ICode9
精准搜索请尝试： 精确搜索
首页
编程语言>
数据库
系统相关
互联网
其他分享
Python
Java
JavaScript
android
PHP
首页 > 其他分享> 文章详细

并行与分布式计算复习要点

2022-01-08 10:01:22  阅读：255  来源： 互联网

标签：复习 并行 分布式计算 MPI 发送 处理器 进程 接收 内存


概念

计算机架构

image

SISD

  • Single instruction stream Single Data stream
  • 单指令单数据，串行计算机
  • 在任何一个时钟周期，CPU都只有一个指令流；在任何一个时钟周期，都只有一个数据流作输入
  • 确定性执行
    image

SIMD

  • Single instruction stream Multiple Data stream
  • 单指令多数据，并行计算机
  • 每个处理单元在任何一个时钟周期都执行相同的指令；每个处理单元可以在不同的数据元件上操作
  • 适用于处理具有高度规律性的问题
  • 同步和确定性
    image

MISD

  • Multiple instruction stream Single Data stream
  • 多指令单数据，并行计算机，很少有实际例子
  • 每个处理单元通过单独的指令流处理数据，单个数据流输入多个处理单元
    image

MIMD

  • Multiple Instruction stream Single Data stream
  • 多指令多数据，最常见的并行计算机
  • 每个处理单元执行不同的指令流，使用不同的数据流
  • 同步或异步，确定性或非确定性
    image

共享内存

并行计算机的一种存储结构，有全局地址空间

  • 特性
    所有处理器将所有内存作为全局地址空间访问
    多个处理器独立运行，但共享内存资源
    所有处理器可以看到由一个处理器引起的内存位置变化
  • 优点
    全局地址空间便于编程
    内存接近CPU，任务之间的数据共享，既快速又均匀
  • 缺点
    内存和CPU之间缺乏可扩展性
    成本高、代价大

根据内存访问时间被归为UMA、NUMA

UMA 统一内存访问

  • Uniform Memory Access
  • 所有处理器平等的访问内存
  • 一个处理器更新了共享内存，其他处理器都能知道，既缓存连贯性
    SMP，对称多处理器的表示（Symmetrical Multi-Processing）
    image

NUMA 非统一内存访问

  • Non-Uniform Memory Access
  • 通过物理连接将多个SMP连接在一起
  • 一个SMP可以访问另一个SMP的内存，并非都有平等的访问时间来访问所有记忆
  • 跨链接的内存访问速度慢
  • 缓存连贯性
    image

分布式内存

并行计算机的一种存储结构

  • 特性
    需要通信网络来连接处理器的内存
    处理器有本地内存，不存在全局地址空间
    独立运行，不适用缓存连贯
    处理器需要访问其他处理器的数据时，程序员需要明确定义数据传输方式和访问时间，进行任务的同步
    用于数据传输的网络结构差别大
    image
  • 优点
    内存可随着处理器数量的增加而增多
    每个处理器可以快速访问自己的内存，且没有冲突，没有维护缓存一致性的开销
    成本低
  • 缺点
    程序员需要负责很多通信之间的详细信息
    因为没有全局地址空间，很难建立分布式内存管理映射

并行计算模型

PRAM

  • Parallel Random Access Machine， 随机存取并行机器
  • 共享存储的SIMD模型
    有一个集中的共享存储器和一个指令控制器，通过SM(Shared Memory)的R/W交换数据，隐式同步计算。
  • 并发读写控制策略
    根据处理器对共享存储单元同时读、同时写的性质，分为
    image
    (E:Exclusive C:Concurrent)
  • 不同并发读写控制策略的计算能力
    image

APRAM

  • Asynchronous Parallel Access Machine，异步的PRAM模型，也称分相PRAM
  • 适用于MIMD
    每个处理器有其局部存储器、局部时钟、局部程序；无全局时钟，各处理器异步执行；处理器通过SM进行通讯；处理器间依赖关系，需在并行程序中显式地加入同步路障。
    image
    image

BSP

  • Bulk Synchronous Parallel，块同步模型，是一种异步MIMD-DM(distributed memory)模型
  • 块内异步并行，块间显式同步
    image
    image

并行方法的一般设计过程PCAM

  • PCAM Partitioning Communication Agglomeration Mapping
  • 划分 通信 组合 映射
    image
    image

MPI并行编程

  • Message Passing Interface
  • 是一种基于消息传递的跨语言的并行编程技术，支持点对点通信和广播通信。消息传递接口是一种编程接口标准，而不是一种详细的编程语言，MPI是一种标准或者规范，目前存在对多种MPI标准的实现

并行测试标准

通信测试标准

image

Amdahl定律（固定负载）

image
image

Gustafson定律

实际问题中固定负载量而增加处理机数目没有意义，因此增多处理机，必须也增多负载
image
image

加速比与效率

效率=S/P
加速比/处理机数
问题规模不变，处理机数量增加，效率就下降

⭐⭐消息传递三种方式

进程之间通过消息传递实现数据共享和进程同步

  • 同步的消息传递
    Synchronous Message Passing
    开始发送：双方到达发送点和接受点
    发送返回和接收返回：消息已被收到
    开始接收：双方到达发送点和接受点
    等待时间：最多
  • 阻塞的消息传递
    Blocking Message Passing
    开始发送：发送方到达发送点
    发送返回：消息已被发完
    开始接收：接收方到达接受点
    接收返回：消息已经被接收
    等待时间：介于二者之间
  • 非阻塞的消息传递
    Nonblocking Message Passing
    开始发送：发送方到达发送点
    发送返回：通知完系统发送消息
    开始接收：接收方到达接受点
    接收返回：通知完系统接收消息
    等待时间：最少

三种方式异同

image
image
image
image

MPI点对点通信与集群通信

点对点通信

image
Q接收的是下一次用来计算的X
Q发送的是上一次计算完的Y
接着用这次收到的X计算Y
下图的代码应该是进程流水线具体是怎么接收发送的，需要双缓冲
image
Isend， Irevc是非阻塞式，调用完立刻返回，需要调用等待函数
X Y Xbuf0 Xbuf1 Ybuf0 Ybuf1 Xin Yout都是指针
Xin Yout是要发送或接收的数据的指针
X Y指当前计算用的缓冲区

集群通信

image
通信子中的所有进程都必须调用群集例程

  • 广播（Broadcast）
    MPI_Bcast(Address, Count ,DataType, Root, Comm)
    标记为root的进程将相同的消息发送给Comm通信子中的所有进程
    image
  • 播撒（Scatter）聚集（Gather）
MPI_Scatter(SendAddress, SendCount, SendDateTyoe, RecvAddress, RecvCount, RecvDataType, Root, Comm);
MPI_Gather(SendAddress, SendCount, SendDateTyoe, RecvAddress, RecvCount, RecvDataType, Root, Comm);

播撒：root进程给每个进程都发送一个不同的消息，要发送的消息有序的存放在root进程的发送缓存中
聚集：root从每个进程接收消息，接收的消息有序的存放在root进程的接收缓存中。
播撒和聚集是两个相反的操作
image

  • 扩展的聚集和播撒（Allgather）
MPI_Allgather(SendAddress, SendCount, SendDateTyoe, RecvAddress, RecvCount, RecvDataType, Comm);

image

  • 全局交换（Total Exchange）
MPI_Alltoall(SendAddress, SendCount, SendDateTyoe, RecvAddress, RecvCount, RecvDataType, Comm);

每个进程都向n个进程发送消息，要发送的消息有序的存放在发送缓存中
换个角度，每个进程都从n个进程接收消息，要接收的消息有序的存放在接收缓存中
全局交换就是n个进程做n次gather，一次全局交换有n^2个消息通信
image

  • 聚合（Aggregation）
    有两种聚合操作：归约（Reduction）和扫描（Scan）
    归约：每个进程将要归约的值存放在SendAddress中，所有进程将这些值归约为最终结果存放在root进程的RecvAddress中，归约操作为op
MPI_Reduce(SendAddress, RecvAddress, Count, DataType, Op, Root, Comm);

扫描：没有了root，将部分值组合成n个最终值，存放在每个进程的RecvAddress中，操作为op

MPI_Scan(SendAddress, RecvAddress, Count, DataType, Op, Comm);
  • 路障（Barrier）
MPI_Barrier(Comm);

通信子中所有进程进行同步，即相互等待，直到所有进程执行完自己的Barrier函数

⭐⭐MPI求PI的值

#include <stdio.h>
#include <mpi.h>
#include <math.h>
long    n,    	/*number of slices         */
        i;    	/* slice counter           */
double sum, 	/* running sum             */
        pi,     /* approximate value of pi */
        mypi,
        x,      /* independent var.        */
        h;      /* base of slice           */
int group_size,my_rank;
 
main(argc,argv)
int argc;
char* argv[]; 
{      
	int group_size,my_rank;
	MPI_Status status;
	MPI_Init(&argc,&argv);
	MPI_Comm_rank( MPI_COMM_WORLD, &my_rank);
	MPI_Comm_size( MPI_COMM_WORLD, &group_size);
	 
	n=2000;
	/* Broadcast n to all other nodes */
	MPI_Bcast(&n,1,MPI_LONG,0,MPI_COMM_WORLD); 
	h = 1.0/(double) n;
	sum = 0.0;
	//每个进程计算一部分
	for (i = my_rank; i < n; i += group_size) {
		x = h*(i+0.5);
		sum = sum +4.0/(1.0+x*x);
	}
	mypi = h*sum;
	/*Global sum * reduce到root进程，用的是求和运算*/ 
	MPI_Reduce(&mypi,&pi,1,MPI_DOUBLE,MPI_SUM,0,MPI_COMM_WORLD); 
	if(my_rank==0) {        /* Node 0 handles output */
	printf("pi is approximately : %.16lf\n",pi);
	}
	MPI_Finalize();
}

MapReduce

模型原理

对于相互之间不存在依赖关系的大数据，实现并行的最佳方法就是分而治之。
MPI等并行方法缺少高层并行编程模型，程序员需要自行指定存储、划分、计算等任务；缺乏统一的并行框架结构，程序员需要考虑诸多细节。
因此，MapReduce设计并提供了统一的计算框架，为程序员隐藏了大多数系统层的细节，用Map和Reduce两个函数提供了高层并发编程模型抽象。
image
一个大的数据集被分成许多独立的分片(split)，这些分片给多个Map任务并行处理
<k1, v1>:k1是主键，v1是数据，经Map处理后生成了很多中间结果，即List(<k2,v2>。
Reduce对中间结果进行合并，把key值相等的数据合并在一起，即<k2, List(v2)>，最后生成最终结果，即<k3, v3>

⭐⭐wordcount实例

图示：
image
核心伪代码：
image

大概的伪代码点击查看 
public class Mapper()
{
	/*
	key和value是输入的键值对
	context是输出的结果
	*/
	public void map(Object key, Text value, Context context)
				throws IOException, InterruptedException {
		//默认取每行的数据，每行都有空格，按空格切分
		String lineContent = value.toString();	//取出每行的数据
		String words[] = lineContent.split(" ");	//进行每行数据的拆分
		
		for(String word : words){	//循环每个单词而后进行数据的生成
				//每一个单词最终生成的保存个数是1
				context.write(word, 1);
		}
	}	
}

public class Reducer()
{
	/*
	key和values是map输出的中间结果，需要reduce处理
	context是reducer输出的最终结果
	*/	
	public void reduce(Text key, Iterable<IntWritable> values, Context context)
			throws IOException, InterruptedException {{
		int sum = 0 ;	//保存每个单词出现的总次数
	}
	for(IntWritable count :  values){
		sum += count.get();
	}
	context.write(key, sum);
}

public static void main(String[] args) throws Exception{
	//进行相关配置
	Configuration configuration=new Configuration();
	//创建一个工作对象
	Job job=Job.getInstance(configuration);
	//设置当前的工作对象
	job.setJarByClass(Myjob.class);
	//设置map对象类
	job.setMapperClass(Mapper.class);
	//设置reduce对象类
	job.setReducerClass(Reducer.class);
	//设置输出的key类型
	job.setOutputKeyClass(Text.class);
	//设置输出的value类型
	job.setOutputValueClass(IntWritable.class);
	//设置输入的文件位置
	FileInputFormat.addInputPath(job, new Path("/hadoop/hadoop.txt"));
	//设置输出的文件位置
	FileOutputFormat.setOutputPath(job, new Path("/hadoop/out"));
	job.waitForCompletion(true);
	return 0;
}

容错控制策略（4种）

容错：系统能在发生故障的前提下继续提供服务

检查点容错

过程：周期性备份和回滚恢复
任务出错时，可以从最近一次成功的checkpoint处恢复计算
image
备份开销和恢复效率不可兼得

血统容错

输入输出的依赖关系：
窄依赖：一对一
宽依赖：一对多
image
血统容错：记录中间结果的依赖关系，根据血统信息来重新计算一部分，恢复丢失的数据
如果血统信息过长，计算就会比较耗时，也需要使用检查点，避免太多的重复计算

推测式执行

如果有一个task执行的太慢，就会启动一个备份任务，最终使用原任务和备份任务中执行较快的task的结果。
推测式执行默认是关闭的，因为重复的任务会使集群的效率降低。
推测式执行是以空间换时间，一般在资源空闲且作业完成度较大时启动

补偿式容错

不做准备，出现故障时重置丢失数据（重新计算）
image

注： 有错误请指出!

标签：复习,并行,分布式计算,MPI,发送,处理器,进程,接收,内存
来源： https://www.cnblogs.com/Hfolsvh/p/15756545.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

关于我们 | 联系我们 | 留言反馈

专注分享技术，共同学习，共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有