并行与分布式计算复习要点

Posted inss!w!

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了并行与分布式计算复习要点相关的知识，希望对你有一定的参考价值。

概念

计算机架构

SISD

  • Single instruction stream Single Data stream
  • 单指令单数据，串行计算机
  • 在任何一个时钟周期，CPU都只有一个指令流；在任何一个时钟周期，都只有一个数据流作输入
  • 确定性执行

SIMD

  • Single instruction stream Multiple Data stream
  • 单指令多数据，并行计算机
  • 每个处理单元在任何一个时钟周期都执行相同的指令；每个处理单元可以在不同的数据元件上操作
  • 适用于处理具有高度规律性的问题
  • 同步和确定性

MISD

  • Multiple instruction stream Single Data stream
  • 多指令单数据，并行计算机，很少有实际例子
  • 每个处理单元通过单独的指令流处理数据，单个数据流输入多个处理单元

MIMD

  • Multiple Instruction stream Single Data stream
  • 多指令多数据，最常见的并行计算机
  • 每个处理单元执行不同的指令流，使用不同的数据流
  • 同步或异步，确定性或非确定性

共享内存

并行计算机的一种存储结构，有全局地址空间

  • 特性
    所有处理器将所有内存作为全局地址空间访问
    多个处理器独立运行，但共享内存资源
    所有处理器可以看到由一个处理器引起的内存位置变化
  • 优点
    全局地址空间便于编程
    内存接近CPU，任务之间的数据共享，既快速又均匀
  • 缺点
    内存和CPU之间缺乏可扩展性
    成本高、代价大

根据内存访问时间被归为UMA、NUMA

UMA 统一内存访问

  • Uniform Memory Access
  • 所有处理器平等的访问内存
  • 一个处理器更新了共享内存，其他处理器都能知道，既缓存连贯性
    SMP，对称多处理器的表示（Symmetrical Multi-Processing）

NUMA 非统一内存访问

  • Non-Uniform Memory Access
  • 通过物理连接将多个SMP连接在一起
  • 一个SMP可以访问另一个SMP的内存，并非都有平等的访问时间来访问所有记忆
  • 跨链接的内存访问速度慢
  • 缓存连贯性

分布式内存

并行计算机的一种存储结构

  • 特性
    需要通信网络来连接处理器的内存
    处理器有本地内存，不存在全局地址空间
    独立运行，不适用缓存连贯
    处理器需要访问其他处理器的数据时，程序员需要明确定义数据传输方式和访问时间，进行任务的同步
    用于数据传输的网络结构差别大
  • 优点
    内存可随着处理器数量的增加而增多
    每个处理器可以快速访问自己的内存，且没有冲突，没有维护缓存一致性的开销
    成本低
  • 缺点
    程序员需要负责很多通信之间的详细信息
    因为没有全局地址空间，很难建立分布式内存管理映射

并行计算模型

PRAM

  • Parallel Random Access Machine， 随机存取并行机器
  • 共享存储的SIMD模型
    有一个集中的共享存储器和一个指令控制器，通过SM(Shared Memory)的R/W交换数据，隐式同步计算。
  • 并发读写控制策略
    根据处理器对共享存储单元同时读、同时写的性质，分为

    (E:Exclusive C:Concurrent)
  • 不同并发读写控制策略的计算能力

APRAM

  • Asynchronous Parallel Access Machine，异步的PRAM模型，也称分相PRAM
  • 适用于MIMD
    每个处理器有其局部存储器、局部时钟、局部程序；无全局时钟，各处理器异步执行；处理器通过SM进行通讯；处理器间依赖关系，需在并行程序中显式地加入同步路障。

BSP

  • Bulk Synchronous Parallel，块同步模型，是一种异步MIMD-DM(distributed memory)模型
  • 块内异步并行，块间显式同步

并行方法的一般设计过程PCAM

  • PCAM Partitioning Communication Agglomeration Mapping
  • 划分 通信 组合 映射

MPI并行编程

  • Message Passing Interface
  • 是一种基于消息传递的跨语言的并行编程技术，支持点对点通信和广播通信。消息传递接口是一种编程接口标准，而不是一种详细的编程语言，MPI是一种标准或者规范，目前存在对多种MPI标准的实现

并行测试标准

通信测试标准

Amdahl定律（固定负载）


Gustafson定律

实际问题中固定负载量而增加处理机数目没有意义，因此增多处理机，必须也增多负载

加速比与效率

效率=S/P
加速比/处理机数
问题规模不变，处理机数量增加，效率就下降

⭐⭐消息传递三种方式

进程之间通过消息传递实现数据共享和进程同步

  • 同步的消息传递
    Synchronous Message Passing
    开始发送：双方到达发送点和接受点
    发送返回和接收返回：消息已被收到
    开始接收：双方到达发送点和接受点
    等待时间：最多
  • 阻塞的消息传递
    Blocking Message Passing
    开始发送：发送方到达发送点
    发送返回：消息已被发完
    开始接收：接收方到达接受点
    接收返回：消息已经被接收
    等待时间：介于二者之间
  • 非阻塞的消息传递
    Nonblocking Message Passing
    开始发送：发送方到达发送点
    发送返回：通知完系统发送消息
    开始接收：接收方到达接受点
    接收返回：通知完系统接收消息
    等待时间：最少

三种方式异同




MPI点对点通信与集群通信

点对点通信


Q接收的是下一次用来计算的X
Q发送的是上一次计算完的Y
接着用这次收到的X计算Y
下图的代码应该是进程流水线具体是怎么接收发送的，需要双缓冲

Isend， Irevc是非阻塞式，调用完立刻返回，需要调用等待函数
X Y Xbuf0 Xbuf1 Ybuf0 Ybuf1 Xin Yout都是指针
Xin Yout是要发送或接收的数据的指针
X Y指当前计算用的缓冲区

集群通信


通信子中的所有进程都必须调用群集例程

  • 广播（Broadcast）
    MPI_Bcast(Address, Count ,DataType, Root, Comm)
    标记为root的进程将相同的消息发送给Comm通信子中的所有进程
  • 播撒（Scatter）聚集（Gather）
MPI_Scatter(SendAddress, SendCount, SendDateTyoe, RecvAddress, RecvCount, RecvDataType, Root, Comm);
MPI_Gather(SendAddress, SendCount, SendDateTyoe, RecvAddress, RecvCount, RecvDataType, Root, Comm);

播撒：root进程给每个进程都发送一个不同的消息，要发送的消息有序的存放在root进程的发送缓存中
聚集：root从每个进程接收消息，接收的消息有序的存放在root进程的接收缓存中。
播撒和聚集是两个相反的操作

  • 扩展的聚集和播撒（Allgather）
MPI_Allgather(SendAddress, SendCount, SendDateTyoe, RecvAddress, RecvCount, RecvDataType, Comm);

  • 全局交换（Total Exchange）
MPI_Alltoall(SendAddress, SendCount, SendDateTyoe, RecvAddress, RecvCount, RecvDataType, Comm);

每个进程都向n个进程发送消息，要发送的消息有序的存放在发送缓存中
换个角度，每个进程都从n个进程接收消息，要接收的消息有序的存放在接收缓存中
全局交换就是n个进程做n次gather，一次全局交换有n^2个消息通信

  • 聚合（Aggregation）
    有两种聚合操作：归约（Reduction）和扫描（Scan）
    归约：每个进程将要归约的值存放在SendAddress中，所有进程将这些值归约为最终结果存放在root进程的RecvAddress中，归约操作为op
MPI_Reduce(SendAddress, RecvAddress, Count, DataType, Op, Root, Comm);

扫描：没有了root，将部分值组合成n个最终值，存放在每个进程的RecvAddress中，操作为op

MPI_Scan(SendAddress, RecvAddress, Count, DataType, Op, Comm);
  • 路障（Barrier）
MPI_Barrier(Comm);

通信子中所有进程进行同步，即相互等待，直到所有进程执行完自己的Barrier函数

⭐⭐MPI求PI的值

#include <stdio.h>
#include <mpi.h>
#include <math.h>
long    n,    	/*number of slices         */
        i;    	/* slice counter           */
double sum, 	/* running sum             */
        pi,     /* approximate value of pi */
        mypi,
        x,      /* independent var.        */
        h;      /* base of slice           */
int group_size,my_rank;
 
main(argc,argv)
int argc;
char* argv[]; 
      
	int group_size,my_rank;
	MPI_Status status;
	MPI_Init(&argc,&argv);
	MPI_Comm_rank( MPI_COMM_WORLD, &my_rank);
	MPI_Comm_size( MPI_COMM_WORLD, &group_size);
	 
	n=2000;
	/* Broadcast n to all other nodes */
	MPI_Bcast(&n,1,MPI_LONG,0,MPI_COMM_WORLD); 
	h = 1.0/(double) n;
	sum = 0.0;
	//每个进程计算一部分
	for (i = my_rank; i < n; i += group_size) 
		x = h*(i+0.5);
		sum = sum +4.0/(1.0+x*x);
	
	mypi = h*sum;
	/*Global sum * reduce到root进程，用的是求和运算*/ 
	MPI_Reduce(&mypi,&pi,1,MPI_DOUBLE,MPI_SUM,0,MPI_COMM_WORLD); 
	if(my_rank==0)         /* Node 0 handles output */
	printf("pi is approximately : %.16lf\\n",pi);
	
	MPI_Finalize();

MapReduce

模型原理

对于相互之间不存在依赖关系的大数据，实现并行的最佳方法就是分而治之。
MPI等并行方法缺少高层并行编程模型，程序员需要自行指定存储、划分、计算等任务；缺乏统一的并行框架结构，程序员需要考虑诸多细节。
因此，MapReduce设计并提供了统一的计算框架，为程序员隐藏了大多数系统层的细节，用Map和Reduce两个函数提供了高层并发编程模型抽象。

一个大的数据集被分成许多独立的分片(split)，这些分片给多个Map任务并行处理
<k1, v1>:k1是主键，v1是数据，经Map处理后生成了很多中间结果，即List(<k2,v2>。
Reduce对中间结果进行合并，把key值相等的数据合并在一起，即<k2, List(v2)>，最后生成最终结果，即<k3, v3>

⭐⭐wordcount实例

图示：

核心伪代码：

大概的伪代码点击查看 
public class Mapper()

	/*
	key和value是输入的键值对
	context是输出的结果
	*/
	public void map(Object key, Text value, Context context)
				throws IOException, InterruptedException 
		//默认取每行的数据，每行都有空格，按空格切分
		String lineContent = value.toString();	//取出每行的数据
		String words[] = lineContent.split(" ");	//进行每行数据的拆分
		
		for(String word : words)	//循环每个单词而后进行数据的生成
				//每一个单词最终生成的保存个数是1
				context.write(word, 1);
		
		


public class Reducer()

	/*
	key和values是map输出的中间结果，需要reduce处理
	context是reducer输出的最终结果
	*/	
	public void reduce(Text key, Iterable<IntWritable> values, Context context)
			throws IOException, InterruptedException 
		int sum = 0 ;	//保存每个单词出现的总次数
	
	for(IntWritable count :  values)
		sum += count.get();
	
	context.write(key, sum);


public static void main(String[] args) throws Exception
	//进行相关配置
	Configuration configuration=new Configuration();
	//创建一个工作对象
	Job job=Job.getInstance(configuration);
	//设置当前的工作对象
	job.setJarByClass(Myjob.class);
	//设置map对象类
	job.setMapperClass(Mapper.class);
	//设置reduce对象类
	job.setReducerClass(Reducer.class);
	//设置输出的key类型
	job.setOutputKeyClass(Text.class);
	//设置输出的value类型
	job.setOutputValueClass(IntWritable.class);
	//设置输入的文件位置
	FileInputFormat.addInputPath(job, new Path("/hadoop/hadoop.txt"));
	//设置输出的文件位置
	FileOutputFormat.setOutputPath(job, new Path("/hadoop/out"));
	job.waitForCompletion(true);
	return 0;

容错控制策略（4种）

容错：系统能在发生故障的前提下继续提供服务

检查点容错

过程：周期性备份和回滚恢复
任务出错时，可以从最近一次成功的checkpoint处恢复计算

备份开销和恢复效率不可兼得

血统容错

输入输出的依赖关系：
窄依赖：一对一
宽依赖：一对多

血统容错：记录中间结果的依赖关系，根据血统信息来重新计算一部分，恢复丢失的数据
如果血统信息过长，计算就会比较耗时，也需要使用检查点，避免太多的重复计算

推测式执行

如果有一个task执行的太慢，就会启动一个备份任务，最终使用原任务和备份任务中执行较快的task的结果。
推测式执行默认是关闭的，因为重复的任务会使集群的效率降低。
推测式执行是以空间换时间，一般在资源空闲且作业完成度较大时启动

补偿式容错

不做准备，出现故障时重置丢失数据（重新计算）

注： 有错误请指出!

作者：inss!w!
版权声明：本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！

以上是关于并行与分布式计算复习要点的主要内容，如果未能解决你的问题，请参考以下文章

DBA 分布式数据库复习总结

2016.6.20 计算机网络复习要点第三章之CSMA/CD协议

数据挖掘复习要点整理

如何实现C语言的多处理器并行计算

节测试答案

节测试答案