Introduzione al Calcolo Parallelo

Presentazione sul tema: "Introduzione al Calcolo Parallelo"— Transcript della presentazione:

1 Introduzione al Calcolo Parallelo
GPGPU – CUDA Girolamo Giudice Seminario di Bioinformatica

2 Introduzione al calcolo parallelo
Cenni sul calcolo sequenziale Cenni sul calcolo parallelo Perché usare il calcolo parallelo Architettura hardware GPU - CUDA Modello Software Cuda Esempio pratico

3 Introduzione al calcolo parallello
Benchmark di alcuni tool Bioinformatici Vento sulla GPU

4 Evoluzione della CPU Negli ultimi 20 anni i microprocessori basati su una singola CPU hanno avuto un rapido incremento nelle prestazioni e una diminuzione dei costi. Questa corsa ha subito una battuta d’ arresto a causa dei consumi e dei problemi di riscaldamento 15 nov 2004 p4 3,8ghz 28 mag 2011 I7extreme 3,6ghz

5 Evoluzione della CPU I produttori di microprocessori si sono orientati verso modelli con più unità di processo (multi core),allo scopo di aumentare la potenza di calcolo. Intel ha presentato un 80 core

6 Problemi dei Multi-core
Tradizionalmente i programmi sono stati scritti per essere eseguiti su un computer con una singola CPU ( modello Von Neuman). La stragrande maggioranza delle applicazioni sono costituite da programmi sequenziali I processori dual core sono praticamente lo standard attuale

7 Cenni di calcolo sequenziale
Un problema viene suddiviso in sequenze discrete di istruzioni che vengono eseguite (di solito) una dopo l’altra In un dato istante di tempo solo una istruzione è in esecuzione sulla CPU

8 Cenni di calcolo parallelo
Il calcolo parallelo è l’uso di più unità di computazione ( CPU multi core o multi CPU) per risolvere problemi Storicamente è stato sempre un paradigma costoso e di alto livello

9 Cenni di calcolo parallelo
Il calcolo viene eseguito su più CPU o su CPU multicore o dual thread Il problema viene decomposto in componenti discrete che possono essere eseguite concorrentemente Le istruzioni sono eseguite simultaneamente su CPU differenti

10 Tassonomia di Flynn

11 Tassonomia di Flynn SISD SIMD MISD MIMD

12 Perché usare il calcolo parallelo
Risolvo un problema più grande nello stesso tempo (SCALE – UP) Lo stesso problema in minor tempo (SPEED-UP) Contenere i costi Sfruttare meglio la RAM Aumentare l’affidabilità Utilizzare risorse distribuite

13 GPGPU / CUDA GPGPU: utilizzare il processore della scheda grafica (GPU) per scopi diversi dalla tradizionale creazione di un’immagine tridimensionale. Le GPU sono processori multicore ad elevate prestazioni, il loro avvento è relativamente recente. Le prime soluzioni programmabili risalgono al 2006,precedentemente erano dedicate solo allo sviluppo della grafica e dei videogiochi. Le GPU sono diventate processori paralleli general purpose con interfacce di programmazione con supporto ai linguaggi di programmazione come il C.

14 Differenze Macroscopiche CPU / GPU

15 Architettura CUDA G80 Host = CPU Device = GPU C: Compute U: Unified
D: Device A: Architecture 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

16 Architettura Cuda Ciascun Streaming Multiprocessor contiene al suo interno: 8 Stream Processor (add sub,mul su int e float) SFU(super funciton unit): seno,coseno,log,inv,exp Shared memory per tutti i thread in esecuzione sul SM Cache per dati e istruzioni Unità per la decodifica delle istruzioni (decodifica una istruzione ogni 4 cicli di clock)

17 Architettura hardware
Mascherare la latenza della memoria globale con migliaia di thread Struttura di memoria semplice ma a bassa latenza, anziché ad accesso ottimizzato , ma complesso Nessuna priorità sui thread No context switch No overhead SIMT (single instruction multiple thread) tutti i thread eseguono la stesso istruzione ma su dati diversi

18 Cuda: Modello di esecuzione
Un codice Cuda alterna porzioni di codice seriale, eseguito dalla CPU e di codice parallelo eseguito dalla GPU. Le porzioni di codice eseguite sulla GPU sono note come kernel (~ funzione in C/C++) Il kernel, è definito come una griglia di blocchi che vengono assegnati ai vari multiprocessori, e rappresentano un parallelismo a grana grossa. Ogni blocco esegue l’unità di computazione fondamentale, il thread. Un thread può appartenere ad un solo blocco ed è univocamente identificato da un ID.

19 Multidimensionalità degli IDs
Il codice parallelo viene lanciato, dalla CPU, sulla GPU , questa esegue un solo kernel alla volta. La dimensione della griglia si misura in blocchi questi possono essere: Block: 1-D o 2-D La dimensione dei blocchi si misura in thread Thread 1-D,2-D,3-D

20 Cuda memory model Tipi di memoria Global (device) memory (R/W)
Shared memory (R/W) Registers (R/W locale per thread) Constant (R/O) Texture (R/O) Global,costant e texture memory sono persistenti a diversi lanci di kernel Si minimizza il transfer rate bottleneck

21 Classi di applicazioni
Presenza di molte operazioni matematiche(grande intensità aritmetica) Elevato grado di parallelismo (le stesse operazioni vengono ripetute per una grande quantità di dati) Condizioni di controllo limitate Minima dipendenza tra i dati

22 Linguaggi che supportano cuda

23 Esempio 2 vettori da 100.000 elementi
Su ogni elemento del vettore dobbiamo eseguire questa operazione log(h_a[i]*h_b[i]) Quanti blocchi? Quanti thread? Fissiamo per esempio 512 thread Dimensione del blocco = /512=195.31 Arrotondiamo a 196 n°thread=196*512=100352

24 #include <stdio.h>
// implementazione del kernel __global__ void Kernel(float *d_a,float *d_b,float *d_c) { // calcolo dell'indice di thread int idx = blockIdx.x*blockDim.x + threadIdx.x; if(idx<100000) d_c[idx] =log(d_a[idx]*d_b[idx]); } // Dichiariamo il main int main( int argc, char** argv) int n=100000; time_t begin,end; // puntatore per la struttura dati sull'host float *h_a=(float*) malloc(sizeof(float)*n); float *h_b=(float*) malloc(sizeof(float)*n); float *h_c=(float*) malloc(sizeof(float)*n); //inizializzo il vettore numeri casuali for(int i=0;i<n;i++) h_a[i]=rand(); h_b[i]=rand(); begin = clock(); h_c[i] =log(h_a[i]*h_b[i]); end=clock(); float time_cpu = (double)(end-begin)/CLOCKS_PER_SEC; printf("CPU time %.20lf\n",time_cpu); // puntatore per la struttura dati sul device float *d_a=NULL; float *d_b=NULL; float *d_c=NULL; //verifico al secondo lancio del kernel for(int i=0;i<2;i++) begin = clock(); //malloc e memcopy host to device cudaMalloc( (void**) &d_a, sizeof(float)*n) ; cudaMemcpy( d_a, h_a, sizeof(float)*n, cudaMemcpyHostToDevice) ; cudaMemcpy( d_b, h_b, sizeof(float)*n, cudaMemcpyHostToDevice) ; cudaMemcpy( d_c, h_c, sizeof(float)*n, cudaMemcpyHostToDevice) ; // definizione della grandezza della griglia e dei blocchi int numBlocks = 196; int numThreadsPerBlock = 512; // Lancio del kernel dim3 dimGrid(numBlocks); dim3 dimBlock(numThreadsPerBlock); Kernel<<< dimGrid, dimBlock >>>( d_a,d_b,d_c ); // blocca la CPU fino al completamento del kernel sul device cudaThreadSynchronize(); // Esegue la copia dei risultati dalla memoria del device a quella dell'host cudaMemcpy( h_c, d_c, n, cudaMemcpyDeviceToHost ); end = clock(); } float time_gpu = (double)(end-begin)/CLOCKS_PER_SEC; printf("GPU time %.20lf\n",time_gpu); // libera la memoria sul device cudaFree(d_a); cudaFree(d_b); cudaFree(d_c); // libera la memoria sull'host free(h_a); free(h_b); free(h_c); return 0;

25 Inizialmente: float *h_a=(float*) malloc(sizeof(float)*n);
float *h_b=(float*) malloc(sizeof(float)*n); float *h_c=(float*) malloc(sizeof(float)*n); CPU GPU Array h_a Host’s memory Device’s memory Array h_b Array h_c

26 Allocare memoria sulla GPU
cudaMalloc( (void**) &d_a, sizeof(float)*n) ; CPU GPU Array h_a Array d_a Host’s memory Array h_b Array d_b Device’s memory Array h_c Array d_c

27 Copiare il contenuto dalla host memory alla device memory
cudaMemcpy( d_a, h_a, sizeof(float)*n, cudaMemcpyHostToDevice) ; cudaMemcpy( d_b, h_b, sizeof(float)*n, cudaMemcpyHostToDevice) ; cudaMemcpy( d_c, h_c, sizeof(float)*n, cudaMemcpyHostToDevice) ; CPU GPU Array h_a Array d_a Host’s memory Array h_b Array d_b Device’s memory Array h_c Array d_c

28 Eseguire il contenuto sulla GPU
__global__ void Kernel( float *d_a,float *d_b,float *d_c) { // calcolo dell'indice di thread int idx = blockIdx.x*blockDim.x + threadIdx.x; if(idx<100000) d_c[idx] =log(d_a[idx]*d_b[idx]); } Kernel<<< 196, 512 >>>( d_a,d_b,d_c ); GPU MPs CPU GPU Array h_a Array d_a Host’s memory Array h_b Array d_b Device’s memory Array h_c Array d_c

29 In the GPU … … … … … … … d_c[idx]= Thread 0 Thread 1 Thread 2
Log(d_a[idx]+d_b[idx] d_c[idx]= Log(d_a[idx]+d_b[idx] d_c[idx]= Log(d_a[idx]+d_b[idx] d_c[idx]= Log(d_a[idx]+d_b[idx] d_c[idx]= Log(d_a[idx]+d_b[idx] d_c[idx]= Log(d_a[idx]+d_b[idx] d_c[idx]= Log(d_a[idx]+d_b[idx] … … … … Block 0 Block 196

30 Restituire il risultato
cudaMemcpy( h_c, d_c, n, cudaMemcpyDeviceToHost ); Host’s Memory GPU Card’s Memory Array h_c Array d_c Tempi CPU 0.01 GPU 0.002 el Tempi CPU 0.1 GPU 0.007 el Tempi CPU 0.8 GPU 0.037 el

31 Applicazioni tipiche Elaborazione video Astrofisica Finanza
Fisica di gioco Modellazione fisica Analisi numerica DSP Imaging medicale Data mining Dinamica molecolare Bioinformatica

32

33 Usa suffix tree

34 Match insert delete

35 Probabilità oops

36 Mcode:Finds clusters in a network

37 Subgraph isomorphism Subgraph matching. Un grafo G(V,E) e un sottografo isomorfo a G1(V1,E1) se esiste una funzione iniettiva f:VV1 tale che (u,v)E se e solo se (f(u),f(v))E1. La ricerca di sottostrutture all’interno di un grafo target è un processo estremamente oneroso dal punto di vista computazionale (problema NP-completo). Il processo di ricerca di una query si articola in tre fasi Preprocessing Filtering Matching

38 Esempio #Graph 1 83 71 27 44 2 3

39 Esempio #graph 10 9 69 8 7 50 8 88 16 0 7 0 1 7 1 10 1 11 10 11 13 11 6 11 3 11 9 11 8 11 5 11 2 11 4 11 12 14 11 97 4 1 72 8 11 95 69 3 5 37 22 2 13 12 36 12 6 50 81 14

40 Grafo Query #Query 3 69 50 8 1 50 69 2 0 1 0 2 8 2

41 Preprocessing Nodo iniziale / Nodo finale #graph 16 8 69 8 72 69 72
8 69 8 72 69 72 50 72 69 50 69 81 69 22 69 8 69 88 69 95 69 37 69 97 69 12 36 69 Nodo iniziale / Nodo finale #Query 2 69 50 69 8

42 Applichiamo CUDA Nodo iniziale / Nodo finale #Query 2 69 50 69 8 8 69
69 50 69 8 Nodo iniziale / Nodo finale #graph 16 8 69 8 72 69 72 50 72 69 50 69 81 69 22 69 8 69 88 69 95 69 37 69 97 69 12 36 69 Tid 1 Tid 2 Tid 3 Tid 4 Tid 5 Tid 6 Tid 7 Tid 8 Tid 9 Tid 10 Tid 11 Tid 12 Tid 13 Tid 14 Tid 15 Tid 16 Tid 1 Tid 2 Tid 3 Tid 4 Tid 5 Tid 6 Tid 7 Tid 8 Tid 9 Tid 10 Tid 11 Tid 12 Tid 13 Tid 14 Tid 15 Tid 16

43 Nodo iniziale / Nodo finale
#graph 16 8 69 8 72 69 72 50 72 69 50 69 81 69 22 69 8 69 88 69 95 69 37 69 97 69 12 36 69 1° kernel 69 50 Tid 1 Tid 2 Tid 3 Tid 4 Tid 5 Tid 6 Tid 7 Tid 8 Tid 9 Tid 10 Tid 11 Tid 12 Tid 13 Tid 14 Tid 15 Tid 16 Tid 1 Tid 2 Tid 3 Tid 4 Tid 5 Tid 6 Tid 7 Tid 8 Tid 9 Tid 10 Tid 11 Tid 12 Tid 13 Tid 14 Tid 15 Tid 16

44 Nodo iniziale / Nodo finale
#graph 16 69 8 8 72 69 72 50 72 69 50 69 81 69 22 69 88 69 95 69 37 69 97 69 12 36 69 2° kernel 69 8 Tid 1 Tid 2 Tid 3 Tid 4 Tid 5 Tid 6 Tid 7 Tid 8 Tid 9 Tid 10 Tid 11 Tid 12 Tid 13 Tid 14 Tid 15 Tid 16 Tid 1 Tid 2 Tid 3 Tid 4 Tid 5 Tid 6 Tid 7 Tid 8 Tid 9 Tid 10 Tid 11 Tid 12 Tid 13 Tid 14 Tid 15 Tid 16

45 Pruning Foresta di grafi 50 8 8 Query 1 50 69 69 69 8 2 50

46 Ricapitolando CUDA

47 2° pruning

48 VF2

49 Risultati Scalefree2000 Composta da 2000 nodi e 3997 archi Query4
Rete utilizzata: Scalefree2000 Composta da 2000 nodi e 3997 archi Query Test: Query4 Query16 Query64 Hardware utilizzato: Intel Core 2 duo E4400 (2 GHz) Nvidia Geforce Gts 250 (128 Cuda cores)

50

51

52

53

54 Rete utilizzata: Query Test: Hardware utilizzato: YeastNetworkRand
Composta da 5589 nodi e archi Query Test: Query4 Query8 Query16 Query32 Query64 Query128 Hardware utilizzato: Intel Core 2 duo E4400 (2 GHz) Nvidia Geforce Gts 250 (128 Cuda cores)

55

56 Query 8

57 Query 16 Guadagno da 6x a 164x

58 Query 16

59 Query 32

60

61

62

63

64 L’elaborazione della query128_036,da parte di ventoCPU, è stata interrotta dopo oltre 7 ore di elaborazione

65 Confronto con SING Rete:ScaleFree_2000_128 n° Query4 : 100
n° Match Effettivi: 31 Query da valutare con VentoGPU:32 Falsi positivi VentoGPU:1 Query da valutare con Sing: 99 Falsi positivi Sing: 68

66

67 Query da valutare con VentoGPU:49 Falsi positivi VentoGPU:0
Rete:ScaleFree_2000_128 n° Query16 : 100 n° Match Effettivi: 49 Query da valutare con VentoGPU:49 Falsi positivi VentoGPU:0 Query da valutare con Sing: 50 Falsi positivi Sing: 1

68

69 Query da valutare con VentoGPU:40 Falsi positivi VentoGPU:0
Rete:ScaleFree_2000_128 n° Query64 : 100 n° Match Effettivi: 40 Query da valutare con VentoGPU:40 Falsi positivi VentoGPU:0 Query da valutare con Sing: 42 Falsi positivi Sing: 2

70

71 Rete:Yeastnetworkrand n° Query4 : 100 n° Match Effettivi: 68
Query da valutare con VentoGPU:75 Falsi positivi VentoGPU:7

72

73 Rete:Yeastnetworkrand n° Query16 : 100 n° Match Effettivi: 35
Query da valutare con VentoGPU:61 Falsi positivi VentoGPU:26

74

75 Rete:Yeastnetworkrand n° Query64 : 100 n° Match Effettivi: 34
Query da valutare con VentoGPU: 60 Falsi positivi VentoGPU:26

76

77 Questions?