1 / 30

Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3

GPU em Ambientes Paralelos e Distribuídos. Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio. Agenda. Motivação Introdução Embasamento Trabalho Conclusão.

pancho
Download Presentation

Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. GPU em Ambientes Paralelos e Distribuídos Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  2. Agenda • Motivação • Introdução • Embasamento • Trabalho • Conclusão Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  3. Motivação • Busca pela melhoria da capacidade computacional (performance) • Como? Através da paralelismo das GPU (paralelismo em geral) • Porque a maneira antiga não funciona mais? Estagnação do clockdos CPU (lei de Moore). Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  4. Motivação Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  5. Agenda • Motivação • Introdução • Embasamento • Trabalho • Conclusão Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  6. Introdução GPU é utilizada na computação de alto desempenho, capacidade de paralelizar e alta largura de banda; GPU possui uma arquitetura SIMD de vários núcleos de processamento e utiliza-os para uma atividade massivamente paralela; GPU vs aumento do clockdos processadores para melhorar o desempenho; Foco: aumentar o número de cores (núcleos de processamento); Intel Xeon X7560 possui 8 cores, a GPU GeForce 8800 GTS possui 96 cores. Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  7. Introdução Desempenho da GPU no processamento de imagens chamou a atenção de cientistas e pesquisadores. Gráfico GPGPU • Processamento de imagens • Jogos • Cálculos matemáticos • Banco de dados • Mineração de dados • Aplicação com características que torne vantajoso o uso da GPU, como a possibilidade de paralelizar o processamento; • Desafio está em conseguir desenvolver os aplicativos para a GPU. Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  8. Introdução - 3 bilhões de transistores. - 512 cores, organizados em: - 16 Streaming Multiprocessors(SM). - Cada SM possuindo 32 cores. - 6 partições de memória de 64 bits, totalizando 364 bits de memória. - Suportando 6 GB de GDDR DRAM. - Um Host Interface conexão via PCI-Express com a CPU. - Uma GigaThreadque distribui os blocos de threads para o escalonador do SM. - Um L2 Cache compartilhado por todos os SMs. A arquitetura FERMI Arquitetura FERMI de uma GPU Tesla NVIDIA. Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  9. Introdução Arquitetura de um SM Uma memória compartilhada de 64 KB/L1 Cache.; Configurável dependendo da necessidade; Memória interna de cada SM faz com que diminua o tráfico de dados entre o SM e a memória L2 Cache ou as memórias DRAM; Menor trafego melhora o desempenho do processamento. Arquiteturade um StreamMultiprocessor da GPU NVIDIA Tesla. Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  10. Introdução Acesso à Memória 16 load/storeunitsutilizadas para carregar e armazenar dados nas memórias cache e DRAM. Com 16 unidades, 16 threads podem ser utilizadas para essa tarefa. O escalonador do SM agrupa as threads em grupos de 32 threads em paralelo chamadas warps. Cada SM possui 2 Warp Schedule e 2 Dispatchunits, o SM trabalha dois grupos ou warpsao mesmo tempo em paralelo Como cada warptrabalha de forma independente, é possível atingir assim o desempenho máximo do hardware. Hierarquia de acesso às memórias da GPU realizado por uma thread . Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  11. Introdução Evolução • Inicialmente, o pipeline da GPU estágios com função específica e com pouca capacidade de programação. • VertexProcessing. • Rasterization. • FragmentProcessing. • Frame Buffer. • Realizavam tarefas gráficas. • O pipeline passou por algumas evoluções para ficar com uma maior capacidade de programação. • VertexProcessinge FragmentProcessing, mudaram e são susceptíveis a programação. Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  12. Introdução • Linguagem que estende C: • C CUDA Language • Garante ao desenvolvedor acesso aos recursos da GPU para GPGPU. <<blocks, threads>> GoDevice() Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  13. Introdução Comparação das arquiteturas da série G80, GT200 e FERMI. Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  14. Agenda • Motivação • Introdução • Embasamento • Trabalho • Conclusão Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  15. Embasamento http://www.gpucomputing.net/?q=node/213 Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  16. Embasamento • Expressões regulares são bem eficazes na detecção de invasão em redes e verificação de vírus • Overhead de CPU • 48x speedup utilizando GPU¹ • 16 Gbit/s throughput ¹http://www.gpucomputing.net/?q=node/1761 Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  17. Embasamento • Gregex¹ alcançou um throughput de 126.8 Gbps. • Speedup of 210× emrelação a implementação com CPU • Speedup of 7.9× sobre o estado da arte emnasimplementações com GPU http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5976233&tag=1 Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  18. Embasamento • Nvidia CEO Jen-HsunHuang (2009): • “GPU performance will increase up to 570x in the next six years.” Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  19. Embasamento • Tianhe-1A • NUDT TH MPP, X5670 2.93Ghz 6C, NVIDIA GPU, FT-1000 8C Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  20. Agenda • Motivação • Introdução • Embasamento • Trabalho • Conclusão Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  21. Trabalho TELEMEDICINA UTILIZANDO GPU E CLUSTERS • Neste trabalho iremos utilizar a GPU e PC Cluster para interpretar o limite de um volume de interesse em cima de fibras cerebrais a partir de imagens 3D.

  22. Trabalho TELEMEDICINA UTILIZANDO GPU E CLUSTERS • Rastreamento de Fibra (Fiber tracking): -Técnica de determinação de feixes de fibra em um cérebro humano. - De acordo com o algoritmo de rastreamento de fibra, cumpre seu objetivo quando é analisado todas as informações da imagem. - Cada uma dessas fibras são independentes umas das outras.

  23. Trabalho TELEMEDICINA UTILIZANDO GPU E CLUSTERS

  24. Trabalho TELEMEDICINA UTILIZANDO GPU E CLUSTERS • Aplicação da GPU e PC Cluster: • O aplicativo de rastreamento da fibra GPU foi implementada utilizando a tecnologia CUDA por meio de API e um compilador C . • O Aplicativo CUDA de rastreamento de fibra é lançado para cada ponto da imagem; como o número de pontos e muito maior que o número de processadores a GPU raramente torna-se ocioso por insuficiência de dados a serem processados. • O PC Cluster será utilizado para o armazenamento das informações coletadas onde se faz necessário uma visualização das imagens em outro momento.

  25. Agenda • Motivação • Introdução • Embasamento • Trabalho • Conclusão Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  26. Conclusão • Capacidade de paralelismo massivo. • Preço • UPenn: Finding a Better Shampoo • Redução 18x no custo Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  27. Conclusão • Velocidade Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  28. Conclusão • Limitações por conta da atomicidade da GPU • CPU é mais rápida em operações com controle de fluxo de informações complexo. • Complexidade de programação • Atenção Centros de Ensino Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  29. Referência Bibliográfica http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5976233&tag=1 http://www.gpucomputing.net/?q=node/1761 http://www.scherm.com.br/web/Tesla-briefOvrw-June09_v1_0.pdf http://www.nvidia.com/object/GPU_Computing.html http://www.gpucomputing.net http://www.nvidia.com/content/PDF/fermi_white_papers/NVIDIA_Fermi_Compute_Architecture_Whitepaper.pdf Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

  30. Obrigado • Dúvidas? Ambientes Computacionais Distribuídos para Engenharia do Conhecimento - EGC 9001-09 – 2011.3 Bruno Altieri – Leandro Dal Pizzol - Luís Fernando Custódio

More Related