Paradigma “Shared Address Space”

Algoritmos paralelos

Glen Rodríguez

Plataformas de memoria compartida

En MPI: division de tareas y comunicación es explícita.

En memoria compartida es semi-implícita. Además la comunicación es a través de la memoria común.

Tecnologías: OpenMP, Parallel toolbox de Matlab

Hilos

Un hilo es un flujo de control individual en un programa.

Ej. Mult.matrices. for (row = 0; row < n; row++) for (column = 0; column < n; column++) c[row][column] = create_thread(dot_product(get_row(a, row),

get_col(b, col)));

Hilos o procesos accedena memoria compartida

Cada hilo puede tener variablesprivadas (stack)

Por qué hilos?

Portabilidad de software Memoria tiene menos latencia (ts=α) que

las redes. Además solo 1 hilo puede usar la red en un momento dado.

Scheduling y balance de carga semi-automático.

Facilidad de programar.

API de hilos de Posix

POSIX API : estándar IEEE 1003.1c-1995. Llamado Pthreads.

#include <pthread.h> int pthread_create ( pthread_t *thread_handle, const pthread_attr_t *attribute, void * (*thread_function)(void *), void *arg);

Ejemplo1 #include <pthread.h> 2 #include <stdlib.h> 3 4 #define MAX_THREADS 512 5 void *compute_pi (void *); 6 7 int total_hits, total_misses, hits[MAX_THREADS], 8 sample_points, sample_points_per_thread, num_threads; 9 10 main() { 11 int i; 12 pthread_t p_threads[MAX_THREADS]; 13 pthread_attr_t attr; 14 double computed_pi; 15 double time_start, time_end; 16 struct timeval tv; 17 struct timezone tz; 18 19 pthread_attr_init (&attr); 20 pthread_attr_setscope (&attr,PTHREAD_SCOPE_SYSTEM); 21 printf("Enter number of sample points: "); 22 scanf("%d", &sample_points); 23 printf("Enter number of threads: "); 24 scanf("%d", &num_threads);

Ejemplo26 gettimeofday(&tv, &tz); 27 time_start = (double)tv.tv_sec + 28 (double)tv.tv_usec / 1000000.0; 29 30 total_hits = 0; 31 sample_points_per_thread = sample_points / num_threads; 32 for (i=0; i< num_threads; i++) { 33 hits[i] = i; 34 pthread_create(&p_threads[i], &attr, compute_pi, 35 (void *) &hits[i]); 36 } 37 for (i=0; i< num_threads; i++) { 38 pthread_join(p_threads[i], NULL); 39 total_hits += hits[i]; 40 } 41 computed_pi = 4.0*(double) total_hits / 42 ((double)(sample_points)); 43 gettimeofday(&tv, &tz); 44 time_end = (double)tv.tv_sec + 45 (double)tv.tv_usec / 1000000.0; 46 47 printf("Computed PI = %lf\n", computed_pi); 48 printf(" %lf\n", time_end - time_start); 49 }

Ejemplo51 void *compute_pi (void *s) { 52 int seed, i, *hit_pointer; 53 double rand_no_x, rand_no_y; 54 int local_hits; 55 56 hit_pointer = (int *) s; 57 seed = *hit_pointer; 58 local_hits = 0; 59 for (i = 0; i < sample_points_per_thread; i++) { 60 rand_no_x =(double)(rand_r(&seed))/(double)((2<<14)-1); 61 rand_no_y =(double)(rand_r(&seed))/(double)((2<<14)-1); 62 if (((rand_no_x - 0.5) * (rand_no_x - 0.5) + 63 (rand_no_y - 0.5) * (rand_no_y - 0.5)) < 0.25) 64 local_hits ++; 65 seed *= i; 66 } 67 *hit_pointer = local_hits; 68 pthread_exit(0); 69 }

Primitivas de sincronización en Pthreads

Exclusión mutua para variables compartidas

Ej.: best_cost es compartida (=100 al inicio), my_cost es local (50 y 75)

1 /* each thread tries to update variable best_cost as follows */

2 if (my_cost < best_cost) 3 best_cost = my_cost;

Mutex-locks

El if y la asignación no son independientes: deberían ser una unidad. Además son una zona crítica (pedazo del programa donde solo 1 hilo debe correr a la vez).

Como soportar zona crítica y ops. atómicas: mutex-locks (locks de exclusión mutua)

Controlando atributos de Hilos y de Sincronización

Atributos de hilo: Tipo de scheduling Tamaño de stack

Atributos de mutez: tipo de mutex. Separo atributos del programa: más

fácil programar.

Cancelando hilos

Si un hilo ya no es necesario: int pthread_cancel (pthread_t thread); Un hilo se puede autocancelar, o

puede cancelar a otros.

Constructos compuestos de sincronización

Locks read-write Muchos hilos pueden leer una data a la

vez, pero sólo 1 puede escribir en ella. Y debería hacerlo sin reads a la vez.

Una vez que hay en cola un pedido de lock de escritura, ya no se aceptan más lecturas.

Barreras: similar a MPI

Diseñando programas asíncronos

Alt. 1: no importa el orden de los hilos Alt. 2: sí importa, en este caso hay que programar

explícitamente el orden con locks, mutexes, barreras, joins etc,

Setear los atributos, datos, mutexes, etc. al inicio de la vida del hilo.

Si hay hilo productor y consumidor, asegurarse que se produzca (y se ponga en memoria compartida) antes de que se consuma.

Si se puede, definir y usar sincronizaciones de grupo y replicación de data.

OpenMP ¿Qué es OpenMP? Regiones Paralelas Bloques de construcción para trabajo en

paralelo Alcance de los datos para proteger datos Sincronización Explícita Cláusulas de Planificación Otros bloques de construcción y cláusulas

útiles

¿Qué es OpenMP*?

Directivas del compilador para programación multihilos

Es fácil crear hilos en Fortran y C/C++ Soporta el modelo de paralelismo de datos Paralelismo incremental

Combina código serial y paralelo en un solo código fuente

¿Qué es OpenMP*?

omp_set_lock(lck)

#pragma omp parallel for private(A, B)

#pragma omp critical

C$OMP parallel do shared(a, b, c)

C$OMP PARALLEL REDUCTION (+: A, B)

call OMP_INIT_LOCK (ilok)

call omp_test_lock(jlok)

setenv OMP_SCHEDULE “dynamic”

CALL OMP_SET_NUM_THREADS(10)

C$OMP DO lastprivate(XX)

C$OMP ORDERED

C$OMP SINGLE PRIVATE(X)

C$OMP SECTIONS

C$OMP MASTER

C$OMP ATOMIC

C$OMP FLUSH

C$OMP PARALLEL DO ORDERED PRIVATE (A, B, C)

C$OMP THREADPRIVATE(/ABC/)

C$OMP PARALLEL COPYIN(/blk/)

Nthrds = OMP_GET_NUM_PROCS()

!$OMP BARRIER

http://www.openmp.orgLa especificación actual es OpenMP 2.5

250 Páginas

(C/C++ y Fortran)

Arquitectura OpenMP*

Modelo fork-join Bloques de construcción para trabajo en

paralelo Bloques de construcción para el ambiente

de datos Bloques de construcción para sincronización API (Application Program Interface)

extensiva para afinar el control

Modelo de programaciónParalelismo fork-join:

• El hilo maestro se divide en un equipo de hilos como sea necesario

• El Paralelismo se añade incrementalmente: el programa secuencial se convierte en un programa paralelo

Regiones paralelas

Hilo maestro

Sintaxis del Pragma OpenMP*

La mayoría de los bloques de construcción en OpenMP* son directivas de compilación o pragmas.

En C y C++, los pragmas toman la siguiente forma:

#pragma omp construct [clause [clause]…]

Regiones Paralelas

Define una región paralela sobre un bloque de código estructurado

Los hilos se crean como ‘parallel’

Los hilos se bloquean al final de la región

Los datos se comparten entre hilos al menos que se especifique otra cosa

#pragma omp parallel

Hilo

1Hilo

2Hilo

3

C/C++ : #pragma omp parallel

{ bloque

}

¿Cuántos hilos? Establecer una variable de ambiente para el

número de hilos. Ejemplo 4 hilos:

export OMP_NUM_THREADS=4

No hay un default estándar en esta variable En muchos sistemas: # de hilos = # de

procesadores

Ej. 1: Hello World

Modificar el código serial de “Hello, Worlds” para ejecutarse paralelamente usando OpenMP*

int main(){ saludo();}int saludo(){ int i;

for(i=0;i<10;i++) { printf(“Hola mundo desde el hilo principal\n”); sleep(1) }}

Bloques de construcción de trabajo en paralelo

Divide las iteraciones del ciclo en hilos Debe estar en la región paralela Debe preceder el ciclo

#pragma omp parallel#pragma omp for

for (i=0; i<N; i++){Do_Work(i);

}

Bloques de construcción de trabajo en paralelo

Los hilos se asignan a un conjunto de iteraciones independientes

Los hilos deben de esperar al final del bloque de construcción de trabajo en paralelo

#pragma omp parallel

#pragma omp for

Barrera implícita

i = 0

i = 1

i = 2

i = 3

i = 4

i = 5

i = 6

i = 7

i = 8

i = 9

i = 10

i = 11

#pragma omp parallel#pragma omp for for(i = 0; i < 12; i++) c[i] = a[i] + b[i]

Combinando pragmas Ambos segmentos de código son

equivalentes

#pragma omp parallel { #pragma omp for for (i=0; i< MAX; i++) { res[i] = huge(); } }

#pragma omp parallel for for (i=0; i< MAX; i++) { res[i] = huge(); }

Ambiente de datos

OpenMP usa un modelo de programación de memoria compartida

La mayoría de las variables por default son compartidas.

Las variables globales son compartidas entre hilo

Ambiente de datos

Pero, no todo es compartido... Las variables en el stack en funciones llamadas de

regiones paralelas son PRIVADAS

Las variables automáticas dentro de un bloque son PRIVADAS

Las variables de índices en ciclos son privadas (salvo excepciones) C/C+: La primera variable índice en el ciclo en ciclos anidados

después de un #pragma omp for

Atributos del alcance de datos

El estatus por default puede modificarsedefault (shared | none)

Clausulas del atributo de alcance

shared(varname,…)

private(varname,…)

La cláusula Private

Reproduce la variable por cada hilo Las variables no son inicializadas; en C++ el

objeto es construido por default Cualquier valor externo a la región paralela

es indefinido

void* work(float* c, int N) { float x, y; int i; #pragma omp parallel for private(x,y) for(i=0; i<N; i++) {

x = a[i]; y = b[i]; c[i] = x + y; }}

Ejemplo: producto puntofloat dot_prod(float* a, float* b, int N) { float sum = 0.0;#pragma omp parallel for shared(sum) for(int i=0; i<N; i++) { sum += a[i] * b[i]; } return sum;}

¿Qué es incorrecto?¿Qué es incorrecto?

Proteger datos compartidos

Debe proteger el acceso a los datos compartidos que son modificables

float dot_prod(float* a, float* b, int N) { float sum = 0.0;#pragma omp parallel for shared(sum) for(int i=0; i<N; i++) {#pragma omp critical sum += a[i] * b[i]; } return sum;}

#pragma omp critical [(lock_name)] Define una región crítica en un bloque estructurado

OpenMP* Bloques de construcción para regiones críticas

float R1, R2;#pragma omp parallel{ float A, B; #pragma omp for for(int i=0; i<niters; i++){ B = big_job(i);#pragma omp critical consum (B, &R1); A = bigger_job(i);#pragma omp critical consum (A, &R2); }}

Los hilos esperan su turno –en un momento, solo uno llama consum() protegiendo R1 y R2 de de condiciones de concurso.

Nombrar las regiones críticas es opcional, pero puede mejorar el rendimiento.

(R1_lock)

(R2_lock)

OpenMP* Cláusula de reducción

reduction (op : list) Las variables en “list” deben ser compartidas

dentro de la región paralela Adentro de parallel o el bloque de construcción

de trabajo en paralelo: Se crea una copia PRIVADA de cada variable de la lista y

se inicializa de acuerdo al “op”

Estas copias son actualizadas localmente por los hilos

Al final del bloque de construcción, las copias locales se combinan de acuerdo al “op” a un solo valor y se almacena en la variable COMPARTIDA original

Ejemplo de reducción

Una copia local de sum para cada hilo Todas las copias locales de sum se suman

y se almacenan en una variable “global”

#pragma omp parallel for reduction(+:sum) for(i=0; i<N; i++) { sum += a[i] * b[i]; }

Un rango de operadores asociativos y conmutativos pueden usarse con la reducción

Los valores iniciales son aquellos que tienen sentido

C/C++ Operaciones de reducción

Operador Valor Inicial

+ 0

* 1

- 0

^ 0

Operador Valor Inicial

& ~0

| 0

&& 1

|| 0

Ejemplo de integración numérica4.0

2.0

1.00.0

4.0

(1+x2)f(x) =

4.0

(1+x2) dx = 0

1

X

static long num_steps=100000; double step, pi;

void main(){ int i; double x, sum = 0.0;

step = 1.0/(double) num_steps; for (i=0; i< num_steps; i++){ x = (i+0.5)*step; sum = sum + 4.0/(1.0 + x*x); } pi = step * sum; printf(“Pi = %f\n”,pi);}}

Calculando Pi Paralelize el código de

integración numérica usando OpenMP

¿Qué variables se pueden compartir?

¿Qué variables deben ser privadas?

¿Qué variables deberían considerarse para reducción?

static long num_steps=100000; double step, pi;

void main(){ int i; double x, sum = 0.0;

step = 1.0/(double) num_steps; for (i=0; i< num_steps; i++){ x = (i+0.5)*step; sum = sum + 4.0/(1.0 + x*x); } pi = step * sum; printf(“Pi = %f\n”,pi);}}

Asignando Iteraciones La cláusula schedule afecta en como las iteraciones

del ciclo se mapean a los hilos

schedule(static [,chunk]) Bloques de iteraciones de tamaño “chunk” a los hilos Distribución Round Robin

schedule(dynamic[,chunk]) Los hilos timan un fragmento (chunk) de iteraciones Cuando terminan las iteraciones, el hilo solicita el

siguiente fragmento

Asignando Iteracionesschedule(guided[,chunk])

Planificación dinámica comenzando desde el bloque más grande

El tamaño de los bloques se compacta; pero nunca más pequeño que “chunk”

Cláusula Schedule Cuando utilizar

STATIC Predecible y trabajo similar por iteración

DYNAMIC Impredecible, trabajo altamente variable por iteración

GUIDED Caso especial de dinámico para reducir la sobrecarga de planificación

Qué planificación utilizar

Ejemplo de la cláusula Schedule#pragma omp parallel for schedule (static, 8) for( int i = start; i <= end; i += 2 ) { if ( TestForPrime(i) ) gPrimesFound++; }

Las iteraciones se dividen en pedazos de 8 Si start = 3, el primer pedazo es

i={3,5,7,9,11,13,15,17}

Secciones paralelas Secciones independientes

de código se pueden ejecutar concurrentemente

Serial Paralela

#pragma omp parallel sections

{

#pragma omp section

phase1();

#pragma omp section

phase2();

#pragma omp section

phase3();

}

Denota un bloque de código que será ejecutado por un solo hilo

El hilo seleccionado es dependiente de la implementación

Barrera implícita al final

Bloque de construcción Single

#pragma omp parallel{ DoManyThings();#pragma omp single { ExchangeBoundaries(); } // threads wait here for single DoManyMoreThings();}

Denota bloques de código que serán ejecutados solo por el hilo maestro

No hay barrera implícita al final

Bloque de construcción Master

#pragma omp parallel{ DoManyThings();#pragma omp master { // if not master skip to next stmt ExchangeBoundaries(); } DoManyMoreThings();}

Barreras implícitas

Varios bloques de construcción de OpenMP* tienen barreras implícitas

parallel for single

Barreras innecesarias deterioran el rendimiento Esperar hilos implica que no se trabaja!

Suprime barreras implícitas cuando sea seguro con la cláusula nowait.

Cláusula Nowait

Cuando los hilos esperarían entren cómputos independientes

#pragma single nowait

{ [...] }

#pragma omp for nowait

for(...)

{...};

#pragma omp for schedule(dynamic,1) nowait for(int i=0; i<n; i++) a[i] = bigFunc1(i);

#pragma omp for schedule(dynamic,1) for(int j=0; j<m; j++) b[j] = bigFunc2(j);

Barreras

Sincronización explícita de barreras Cada hilo espera hasta que todos

lleguen#pragma omp parallel shared (A, B, C) {

DoSomeWork(A,B);printf(“Processed A into B\n”);

#pragma omp barrier DoSomeWork(B,C);printf(“Processed B into C\n”);

}

Operaciones Atómicas

Caso especial de una sección crítica Aplica solo para la actualización de

una posición de memoria

#pragma omp parallel for shared(x, y, index, n) for (i = 0; i < n; i++) { #pragma omp atomic x[index[i]] += work1(i); y[i] += work2(i); }

API de OpenMP* Obtener el número de hilo dentro de un equipo

int omp_get_thread_num(void); Obtener el número de hilos en un equipo

int omp_get_num_threads(void); Usualmente no se requiere para códigos de

OpenMP Tiene usos específicos (debugging) Hay que incluir archivo de cabecera

#include <omp.h>

Problemas de rendimiento

Los hilos ociosos no hacen trabajo útil Divide el trabajo entre hilos lo más

equitativamente posible Los hilos deben terminar trabajos paralelos al

mismo tiempo

La sincronización puede ser necesaria Minimiza el tiempo de espera de recursos

protegidos

Cargas de trabajo no balanceadas

Cargas de trabajo desigual produce hilos ociosos y desperdicio de tiempo.

Ocupado Ocioso

#pragma omp parallel{

#pragma omp for for( ; ; ){

}

}

tiempo

#pragma omp parallel{

#pragma omp critical { ... } ...}

Sincronización

Tiempo perdido por locks

tiempo

Ocupado Ocioso En SC

Afinando el rendimiento

Los profilers usan muestreo para proveer datos sobre el rendimiento.

Los profilers tradicionales están limitados para usarse con códigos de OpenMP*:

Miden tiempo del CPU, no tiempo real No reportan contención de objetos de sincronización No pueden reportar carga de trabajo desbalanceada Muchos de ellos no tienen todo el soporte de OpenMP

Los programadores necesitan profilers específicamente diseñadas para OpenMP.

Planificación estática: Hacerlo por uno mismo

Debe conocerse: Número de hilos (Nthrds) Cada identificador ID de cada hilo (id)

Calcular iteraciones (start y end):

#pragma omp parallel{

int i, istart, iend;istart = id * N / Nthrds;iend = (id+1) * N / Nthrds;for(i=istart;i<iend;i++){ c[i] = a[i] + b[i];}

}