Comparaison entre une architecture matérielle dédiée et un GP-GPU pour l optimisation

Dimension: px

Commencer à balayer dès la page:

Download "Comparaison entre une architecture matérielle dédiée et un GP-GPU pour l optimisation"

Daniel Breton
il y a 8 ans
Total affichages :

1 Comparaison entre une architecture matérielle dédiée et un GP-GPU pour l optimisation Université de Bretagne-Sud Lab-STICC, Lorient, France ROADeF Troyes, France Février /22

2 Objectifs Après 7 ans dans un labo d électronique, la RO a contribué à : optimiser la synthèse de haut niveau ordonnancement, affectation, allocation optimiser le placement des données en mémoire optimiser les chemins de données dans les NoC optimiser l utilisation des réseaux de capteurs Mais qu a fait l électronique pour la RO? 2/22

placement des données en mémoire optimiser les chemins de données dans les NoC

3 Objectifs Après 7 ans dans un labo d électronique, la RO a contribué à : optimiser la synthèse de haut niveau ordonnancement, affectation, allocation optimiser le placement des données en mémoire optimiser les chemins de données dans les NoC optimiser l utilisation des réseaux de capteurs Mais qu a fait l électronique pour la RO? L objectif de notre travail est de proposer une architecture matérielle dédiée à l optimisation afin d accélérer la résolution de ces problèmes 2/22

dans les NoC optimiser l utilisation des réseaux de capteurs Mais qu a fait l électronique pour la RO?

4 Motivations Jusqu où peut-on aller? les ordinateurs offrent de plus en plus de processeurs ils sont équipés de cartes GP-GPU puissantes les logiciels suivent le rythme en s adaptant 3/22

5 Motivations Jusqu où peut-on aller? les ordinateurs offrent de plus en plus de processeurs ils sont équipés de cartes GP-GPU puissantes les logiciels suivent le rythme en s adaptant Mais sait-on bien utiliser ces nouvelles puissances? sait-on bien programmer en parallèle? les cartes GP-GPU sont-elles faites pour ça? 3/22

cartes GP-GPU puissantes les logiciels suivent le rythme en s adaptant Mais

6 Motivations Jusqu où peut-on aller? les ordinateurs offrent de plus en plus de processeurs ils sont équipés de cartes GP-GPU puissantes les logiciels suivent le rythme en s adaptant Mais sait-on bien utiliser ces nouvelles puissances? sait-on bien programmer en parallèle? les cartes GP-GPU sont-elles faites pour ça? Peut-on faire encore mieux avec une architecture dédiée? 3/22

puissantes les logiciels suivent le rythme en s adaptant Mais sait-on bien utiliser ces

7 de référence Le plus court chemin plus court chemin d un sommet vers tous les autres nombreux algorithmes disponibles bibliothèques gratuites facilement parallélisable applications en logistique noyau de plusieurs problèmes compliqués 4/22

disponibles bibliothèques gratuites facilement

8 Algorithme Algo retenu : Dijkstra version séquentielle BOOST avec liste d adjacence version séquentielle C++ avec représentation matricielle version parallèle C++ CUDA version parallèle VHDL 5/22

9 Instance from DIMACS challenge Description Rome99 Large portion of the directed road network of the city of Rome, Italy, from The graph contains 3,353 vertices and 8,870 arcs. Vertices correspond to intersections between roads and edges correspond to roads or road segments Source : University of Rome La Sapienza Auteurs : Gianni Storchi, Paolo Dell Olmo, Monica Gentili Date : March /22

Vertices correspond to intersections between roads and edges correspond to roads or road segments

10 Rome99 7/22

11 de test Algo séquentiel Algo parallèle PC standard Carte GP-GPU Sea of Vertexes 8/22

12 de test Algo séquentiel Algo parallèle PC standard Carte GP-GPU Sea of Vertexes 8/22

13 PC et Carte GP-GPU PC Standard Processeur : Intel Core 2 RAM : 4 Go Fréquence : 2GHz (et 1.33GHz) 3353 nœuds par processeur Carte GP-GPU Fabriquant : NVIDIA Modèle : GeForce GTX 570 Fréquence : 1.4 GHz 7 nœuds par processeur (480 processeurs) 9/22

14 Sea of Vertexes Le calculateur est conçu à partir de NoC sur FPGA FPGA (Field Programmable Gate Array) L acronyme FPGA (Field Programmable Gate Arrays) désigne un circuit intégré composé d un réseau de cellules programmables. Chaque cellule est capable de réaliser une fonction, choisie parmi plusieurs possibles. Les interconnexions sont également programmables 10/22

composé d un réseau de cellules programmables.

15 Sea of Vertexes (suite) Sea of Vertexes est une architecture mesh-2d simplex (communications à un seul sens à chaque top horloge) chaque processeur peut effectuer le calcul pour 1 ou plusieurs nœuds du graphe. Les calculs restent très simples il faut éviter les deadlocks 11/22

processeur peut effectuer le calcul pour 1 ou plusieurs nœuds du

16 Mesh 2D full-duplex Une variante de Sea of Vertexes, mais idéale (sans deadlock) En full-duplex les communications sont bi-directionnelles les processeurs sont organisés en grille 2D chacun peut traiter un ou plusieurs nœuds 12/22

sont bi-directionnelles les processeurs sont organisés en

17 Plans d exérience Les tests sont réalisés avec les caractéristiques suivantes : Id. Nom Implémentation # proc nœuds/proc. Fréq. 1 BOOST Séquentielle, LA, C++ 1 tous 2.0 GHz 2 DIJMAT Séquentielle, MAT, C++ 1 tous 1.3 GHz 3 GP-GPU Parallèle, C++/CUDA GHz 4 SOV1 Parallèle, VHDL GHz 5 SOV840 Parallèle, VHDL GHz 6 MESH5 Parallèle, VHDL GHz 7 MESH21 Parallèle, VHDL GHz LA : liste d adjacence; MAT : Matrice 13/22

0 GHz 2 DIJMAT Séquentielle, MAT, C++ 1 tous 1.3 GHz 3 GP-GPU Parallèle, C++/CUDA 480 7 1.

18 Résultats Détails temps de chargement des données pas inclus CPU représente le temps d exécution normalisé à 1GHz ratio est le facteur d accélération par rapport à BOOST Id. Nom CPU (ms) CPU ratio 1 BOOST DIJMAT GP-GPU SOV SOV MESH MESH /22

Nom CPU (ms) CPU ratio 1 BOOST 28 56 1.00 2 DIJMAT 105 140 0.40 3 GP-GPU 92.5 130 0.

19 Analyse des résultats Organisation SOV et MESH sont organisés en grille X Y (1 processeur sert à communiquer avec l environnement) X : # colonnes Y : # lignes P : # processeurs réellement exploités V : # nœuds par processeur X Y P V /22

15 16 17 18 19 20 21 22 24 26 Y 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 24 26 P 1 3 8 15 24 35 48 63 80 99 120

20 Evolution de la taille de la grille CPU (ms) SOV MESH Taille grille 16/22

21 Comparaison avec une liste triée Natural Sorted CPU (ms) Taille grille 17/22

22 Meilleure performance La meilleure performance est obtenue sur un Mesh avec 195 processeurs, 18 nœuds par processeurs et une liste des nœuds candidats triée à chaque fois Id. Nom CPU (ms) CPU ratio 1 BOOST DIJMAT GP-GPU SOV SOV MESH MESH MESH14* Les gains peuvent atteindre un ratio de 10 4 par rapport à une version séquentielle 18/22

23 Extensibilité Les résultats sont-ils extensibles? On test notre matériel sur une instance beaucoup plus large New York City Description Original instance of the DIMACS Challenge,with roads from New York city. The graph contains 264,346 vertices and 733,846 arcs 19/22

24 Résultats partiels BOOST est bon!!! Sur un graphe 100 fois plus grand, BOOST est seulement 10 fois plus lent...les densités ne sont pas identiques! Id. Nom proc. # nœuds/proc. CPU (ms) CPU ratio 1 BOOST 1 264, MESH2* 3 88, MESH3* 8 33, MESH4* 15 17, MESH5* 24 11, MESH6* 35 7, MESH7* 48 5, MESH8* 63 4, MESH9* 80 3, MESH10* 99 2, MESH11* 120 2, /22

25 s et perspectives s Une architecture dédiée est une solution envisageable + gains importants + extensibilité de la méthode difficultés d implémentation simulation nécessaire Perspectives il faut se comparer à une architecture multicœurs réaliser une implantation physique partitionner le graphe au mieux (k-partition) la RO au service de l électronique pour la RO 21/22

26 Visit our web site... Lorient Contact : marc.sevaux@univ-ubs.fr 22/22

Documents pareils

Segmentation d'images à l'aide d'agents sociaux : applications GPU

Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche