聚合通信中LogGP模型和α+nβ模型的改进

针对高性能计算机实际获取性能低的突出问题,在大规模科学计算和工程应用中对占主要作用的聚合通信进行了研究。通过对聚合通信Reduce算法的理论分析与试验比较,找出LogGP模型和α+nβ模型的关系表达式,并在描述聚合通信算法的理论时间复杂度时,提出了对LogGP模型和α+nβ模型的补充和改进,这些工作对聚合通信算法的理论研究和设计具有重要的意义。

多核处理器并行计算模型研究

针对并行计算机体系结构中没有通用的计算模型这一问题,分析了一些现有的典型计算模型,在同步性、通信方式、参数方面进行比较,以LogGP模型为基础提出一种改进的mzLogGP模型。利用MPI并行算法对满足节点计算资源非独占、网络存在拥塞条件下的并行程序进行分析与测试,通过增加memory层次化层数和网络拥塞指数这两个参数,计算其计算开销和通信开销,将实测时间与预测时间进行比较,可知随节点数的增加系统误差不断减小,说明该新模型能改善并行应用在多核处理器集群平台上运行的性能,具有较好的可扩展性。

聚合通信模型的测试与分析

聚合通信的性能影响着大规模并行数值计算软件的整体效率,它是基于点对点消息传递实现的。可以通过选择点对点通信模型来描述聚合通信。一个恰当的模型可以为聚合通信算法提供精确的定量分析,有助于算法的设计与研究。论文通过对若干聚合通信典型算法的测试与分析,尝试比较与定量分析两种点对点通信模型对聚合通信的描述精度。

基于CPU-GPU异构环境的运算代价评估模型

传统性能分析模型仅针对单个处理器,未考虑异构系统中处理器之间数据的传输开销,不能有效地评估异构系统的性能。为此,提出一种运算代价评估模型。通过对计算平台硬件参数和工作负载特征属性的分层建模,结合LogGP模型和Roofline模型,估算不同执行方式的运算时间成本。依照建模的粒度粗细,通过多层建模计算消耗的能量,采用LogGP模型实现CPU与GPU之间的数据传输,并运用EPCC测试集对运算代价模型进行验证。实验结果表明,该模型对处理不同大小数据集时的性能评估具有较高的准确性。

通信对机群并行计算性能的影响

分析了通信和计算重叠模型及 L og GP模型 ,指出各通信参数对并行计算性能的影响 ,结合并行程序的特征介绍了在机群环境下改善并行计算性能经常采用的五种通信方式 :采用高速网络、采用用户级通信协议、利用 SMP通信、动态预取或迁移数据、消息合并发送 ,详尽测试了各种方式影响性能情况并分析了其特点和适用范围 .采用高速网络是最常用的方法 ,性能提高明显 ,适用于各类应用程序 .需要传送大量小消息的并行程序还应采用用户级通信协议 .对于特定的一类应用程序 ,采用消息合并发送方式提高性能最多 .采用动态预取或迁移数据和利用 SMP通信时要慎重 。