinden van de wortels van functies, het zoeken naar extremen van een functie van veel variabelen, het berekenen van reeksen en andere hebben vergelijkbare parallellisatie. In dit lab gaan we kijken naar twee parallelle algoritmen voor het berekenen van π.

Berekening van het getal π via numerieke integratiemethode

Dat is bekend

We hebben de berekening van de integraal vervangen door een eindige sommatie , waarbij n het aantal sommatiesecties is tijdens numerieke integratie. De oppervlakte van elke sectie wordt berekend als het product van de breedte van de 'strook' en de waarde van de functie in het midden van de 'strook', waarna de gebieden worden opgeteld door het hoofdproces (een uniform raster wordt gebruikt).

Het is duidelijk dat het parallelliseren van dit probleem eenvoudig is als elk proces zijn deelsom berekent en vervolgens het resultaat van de berekening doorgeeft aan het hoofdproces. Hoe kan ik hier herhaalde berekeningen vermijden? Het proces moet zijn rang kennen, het totale aantal processen en het aantal intervallen waarin het segment zal worden verdeeld (hoe meer intervallen, hoe hoger de nauwkeurigheid). Vervolgens berekent het proces, in een cyclus van 1 tot het aantal intervallen, het gebied van de strip op het i-de interval en gaat dan niet naar het volgende i+1-interval, maar naar het i+m-interval , waarbij m het aantal processen is. Zoals we al weten, zijn er functies om de rangorde en het totale aantal processen te verkrijgen MPI_Comm_rang En MPI_Comm_grootte . Voordat met de berekeningen wordt begonnen, moet het hoofdproces het aantal intervallen naar alle anderen verzenden, en na de berekeningen de ontvangen deelsommen daarvan verzamelen en deze samenvatten in MPI. Dit wordt geïmplementeerd door berichten door te geven; Het is handig om hier de collectieve interactiefunctie te gebruiken om berichten te verzenden MPI_Bcast , waarmee dezelfde gegevens van het ene proces naar alle andere worden verzonden. Om gedeeltelijke bedragen te innen zijn er 2 opties die u kunt gebruiken MPI_Verzamelen , dat gegevens verzamelt van alle processen en deze aan één proces geeft (er wordt een array van m elementen verkregen, waarbij m het aantal processen is) of MPI_Verminderen . MPI_Verminderen gedraagt zich op dezelfde manier MPI_Verzamelen – verzamelt gegevens van alle processen en geeft deze aan één proces, maar niet in de vorm van een array, maar voert eerst een bepaalde bewerking uit tussen de elementen van de array, bijvoorbeeld sommatie, en geeft dan één element. Voor deze taak lijkt het handiger in gebruik MPI_Verminderen . Hieronder vindt u de programmatekst

#include "mpi.h"

#erbij betrekken

dubbele f(dubbele a)

rendement (4,0 / (1,0 + a*a));

int hoofd(int argc, char *argv)

int n, myid, numprocs, i;

dubbele PI25DT = 3,141592653589793238462643;

dubbele mypi, pi, h, som, x;

dubbele starttijd, eindtijd;

MPI_Init(&argc,&argv);

MPI_Comm_size(MPI_COMM_WORLD,&numprocs);

MPI_Comm_rank(MPI_COMM_WORLD,&mijnid);

startwtime = MPI_Wtime();

MPI_Bcast(&n, 1, MPI_INT, 0, MPI_COMM_WORLD);

h = 1,0 / (dubbel) n;

voor (i = myid + 1; i<= n; i += numprocs)

x = h * ((dubbel)i - 0,5);

MPI_Reduce(&mijnpi, &pi, 1, MPI_DOUBLE, MPI_SUM, 0, MPI_COMM_WORLD);

printf("pi is ongeveer %.16f, fout is %.16f\n",

pi, fabs(pi - PI25DT));

endwtime = MPI_Wtime();

printf("tijd wandklok = %f\n",

eindtijd-begintijd);

Laten we de functieaanroepen eens nader bekijken MPI_Bcast En MPI_Verminderen :

MPI_Bcast(&n, 1, MPI_INT, 0, MPI_COMM_WORLD) – de inhoud van variabele n en één element van het type MPI_INT van een proces met rang 0 worden naar alle andere processen (MPI_COMM_WORLD – alle processen in de communicator) verzonden naar dezelfde variabele n . Na deze oproep kent elk proces het totale aantal intervallen. Aan het einde van de berekeningen telt MPI_Reduce(&mypi, &pi, 1, MPI_DOUBLE, MPI_SUM, 0, MPI_COMM_WORLD) de waarden op van de variabelen mypi van het type MPI_DOUBLE van elk proces en schrijft het resultaat naar het proces variabele pi met rang 0. Om de rekentijd te meten, gebruikt het hoofdproces de functie MPI_Wtime.

dubbele MPI_Wtime();

MPI_Wtijd retourneert het aantal seconden in drijvende-kommanotatie, die de tijd vertegenwoordigt die is verstreken sinds het programma is gestart.

Berekening van het getal π met behulp van de Monte Carlo-methode

Om de waarde van π te berekenen, kun je de 'schiet'-methode gebruiken. Wanneer toegepast op dit geval, bestaat de methode uit het genereren van punten die uniform verdeeld zijn over een tweedimensionaal gebied en het bepalen van .

De op deze manier berekende waarde van π is in het algemeen bij benadering; de nauwkeurigheid van het berekenen van de gewenste waarde neemt toe met het aantal ‘shots’ en de kwaliteit van de generator voor willekeurige getallen; Soortgelijke methoden worden gebruikt wanneer het moeilijk is een nauwkeurige numerieke schatting te maken.

Het parallelle algoritme voor het berekenen van het getal π met deze methode is in veel opzichten vergelijkbaar met het vorige algoritme dat we hebben overwogen. Om willekeurige getallen te genereren, moet u de srand-functie gebruiken, die de rangorde van het proces als argument (reekszaad) instelt, zodat elk proces zijn eigen reeks heeft.

#erbij betrekken

ongeldige streng (niet-ondertekend zaad);

De functie srand() stelt het startnummer in voor de reeks die wordt gegenereerd door de functie rand().

#erbij betrekken

int rand(nietig);

De functie rand() genereert een reeks pseudowillekeurige getallen. Elke keer dat de functie wordt aangeroepen, wordt een geheel getal tussen nul en de RAND_MAX-waarde geretourneerd.

Om hier het resultaat te verzamelen, is het ook handig om MPI_Reduce te gebruiken met een sommatiebewerking (MPI_SUM), en vervolgens de resulterende som te delen door het aantal processors, waardoor het rekenkundig gemiddelde wordt verkregen.

int MPI_Reduce(void* sendbuf, void* recvbuf, int aantal,

MPI_Datatype datatype, MPI_Op op, int root, MPI_Comm comm);

Parameters:

sendbuf-adres van de verzendende buffer

recvbuf-adres van de ontvangende buffer

op reductie operatie

com-communicator

int MPI_Bcast(nietig *buffer, int aantal, MPI_Datatype datatype, int root,

MPI_Comm comm);

Parameters:

bufferadres van de zend-/ontvangstbuffer

tel het aantal elementen in de verzendbuffer (geheel getal)

datatype gegevenstype van verzendende bufferelementen

root hoofdprocesnummer (geheel getal)

com-communicator

Oefening: compileer en voer in overeenstemming met het optienummer een parallel programma uit dat het getal π berekent met behulp van een bepaald algoritme.

Voer een taak uit op één knooppunt en vanuit een cluster op een opgegeven aantal knooppunten. Evalueer de rekentijd, nauwkeurigheid en Amdahl-parallellisatiecoëfficiënt, rekening houdend met theoretische netwerkvertraging en op basis van de resultaten van het werk.

Taakopties

Optie nr.	Algoritme	Aantal processoren	Aantal iteraties op elke processor
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo
	Numerieke integratie
	Monte Carlo

· Verklaring van het probleem, optie.

· Tekst van een parallelprogramma in C-taal volgens de opdracht.

· Resultaten van het uitvoeren van het programma op één knooppunt, uitvoeringstijd ti, berekeningsresultaat, fout.

· Resultaten van het uitvoeren van het programma op de server, uitvoeringstijd, berekeningsresultaten, fout.

· Beschrijf het parallelle algoritme, de informatiestromen tijdens de uitvoering van het programma en het laden van het cachegeheugen van het knooppunt. Bereken de Amdahl-coëfficiënt - K j op basis van de resultaten van het programma.

· Rekening houdend met de resultaten van het werk van een groep leerlingen, maak een histogram van de afhankelijkheid van K j, t i van het aantal processors dat aan de berekeningen deelneemt.

Handleiding

In dit bericht zullen we het hebben over het organiseren van gegevensuitwisseling met behulp van MPI aan de hand van het voorbeeld van de Intel MPI Library. Wij denken dat deze informatie interessant zal zijn voor iedereen die kennis wil maken met het vakgebied van parallelle high-performance computing in de praktijk.

We geven een korte beschrijving van hoe data-uitwisseling is georganiseerd in parallelle applicaties op basis van MPI, evenals links naar externe bronnen met een meer gedetailleerde beschrijving. In het praktische gedeelte vindt u een beschrijving van alle stadia van het ontwikkelen van de MPI-demotoepassing "Hello World", beginnend bij het opzetten van de benodigde omgeving en eindigend met het starten van het programma zelf.

MPI (interface voor het doorgeven van berichten)

MPI is een interface voor het doorgeven van berichten tussen processen die dezelfde taak uitvoeren. Het is primair bedoeld voor gedistribueerde geheugensystemen (MPP) in tegenstelling tot bijvoorbeeld OpenMP. Een gedistribueerd (cluster) systeem is in de regel een reeks computerknooppunten die zijn verbonden door krachtige communicatiekanalen (bijvoorbeeld InfiniBand).

MPI is de meest gebruikelijke data-interfacestandaard voor parallelle programmering. MPI-standaardisatie wordt uitgevoerd door het MPI Forum. Er zijn MPI-implementaties voor de meeste moderne platforms, besturingssystemen en talen. MPI wordt veel gebruikt bij het oplossen van verschillende problemen in de computationele fysica, de farmaceutische industrie, de materiaalkunde, de genetica en andere kennisgebieden.

Vanuit MPI-oogpunt is een parallel programma een reeks processen die op verschillende computerknooppunten worden uitgevoerd. Elk proces komt voort uit dezelfde programmacode.

De belangrijkste bewerking in MPI is het doorgeven van berichten. MPI implementeert vrijwel alle basiscommunicatiepatronen: point-to-point, collectief en eenzijdig.

Werken met MPI

Laten we eens kijken naar een live voorbeeld van hoe een typisch MPI-programma is gestructureerd. Laten we als demotoepassing de voorbeeldbroncode nemen die bij de Intel MPI-bibliotheek wordt geleverd. Voordat we ons eerste MPI-programma uitvoeren, moeten we een werkomgeving voor experimenten voorbereiden en opzetten.

Opzetten van een clusteromgeving

Voor experimenten hebben we een paar computerknooppunten nodig (bij voorkeur met vergelijkbare kenmerken). Als u geen twee servers bij de hand heeft, kunt u altijd gebruik maken van clouddiensten.

Voor de demonstratie heb ik gekozen voor de dienst Amazon Elastic Compute Cloud (Amazon EC2). Amazon geeft nieuwe gebruikers een gratis proefjaar van instapservers.

Werken met Amazon EC2 is intuïtief. Als u vragen heeft, kunt u de gedetailleerde documentatie raadplegen (in het Engels). Indien gewenst kunt u een andere soortgelijke dienst gebruiken.

We creëren twee werkende virtuele servers. Selecteer in de beheerconsole EC2 virtuele servers in de cloud, Dan Instantie starten("Instance" betekent een virtuele serverinstance).

De volgende stap is het selecteren van het besturingssysteem. Intel MPI Library ondersteunt zowel Linux als Windows. Voor de eerste kennismaking met MPI kiezen we voor OS Linux. Kiezen Red Hat Enterprise Linux 6.6 64-bit of SLES11.3/12.0.
Kiezen Instantietype(servertype). Voor experimenten is t2.micro (1 vCPU's, 2,5 GHz, Intel Xeon-processorfamilie, 1 GiB RAM) geschikt voor ons. Als onlangs geregistreerde gebruiker kon ik dit type gratis gebruiken - gemarkeerd met 'Gratis niveau komt in aanmerking'. Wij zetten Aantal exemplaren: 2 (aantal virtuele servers).

Nadat de service ons vraagt om te rennen Lanceer exemplaren(geconfigureerde virtuele servers), slaan we de SSH-sleutels op die nodig zijn om van buitenaf met virtuele servers te communiceren. De status van virtuele servers en IP-adressen voor communicatie met lokale computerservers kunnen worden bewaakt in de beheerconsole.

Belangrijk punt: in de instellingen Netwerk en beveiliging / Beveiligingsgroepen we moeten een regel maken die poorten opent voor TCP-verbindingen - dit is nodig voor de MPI-procesmanager. De regel kan er als volgt uitzien: