17686

17686

زمان بندي درون گره اي پردازه ها در سامانه هاي محاسباتي مقياس اگزا

كارشناسي ارشد

نرم افزار

فروردين ماه 1396

دكتر محسن شريفي

كامپيوتر

در طول سال هاي اخير، كنفرانس هاي علمي متعددي در سراسر جهان برگزار شده است كه نتايج آن، نشان دهنده وجود برخي سؤالات پژوهشي بي پاسخ در حوزه هاي مختلف علوم از جمله، آب و هوا، فيزيك هسته اي، علم مواد، شيمي، زيست شناسي و امنيت، بوده است. پاسخ به اين پرسش ها، بدون توسعه نسل بعدي سامانه هاي محاسباتي يعني سامانه هاي محاسباتي مقياس اگزا، امكان پذير نيست. دست يابي به سامانه هاي محاسباتي مقياس اگزا، داراي چالش هاي بسياري از جمله، مصرف بالاي انرژي، مقياس پذيري، نرخ بالاي ارسال و دريافت داده ها و بالا بودن نرخ رخداد خطا مي باشد. سامانه هاي محاسباتي مقياس اگزا به دليل داشتن گره هايي با حدود 1000 هسته ي پردازشي، داراي حجم بالايي از توازي در سطح درون گره اي هستند. اين موضوع منجر به افزايش تعداد نخ هاي برنامه هاي كاربردي مي شود كه مديريت ايجاد، از بين بردن و همزماني نخ ها، كاري دشوار است. از طرفي برنامه هاي كاربردي در حال ظهور در سامانه هاي محاسباتي توان بالا، داراي معماري مركب و چندانكليوي هستند. ظهور اين معماري جديد برنامه هاي كاربردي، بالا بودن سطح توازي و معماري ناهمگون گره هاي پردازشي اين نياز را به وجود مي آورد كه سيستم عامل و سامانه زمان اجرا بتوانند اين چالش ها را به هنگام انجام زمان بندي درون گره اي پردازه ها در نظر بگيرند. هدف ما، نگاشت پردازه هاي برنامه هاي كاربردي به هسته هاي پردازشي موجود در يك گره سامانه هاي محاسباتي مقياس اگزا است به گونه اي كه برخي از محدوديت هاي در نظر گرفته شده، محقق شوند. ايده ي اصلي، استفاده از روش هاي بهينه سازي عددي برنامه ريزي خطي صحيح دودويي و برنامه ريزي درجه دوم دودويي است، به گونه اي كه بتوانيم ميزان انتقال داده ها در سطح شبكه درون تراشه را با هدف كاهش ميزان مصرف انرژي و زمان برگشت پردازه هاي سامانه، كاهش دهيم. نتايج آزمايش نشان دهنده برتري روش برنامه ريزي درجه دوم دودويي نسبت به روش برنامه ريزي خطي صحيح دودويي در زمان بندي پردازه ها از طريق كاهش تعداد متغيرها مي باشد. واژه‌هاي كليدي: محاسبات توان بالا، سامانه هاي محاسباتي مقياس اگزا، زمان بندي، بهينه سازي.

1396/04/24

1/1/1900 12:00:00 AM

In recent years, many scientific conferences have been held throughout the world, whose results indicate several unanswered questions in different sciences including weather, atomic physics, material science, chemistry, biology, and security. Answering these questions is not possible without developing Exascale computing systems. Exascale computing systems involve many challenges including high energy consumption, scalability, high rate of data transmission, and a high error rate. Exascale computing systems have a high volume of parallelism on the intra-node level, due to having nodes with about 1000 processing cores. This causes an increase in the number of application program threads. Managing the creation and termination, and the synchronization of these threads is a difficult task. In addition, application programs emerging in High Performance Computing systems, have composition and multi-enclave architectures. This new architecture of application programs, high rate of parallelism, and heterogeneous architecture of processing nodes, necessitate the operating system and runtime systems to consider these challenges when scheduling the intra-node processes. Our goal is to create application programs on processing cores in a Exascale computing system node, such that some of the limitations considered are realized. The main idea is to use binary integer linear programming and binary quadratic programming, so that we can decrease the data transmission rate on an NoC level that reduce energy consumption and system process turnaround time. Results of the experiment show the superiority of binary quadratic programming method compared to binary integer linear programming in scheduling the processes by reducing the number of variables. Keywords: High performance computing, Exascale computing systems, Scheduling, optimization.