O documento discute computação paralela e formas de ganhar desempenho em programas. Ele apresenta três opções: melhorar o ambiente de execução, melhorar o algoritmo, ou paralelizar o programa. A paralelização envolve usar múltiplos recursos computacionais para resolver um problema simultaneamente.

1. Computação Paralela
Prof. Adriano Teixeira de Souza

2. ◦ Como ganhar desempenho em
programas?
 3 opções
Prof. Adriano Teixeira de Souza

3. 1. Melhorar o ambiente de execução
 Ex: Comprar um processador melhor
2. Melhorar o algoritmo
 Ex: substituir um algoritmo de ordenação
Bubble por Quicksort
3. Paralelização
 Não é a solução para todos os problemas do
mundo
 Alguns problemas não são paralelizáveis (ou
muito difíceis de se ganhar desempenho)
Prof. Adriano Teixeira de Souza

4.  Programa executa em uma única CPU
◦ Dividido em uma série de instruções
◦ Executadas uma após a outra*
◦ Apenas uma instrução é executada por vez*
Prof. Adriano Teixeira de Souza

5.  Utilização de múltiplos recursos computacionais
para resolver um determinado problema
◦ Múltiplas CPUs
◦ Problemas são divididos para serem executados
simultaneamente
Prof. Adriano Teixeira de Souza

6.  Tempo/Dinheiro
 Limite da computação sequencial
 Solução de grandes problemas
 Alocação de recursos
◦ Cluster
◦ Grids
 Arquiteturas estão mudando!!!
Prof. Adriano Teixeira de Souza

7.  Paralelismo no nível de instruções
◦ Pipeline, superescalar
◦ Implícito para o programador
 Várias linhas de execução: threads
Programador é
◦ Suporte do sistema operacional
responsável pela
 Vários núcleos exploração do
 Vários processadores paralelismo
7
Prof. Adriano Teixeira de Souza

8. Prof. Adriano Teixeira de Souza

9.  Classificação de Flynn (1970)
SISD SIMD
MISD MIMD
Prof. Adriano Teixeira de Souza

10.  SISD (Single Instruction Single Data)
◦ Computadores com um único processador
◦ Instruções executadas em seqüência
◦ Placas gráficas
Prof. Adriano Teixeira de Souza

11.  SIMD (Single Instruction Multiple Data)
◦ Cada processador executa a mesma instrução
em sincronia, mas usando dados diferentes
Prof. Adriano Teixeira de Souza

12. MIMD (Multiple Instructions Multiple Data)
 Classe dos computadores paralelos
 Não determinismo:
Várias coisas ocorrendo ao mesmo tempo
 Memória Compartilhada
Multicore
SMP (Symmetric Multi-Processing)
 Memória Distribuída
Cluster
MPP (Massively Parallel Processors)
 Híbridos
Prof. Adriano Teixeira de Souza

13. IBM – RoadRunner
Los Alamos National Laboratory
Cluster
PowerXCell 8i 3.2 Ghz / Opteron DC 1.8 GHz
129.600 cores
98TB de memória
SO Linux (Fedora and Red Hat enterprise editions)
Interconexão: Infiniband
Prof. Adriano Teixeira de Souza

14. MPP Cray – Jaguar
AMD x86_64 Opteron Quad Core 2300 MHz Oak Ridge National Laboratory
181.504 cores
362TB de memória
Interconexão: Cray SeaStar / Infiniband
SO CNL (adaptação do Suse)
Prof. Adriano Teixeira de Souza

15. Cluster Krusty – LCAD Unioeste
18 nós – Pentium IV 3.2 HT GHz
1 GB RAM
Rede Gigabit Ethernet
SO Linux Fedora
Prof. Adriano Teixeira de Souza

17.  Modelo de programação:
◦ Múltiplas threads compartilhando dados
 Aspecto crítico:
◦ sincronização quando diferentes tarefas acessam os
mesmos dados
 Ferramentas para programação:
◦ linguagens concorrentes (C#, Java ...)
◦ linguagens seqüenciais + extensões/biliotecas (OpenMP,
Pthreads)
Prof. Adriano Teixeira de Souza

18. #include <omp.h>
#include <stdio.h> Exemplo OpenMP
#include <stdlib.h>
int main (int argc, char *argv[])
{
int nthreads, tid;
#pragma omp parallel private(nthreads, tid)
{
/* Obtain thread number */
tid = omp_get_thread_num();
printf("Hello World from thread = %dn", tid);
/* Only master thread does this */
if (tid == 0)
{
nthreads = omp_get_num_threads();
printf("Number of threads = %dn", nthreads);
}
} /* All threads join master thread and disband */
Prof. Adriano Teixeira de Souza