Застосування технології OpenMP для вирішення завдань паралельного програмування

Размещено на http://www.allbest.ru/

Застосування технології OpenMP для вирішення завдань паралельного програмування

Калюжняк Анастасія Вікторівна, аспірантка математичного факультету, Запорізький національний університет

Сучасна обчислювальна техніка, яка використовується для вирішення проблем візуалізації моделей геометричного моделювання - це потужні високошвидкісні багатопроцесорні та багатоядерні суперкомп'ютери, обчислювальні кластери, що мають величезні ресурси розділяємої та розділеної оперативної та зовнішньої пам'яті, яка дозволяє вирішити реальні практичні завдання науки і техніки.

При цьому, залишаються важливими наступні фактори - це фізико- математична постановка задачі, алгоритм рішення, ефективні високоточні численні методи та оптимально розумний час виконання програмного компоненту[1]. Зниження часу - одна з головних проблем, яка залежить в першу чергу від самого алгоритму, від вибору алгоритмічної мови та відповідного компілятора, що підтримує сучасні технології програмування та ефективні бібліотеки чисельних методів.

Найвідоміші технології паралельного програмування це OpenMP (Open Multi-Processing) та MPI (Message Passing Interface)[1]. Технології націлені на те, щоб користувач мав один варіант модулю для паралельного і послідовного виконання. В загальному вигляді програма - це набір послідовних і паралельних ділянок програмного коду. Використання потоків для організації розпаралелювання дозволяє отримати переваги багатопроцесорних обчислювальних систем із загальною пам'яттю. Потоки однієї і тієї ж паралельної програми виконуються в загальному адресному просторі, що забезпечує можливість використання загальних даних для паралельно виконуваних потоків без будь-яких трудомістких міжпроцесорних передач (на відміну від процесів в технології MPI для системи з розподіленою пам'яттю)[2]. Тому управління потоками вимагає менше витрат для операційної системи.

Технологія OpenMP реалізована на сучасних комп'ютерах із загальною (розділеною) пам'яттю. Програма починає виконувати задачу як один процес, який в OpenMP називається головною ниткою (master thread). Цей процес виконується послідовно до тих пір, поки не дійшов до першої паралельної конструкції. У цей момент створюється «команда» нитей, а «керівником» для неї є головна нитка [3].

Один з основних об'єктів розпаралелювання в OpenMP - це використання циклу. Після завершення виконання роз'єднаної конструкції нитки «керівники» синхронізуються, а виконання програми продовжується тільки в головній нитці. В кластері може бути багато паралельних конструкцій, відповідно, «керівники» нитей можуть утворюватися не один раз. OpenMP підтримує можливість вкладання паралельних конструкцій.

Атрибути даних, тобто змінні або масиви у розпаралеленому блоці задаються за допомогою ключів у директивах. Дані можуть бути загальними (спільними) для всіх ниток, а можуть бути особистими (приватними). За замовчуванням усі дані мають спільний тип. Однак це можна змінити, вказавши ключ default(private) або default(none). Розпаралелювання обчислень передбачає використання відразу кількох технологій паралельного програмування, наприклад, MPI для організації обмінів даними між вузлами кластера, OpenMP для організації кількох потоків процесора локально в рамках одного вузла кластеру.

Висновки

Для успішної реалізації програмного застосунку з використанням даної технології необхідно: вибирати версію компілятора, в якій досить ефективно реалізована необхідна бібліотека чисельного методу та можливість до розпаралелювання. Для забезпечення необхідної точності найкраще використовувати у вибраному алгоритмі процедури нормування даних та вагові коефіцієнти. Алгоритм має бути добре структурований, тобто реалізована блокова структура, кожен блок у вигляді процедури або функції. Для виконання розпаралелювання виділити незалежні, послідовні та паралельні блоки; дотримуватись балансу при використанні швидкої та повільної пам'яті суперкомп'ютера.

openmp паралельний потік нить пам'ять

Список використаних джерел

1. Lorensen W.E., Cline H.E. (2017) Marching Cubes: A high resolution 3D surface construction algorithm. Association for Computing Machinery, (21), 41 -43.

2. Agoston M.K. (2005) Computer Graphics and Geometric Modelling. London: SpringerVerlag.

3. S. Hunold, A. Bhatele, G. Bosilca, P. Knees. (2020). Predicting MPI collective communication performance using machine learning. 2020 IEEE International Conference on Cluster Computing. (pp.259-269). September 14, 2020, Kobe, Japan.

Размещено на Allbest.ru