abiadura handiko konputagailuak (top500 zerrenda). · 2012-12-09 · arkitektura paraleloak if -...

Arkitektura Paraleloak IF - EHU

Arkitektura Paraleloak

9. OpenMP eta MPI: programa paraleloak sortzeko “tresnak” (sarrera).

Abiadura handiko konputagailuak (top500 zerrenda).


59 9 Sistema paraleloen arkitektura

1

1

N

N

SIMD MIMD

SISD

agindu-jarioak

datu-jarioak

Prozesatze-matrizeak

Bektore-konputagailuak

MPP/NUMA

Clusters

memoria banatua

P

C

M

sare orokorra

MN

P

C

memoria partekatua

SMP

busa


60 9

Prozesadore bakar bat (bektoriala)

SMP sistemak / SIMD sistemak

Sistema paralelo masiboak, MPP Ezaugarri onenak (kalkulu-abiadura): latentzia txikiko eta

banda-zabalera handiko komunikazioak, diseinu bereziko prozesadoreak (batzuetan), kontrol-software oso optimizatua...

Baina oso garestiak.

Cluster-ak

Arkitekturen eboluzioa


61 9

Munduko 500 konputagailu azkarrenen zerrenda (LINPACK proba-bankua exekutatuz).

Rmax, Nmax, N1/2 parametroak neurtzen dira. Kontsumitzen den potentzia ere hasi da kontuan

hartzen.

Ekuazio linealen sistema trinkoak (matrize-kalkulua). Kalkulu-abiadura handiak lor daitezke (maximo birtual bat).

Top500 (www.top500.org)


62 9

6 hilean behin, 1993tik (ekainean eta azaroan)

40. zerrenda – 2012ko azaroa

Fabrikatzaile guztiak gutxi-asko onartua

Joeren analisia / merkatuaren eboluzioa

Top500


63 9

Kalkulu-abiaduraren eboluzioa

Top5+

Fabrikatzaileak

Prozesadoreak: arkitektura / familia / kopurua Sistema: arkitektura / sarea / S.E.

Erabilera

Top500


64 9

×1,9/urte

162,1 PF/s 14.885.800 nukleo (29.771 n. - 10,9 GF/s)

1 PF/s → 2008 10 PF/s → 2011 100 PF/s → 2015

Top500

Intel ASCI Red SandiA

IBM ASCI White LLNL

NEC Earth Sim.

BlueGene

RoadRunner Jaguar

K-computer Titan

Sequoia Tianhe-1A


65 9

Rank Computer Cores Rmax Rpeak

(Pflop/s)

Power (kW)

Installation site Country/year Type

Top5 (12ko abendua)

1 mpp

Titan, Cray XK7 Opteron 6274, 16 core 2,2 GHz Cray Gemini, NVIDIA K20x

560.640 17,6 27,1

8.209 Oak Ridge N.L.

USA / 2012 -

2 mpp

Sequoia, BlueGene/Q Power BQC, 16c – 1,60 GHz

Custom (torus 5D)

1.572.864 (96x1024x16)

16,3 20,1

7.890 DOE/NNSA/LLNL

USA/ 2012 Research

3 cluster

K computer, Fujitsu SPARC67 viiifx - 2 GHz

Tofu interc., 6D torus/mesh 705.027

10,5 11,3

12.660 RIKEN AICS

Japonia/ 2011 Research

6 cluster

SuperMUC, IDataPlex DX360M4 Xeon E5-2680 - 2,7 MHz

Infiniband FDR 147.456 2,9

3,2 3.433

Leibnitz R. Alemania/ 2012

Academic

BlueGene/Q gehiago: (4): Mira, 48x, USA; (5) JUQUEEN, 24x, Juelich; (9) Fermi, 10x, Bologna

8 mpp

Tianhe-1A NUDT-MPP Intel EM64T Xeon X5670 - 2,93 GHz

Propietary 186.368

2,6 4,7

4.040 Tianjin NSC Txina / 2010

Research


66 9

Kop. % Rmax (PF/s) Nukl. kop.

IBM 193 38,6 66,2 6.769.140

HP 146 29,2 18,1 2.300.904

Cray Inc. 31 6,2 28,2 1.908.880

Appro 24 4,8 5,1 373.200

SGI 19 3,8 5,1 434.406

Fujitsu 10 2 13,8 921.048

Guztira (+) 500 100 162,1 14.885.800

Sistemaren fabrikatzailea

Top500


67 9 Top500


68 9


Eskalarra 497 99,4 162 14.884.520

Bektoriala 1 0,2 0,12 1.280

Guztira(+) 500 100 162,1 14.885.800

Prozesadoreen arkitektura

Top500

217: Earth Simulator 2, NEC - 0,12 PF/s - 1.280 nukleo


69 9 Top500


70 9

Kop. % Rmax (PF/s)

Nukl. kop.

Xeon 381 76,2 70,7 6.786.414

Opteron 61 12,2 32 2.620.330

Power 53 10,6 46,9 4.606.112

NEC 1 0,2 122 1.280

Guztira(+) 500 100 162,1 14.885.800

Prozesadore-familia

Top500


71 9

Nukleo kopurua (mpp / cluster)

Top500


72 9

VP500

Y-MP C90

CM5

Paragon

T3D

SP2

T3E

ASCI Red

Sun HPC

CM2

Earth Sim.

Blue Gene

RoadRunner

Jaguar

Tianhe-1A

K computer

Top500

Sequoia

Titan


73 9


Clusters 411 82,2 83,4 8.060.460

MPP 89 17,8 78,7 6.825.340

Guztira 500 100 162,1 14.885.800

urte bat → x 2,2 x 1,6

Sistemaren arkitektura

Top500


74 9 Top500


75 9


Infiniband 224 44,8 52,7 4.284.249

Gigabit Eth. 189 37,8 20.4 3.161.618

Custom 53 10.6 59,6 5.228.512

Proprietary 15 3 6,4 954.256

Cray 15 3 22,6 1.206.240

Myrinet 3 0,6 0,3 49.645

Fat tree 1 0,2 0,12 1.280

Guztira (+) 500 100 162,1 14.885.800

Komunikazio-sarea

Top500


76 9 Top500


77 9 Top500


78 9

Kop. % Rmax (TF/s) Nukl. kop.

Industry 247 49,4 28,5 3.933.385

Research 121 24,2 96,2 7.837.116

Academic 97 19,4 29,5 2.507.471

Government 18 3,6 3,4 299.860

Vendor 13 2,6 3,7 229.632

Classified 4 0,8 0,9 78.366

Guztira 500 100 162,1 14.885.800

Erabilera

Top500


79 9 Top500


80 9 Top500


81 9

36 Mare Nostrum IBM iDataPlex, Xeon E5 (8c), Infiniband FDR 33.664 nukl. – 637 TF/s

290 BSC Bull, cluster (Infin.) – 5.544 nukl. – 103 TF/s

>> 39.208 nukl. – 0,7 PF/s (% 0,3)

11 Curie thin nodes, CEA Bullx B510 Xeon E5 (8c), Infniband, 77.184 nukl. – 1.359 TF/s 20 Tera-100, CEA Bullx super-node S6010/S6030, Infniband, 138.368 nukl. – 1.050 TF/s 31/32 BlueGene/Q Power BQC, 65.536 nukl. - 690 TF/s … Guztira: 21 sistema (EDF, Airbus, CINES, Total,…) >> 620.248 nukl.- 6,5 PF/s (% 4)

Top500: Espainia/Frantzia (12ko abendua)

>> Europa: Alemania (19 - 10,2 PF/s), B.H. (24 – 7,3 PF/s), Italia (7 - 2,4 PF/s) Guztira: 31,2 PF/s (%20)


82 9

Arina, Arinaz (260 nukleo, Itanium2) Guinness (440 nukelo, Xeon) Maiz (40 nukleo, Opteron)

Fitxategi paraleloko sistema (SFS) 4 zerbitzari 4,7 TB / 7,1 TB

Infiniband, 1 GB/s

EHUko ARINA cluster-a


83 9 EHUko ARINA cluster-a


84 9

Aplikazioak Oro har, kimika, fisika eta biologia

arlokoak. Erosi den softwarea: CFX, fluidoen dinamika

MOLCAS, molekulen egitura

ADF, molekulen egitura elektronikoa

WIEN2K, solidoen egitura elektronikoa

Qsite, proteinak

NBO5-NBOView, molekula-loturak

EHUko ARINA cluster-a


85 9

Laborategiko cluster-a 32 + 3×4 prozesadore (Pentium IV) Gigabit Ethernet OpenMP, MPI, UPC

Paralelismoko Laborategia


86 9 Titan


87 9 Cray Jaguar


88 9 Cray Jaguar


89 9 K computer


90 9 Tianhe-1A

http://www.china-defense-mashup.com/wp-content/uploads/2009/10/tianhe-2.jpg


91 9 Tianhe-1A


92 9 Nebulae


93 9 Hopper


94 9 Tera-100


95 9 RoadRunner

Cell


96 9 RoadRunner


97 9 RoadRunner


98 9 RoadRunner


99 9 RoadRunner


100 9 RoadRunner


101 9 RoadRunner

http://xenophilius.files.wordpress.com/2008/06/ibm_roadrunner.jpg


102 9 JuGene - BlueGene/P


104 9

5,5 GB/s

11 GB/s

15 way fully assoc. pref. caches

5,5 GB/s

27 GB/s

22 GB/s

BlueGene/L


105 9 BlueGene/L


106 9

32 x 32 x 64

1,4 Gb/s (x2) 5,6 Tb/s erdibiketa tr (max) = 69 ns cut-through moldakorra deadlock-free active messages

BlueGene/L


107 9 BlueGene/L



http://upload.wikimedia.org/wikipedia/commons/d/de/BlueGeneP_rack.jpg


111 9 JuGene - BlueGene/Q


112 9 Earth Simulator 2



Peak performance: 102,4 GF/s × 8 × 160 CPU = 131 TF/s Shared memory: 128 GB × 160 = 20 TB ES → ES2: proz: 1/4; mem: x2; perform: ×3,2; sarea: cross → fat tree

http://www.jamstec.go.jp/es/en/images/es2/system01_L.gif



1 Chip LSI : 102,4 Gflops 65 nm CMOS 11 Layers copper interconnection 21,04 mm x 19,84 mm 350 million transistors 8.960 pins Clock Cycle: 3,2 GHz Power Consumption: 240 W (Typ.)

http://www.jamstec.go.jp/es/en/images/es2/cpu_l.gif



http://www.jamstec.go.jp/es/en/images/es2/in_L.gif



Internode Crossbar Switch (IXS)


119 9 Mare Nostrum (www.bsc.org.es)


120 9 Mare Nostrum


121 9 Mare Nostrum


122 9 Mare Nostrum


123 9 Mare Nostrum


124 9 Mare Nostrum

abiadura handiko konputagailuak (top500 zerrenda). · 2012-12-09 · arkitektura paraleloak if -...

Documents