《并行计算》期末总结

Posted 2020-07-21 bit_line

《并行计算》总结

标签: 并行计算

一、并行介绍

域分解

• 针对的分解对象：数据
• 首先确定数据如何划分到各处理器
• 然后确定各处理器要做的事情
• 示例：求最大值

任务(功能)分解

• 针对的分解对象：任务(功能)
• 首先将任务划分到各处理器
• 然后确定各处理器要处理的数据

二、并行硬件性能

Flynn弗林分类

• SISD: Single Instruction stream Single Data stream
• SIMD
• MISD
• MIMD

并行计算机结构模型

• PVP(Parellel Vector Processor)，并行向量处理机。特点：不使用高速缓存，而是使用大量向量寄存器和指令缓存。只有充分考虑了向量处理特点的程序才能获得较好的性能。
• SMP(Symmetric Multiprocessor)，并行多处理器，共享存储器。扩展性有限。
• MPP(Massively Parellel Processor)，大规模并行处理器。只有微内核(每个节点无独立的操作系统etc)，高通信带宽，低延迟互联网络，分布存储。异步MIMD。
• Cluster，集群。分布存储，每个节点是一个完整的计算机。投资风险小、结构灵活、性价比高、充分利用分散的计算资源、可扩展性好。问题：通信性能。

内存访问模型

• UMA(Uniform Memory Access)，均匀存储访问。
  
  • 物理存储器被均匀共享(访存时间)
  • 可带私有Cache
  • 外围设备也共享
• NUMA(Nonuniform Memory Access)，非均匀存储访问。
  
  • 被共享的存储器分布在所有处理器中
  • 处理器访问存储器的时间不同：本地(LM)和群内共享(CSM)较快，外地和全局共享(GSM)较慢
  • 可带私有Cache
  • 外围设备共享
• NORMA(No-Remote Memory Access)，非远程存储访问
  
  • 所有存储器私有
  • 节点间通过消息传递进行数据交换 -> 网络、环网、超立方、立方环

多核技术

• 摩尔定律(18个月单位面积晶体管数量翻一倍)
• Power Wall(性能越高，提高性能需要的功率越大)

• Memory Wall，内存性能提高不及CPU

  • 多核(Dual core)与超线程(Hyper Thread, HT)
• 双核是真正意义上的双处理器，不会发生资源冲突，每个线程拥有自己的缓存、寄存器和运算器
• 超线程提高性能>1/3，双核相当于$2 \times NHT$

性能指标

• 执行时间 Elapsed Time, $T_{n} = T_{计算} + T_{并行开销} + T_{通信}$
• 浮点运算数 Flop (Floating-point operation)
• 指令数目 MIPS (Million Instructions Per Sencond)
• 计算/通信比 $T_{comp}\over T_{comm}$
• 加速比 $S(n) = \frac{t_s}{t_p}$
• 效率 $E = \frac{t_s}{t_p\times n}$
• 代价 $Cost = \frac{t_s n}{S(n)} = \frac{t_s}{E}$

• 处理器数$P$，问题规模$W$(串行分量$W_s$)，并行化部分$W_p$，串行时间$T_s$，并行时间$T_p$，加速比$S$，效率$E$

  • 加速比定律 前两个拷一个
• Amdahl定律: 固定的计算负载，增加处理器数量加速。 $$S={{W_s + W_p}\over{W_s + \frac{W_p}{p}}} = {{f + (1-f)}\over{f + (1-f)/p}} = {{p}\over{1-f(p-1)}}$$
• Gustafson定律：增加计算量，响应增多处理器，以提高精度。 $$S‘={{W_s + pW_p}\over{W_s + pW_{p}/p}} = {f + p(1-f)} = p - f(p - 1)$$
• Sun and Ni定律：存储受限。
  S′′=fW+(1?f)G(p)以上是关于《并行计算》期末总结的主要内容，如果未能解决你的问题，请参考以下文章