Hongzheng Chen Blog

并行计算

May 20th, 2019  0

本文将主要介绍并行计算的一些基本概念，以及几种用于并行编程的工具/框架。

概述

什么是并行计算？

早期传统软件为串行计算而设计，在仅有一个处理器的单机上运行；将一个问题分解成离散的串行指令序列求解；指令是一个接一个执行；在任意时间任意时刻，只有一条指令在执行。

而并行计算可以简单定义为同时利用多个计算资源解决一个计算问题。

  • 程序运行在多个CPU上
  • 一个问题被分解成离散可并发解决的小部分
  • 每一小部分被进一步分解成一组指令序列
  • 每一部分的指令在不同的CPU上同时执行
  • 需要一个全局的控制和协调机制

可并行的计算问题应该满足：

  1. 可分解成同时计算的几个离散片段
  2. 在任意时刻可同时执行多条指令
  3. 多计算资源所花的时间少于单计算资源

计算资源一般为：

  1. 具有多处理器/多核的单台主机
  2. 通过网络连接的若干数量的主机

并行程序中的协作：通信、负载均衡、同步

并行计算的优势

并行计算是现实生活的需要

  1. 在自然界，很多复杂的、交叉发生的事件是同时发生的，但是又在同一个时间序列中
  2. 与串行计算相比，并行计算更擅长建模、模拟、理解真实复杂的现象

优势有以下几点

  • 节省时间和花费
    • 理论上，给一个任务投入更多的资源将缩短任务的完成时间，减少潜在的代价
    • 并行计算机可以由多个便宜、通用计算资源构成
  • 解决更大／更复杂问题
    • 很多问题很复杂，不实际也不可能在单台计算机上解决，例如Grand Challenges
  • 实现并发处理
    • 单台计算机只能做一件事情，而多台计算机却可以同时做几件事情
    • 例如协作网络，来自世界各地的人可以同时工作
  • 利用非本地资源
    • 当本地计算资源稀缺或者不充足时，可以利用甚至是来自互联网的计算资源。
    • SETI@home (setiathome.berkeley.edu), Folding@home (folding.stanford.edu)
  • 更好地发挥底层并行硬件
    • 现代计算机甚至笔记本都具有多个处理器或者核心
    • 并行软件就是为了针对并行硬件架构出现的
    • 串行程序运行在现代计算机上会浪费计算资源

并行计算的用途

  • 科学和工程计算（“高端计算”）
    • 大气、地球、环境
    • 物理学如核能、粒子模拟、高压、高分子等
    • 生物科技、遗传学
  • 工业和商业应用：当前，商业应用对于高速计算机的开发起到了巨大的推动作用
    • “大数据” 、数据库、数据挖掘
    • 石油勘探
    • Web搜索引擎，医学图像处理等等

并行计算的推动力

应用发展趋势

  • 在硬件可达到的性能与应用对性能的需求之间存在正反馈（Positive Feedback Cycle），例如应用领域：
    • 科学计算： 生物、化学、物理……
    • 通用计算： 视频、图像、CAD、数据库……
  • 大量设备、用户、内容涌现
  • 大数据正逐渐成为新的生产资料，大数据承载的“大” 信息将成为21世界的动力来源
  • 云计算的兴起：
    • 廉价的硬件，应用弹性的扩展
    • 应用种类繁多，负载异构性增加

架构发展趋势

迄今为止，CPU架构技术经历了四代即：电子管(Tube) 、晶体管(Transistor)、集成电路(IC)和大规模集成电路(VLSI)，这里只关注VLSI。 VLSI最大的特色是在于对并行化的利用，不同的VLSI时代具有不同的并行粒度：

  1. 1985年之前： bit水平的并行，从4bit->8bit->16bit（数据通路）
    • 32bit后并行化速度放慢，最近几年64bit才被广泛使用，128bit还很遥远（非性能限制）
    • 32bit并行技术的应用导致了计算机性能的显著提高
  2. 80年代到90年代： 指令水平的并行
    • 流水线、简单指令集、先进的编译技术(RISC)
    • 片上缓存(caches)和功能部件=>超变量执行
    • 更复杂控制机制：乱序执行、推测、预测，用于控制转换和延迟问题
  3. 现代并行计算的主要方式： 线程并行

Moore定律失效（功耗墙），发展趋势不再是高速的CPU主频，而是“多核”

1990年之前的解决方式：

  1. 增加时钟频率（扩频）
    • 深化流水线（采用更多/更短的流水阶段）
    • 芯片的工作温度会过高
  2. 推测超标量(Speculative Superscalar, SS)：多条指令同时执行（指令级的并行，ILP）
    • 硬件自动找出串行程序中的能够同时执行的独立指令集合
    • 硬件预测分支指令在分支指令实际发生之前先推测执行
    • 局限： 最终出现“收益下降”(diminishing returns)
    • 这种解决方法的优点： 程序员并不需要知道这些过程的细节

2000年之后的解决方式：

  1. 时钟频率很难增加
  2. SS触到天花板出现“收益下降”
  3. 利用额外的额外的晶体管在芯片上构建更多/更简单的处理器（多核multicore/众核many-core）

未来属于异构、多核的SOC架构，SOC = System On Chip

Moore定律新解：

  1. 每两年芯片上的核心数目会翻倍
  2. 时钟频率不再增加，甚至是降低
  3. 需要处理具有很多并发线程的系统
  4. 需要处理芯片内并行和芯片之间的并行;
  5. 需要处理异构和各种规范（不是所有的核都相同）

并行计算机

从硬件角度来讲，今天的单个计算机都是并行计算机，主要体现为：

  • 多个功能单元（L1 Cache、L2 Cache、Branch、Prefetch、GPU等）
  • 多个执行单元或者核心
  • 多个硬件线程

多个单独的计算机通过网络连接起来形成计算集群，如LLNL并行计算集群

  • 每个节点都是一个多处理器并行机
  • 多个计算节点通过Infiniband网络连接

并行计算不仅仅是硬件，还包括了并行编程

  • VAX指令的谬论：
    1. 对于高阶抽象只用一条指令表示
    2. 单条硬件指令真的快吗？
  • RISC指令的设计思想：
    1. 全系统设计
    2. 从全局角度设计硬件机制
    3. 跨组件优化
  • 当前程序员看不到汇编语言，甚至看不到底层C语言。

并行编译器的局限

经过30多年的研究：

  • 编译器仅做到了有限的并行检测核程序转换：
    1. 执行级的并行，只能检测到basic block
    2. 少量的嵌入的for-loops
    3. 分析技术如数据依赖分析、指针分析、流敏感分析等，难以应用到大规模程序中
  • 比较成功的做法是让人去学习如何编写并行程序

并行编程的难点

  • 找到尽可能多的并行点(Amdahl’s Law)
  • 粒度：函数级并行、线程级并行还是进程级并行
  • 局部性：并行化后是否能够利用局部数据等
  • 负载均衡：不同线程、不同 core之间的负载分布
  • 协作与同步
  • 性能模型：所有这些难点让并行编程要比串行编程复杂得多

并行编程与串行编程的比较

  • 编程代价不同、优势不同
  • 并行编程需要不同的，不熟悉的算法
  • 并行编程必须利用不同的问题抽象
  • 并行程序的行为更复杂
  • 更难以控制程序不同组件之间的交互
  • 需要掌握更多编程工具、更多知识等

如何编写并行程序

任务并行：

  • 计算密集型，可拆分成不同的子任务
  • 将一个问题划分成多个不同的子任务分别在不同的core上运行

数据并行：数据密集型，大数据应用

  1. 将问题所涉及的数据拆分到不同的core上执行
  2. 每个core运行的是相同的程序

Amdahl’s Law

并行计算中最重要的即为Amdahl’s law，用于度量并行程序的加速效果

\[Speedup=\frac{1}{(1-p)+p/n}\]
  • 应用程序只有一部分可以并行
  • 大量的串行代码降低并行性能

它给出了并行程序的加速比，其中\(p\)是可并行占用的时间比例，\(1-p\)为串行占用的时间比例，\(n\)为线程的数目。

但太过乐观估计

  • 没有考虑并行的开销，如创建终止线程等（这会随着核数/线程数的增加而增大）
  • 假设计算是均匀分配在各个核的，但实际上经常负载不均，核的等待造成开销

新的加速比公式：\(\sigma\)为串行部分时间，\(\varphi\)为并行部分时间，\(n\)为问题规模，\(p\)为核数，\(\kappa\)为并行开销，如下所示

\[\psi(n,p)\leq\frac{\sigma(n)+\varphi(n)}{\sigma(n)+\varphi(n)/p+\kappa(n,p)}\]

并行架构

Flynn分类法

按指令(Instruction, I)和数据流(Data, D)的数目划分：SISD、MISD、SIMD、MIMD

单核并行

计算机架构的目标(2002年以前)：将底部设施的并行从OS、编译器、程序员中隐藏

ILP技术

  • 流水线
  • 超标量执行
  • VLIW
  • 向量处理
  • 乱序执行
  • 预测执行

TLP技术，要区别并发和并行

  • 并发(concurrency)：并没有明确的时间先后，可以同时执行（执行时段可重叠），如单核的多任务
  • 并行(parallelism)：就是同时执行，如多核多线程

结合线程级并行和指令级并行：同时(simultaneous)多线程/超线程(hyperthreading)

内存带宽的影响：内存带宽由内存总线和内存单元数目决定

  • 通过提升内存块大小可以提升（但并不改变延时）
  • 提升总线宽度，但造价较高
  • 充分利用带宽的方式：局部性，假设邻近单元会在邻近指令中用到

现在通用提升cache性能的方法是blocking/tiling：通过divide-and-conquer设计问题使得能够符合寄存器/L1/L2的大小

SIMD

Single Instruction Multiple Data (SIMD)是提升CPU性能一个很重要的技术，即数据并行—在CPU内部添加向量寄存器

  • Multi Media Extensions (MMX)：Intel最早的SIMD尝试(1997)，于Pentium系列CPU
  • Streaming SIMD Extensions (SSE)：最早在Pentium III引入，由SSE1到SSE4.2，均为128位寄存器
  • Advanced Vector Extensions (AVX)：Intel Sandy bridge架构引入256位向量寄存器(2008)，后来又引入512位向量寄存器(2016)
    • #include <immintrin.h>
    • 详情见AVX指令集
    • AVX2: Haswell, 2011 AVX-256

并行编程模型

程序员写应用时运用的库/API，定义了通信和同步机制，包括

  • 多道程序：没有通信和同步
  • 共享内存
  • 消息传递：显式点到点
  • 数据并行：更加严格，在数据上做全局动作，用共享地址空间实现

编程模型需要包括以下几个部分：

  • 控制：并行如何被创建，操作应以什么顺序执行，不同线程如何同步
  • 命名：数据应该私有还是共享，共享数据如何被访问
  • 操作：什么操作是原子性的
  • 开销：这些操作的开销有多大

共享内存模型

  • 任务之间共享一块通用的内存地址空间，无需显式进行通信
  • 编程简便，内存位置都是透明的
  • 需要显式的锁/信号量来控制共享内存的访问
  • 难以控制数据访问的局部性/本地性，有UMA(uniform memory access)和NUMA架构

并行程序可能出现的问题

  • 线程创建开销
  • 数据划分粒度
  • 负载均衡：减小并行粒度，分划归并，master-worker，work-stealing
  • 竞态(race condition, RC)问题/线程竞争处理
    • 临界区、锁、同步原语
    • 控制为局部变量
  • 死锁：两个或多个线程等待对方释放资源
    • 上锁解锁要以同样的顺序
    • 原子操作

线程不安全的例子

  • 访问全局/静态变量/堆
  • 在全局空间分配释放资源，如文件
  • 通过句柄或指针间接访问

最好的方式是局部更新变量/互斥锁，或者使例程可重入

消息传递/分布式内存模型

  • 每个任务有自己的私有地址空间
  • 交流通过显式的消息传递
  • 开销来源于拷贝、buffer管理、保护

1980s已经有了消息传递库，但不统一/兼容性弱。 消息传递界面(MPI)第一版发布于1994年，MPI-2发布于1996年

数据并行模型

  • 结构化的计算
  • 同样共享地址空间

并行方法论

增量并行化

增量式并行化通过研究一个串行程序，尝试找到可以并行的地方和可能存在的瓶颈，并尝试令所有的处理器保持做有用的工作。

Culler的设计方法

  • 分解(decomposition)：将原问题分解为多个能被并行的子问题
    • 分解不一定是静态的，也可以在程序执行时动态生成任务
    • 目标：使机器一直有活干
    • 核心：确定依赖关系
  • 分派(assignment)：将线程/工人分配到每一个子问题上
    • 负载均衡(load-balanced)
    • 减少通信开销
    • 可静态或动态，即调度
    • 程序员对分解背锅，语言/运行时系统对指派背锅
  • 协调(orchestration)：不同线程间的交流
    • 涉及结构化通信、添加维持依赖关系的同步、内存安排数据结构、任务调度
    • 目标：减少通信/同步开销，保留数据间的局部性
  • 映射(mapping)：将并行执行逻辑（线程/工人）对应到硬件资源上
    • OS：pthread、编译器：ISPC、硬件：CUDA线程块
    • 将相关的线程放在同个处理器上

Foster的设计方法

  • 划分/分解(partition)
    • 按域/数据划分：将数据划分为片段，确定数据元素如何被分配到各个处理器上，确定每个处理器应该做什么任务
    • 按功能/任务划分：将计算划分为片段/流程，将任务划分到各个处理器上，然后决定每个处理器上哪些数据元素会被访问；流水线是特别的任务划分方式
    • 主要应把任务划分成能够并行的片段，核心是创造足够多的任务使得机器上所有执行单元都是忙碌的——要确定依赖关系
  • 通信(communication)
  • 归并(agglomeration)
    • 将小任务合并为大任务，消减通信，提升性能，维持可扩展性，减少编程工作量
  • 映射(mapping)

探索更多并行可能性

三种基本并行类型：数据并行、任务并行、流水线，其实都可以被整合

编程模型与工具

Pthreads

在POSIX(Portable Opearing System Interface for Unix)中，pthreads是关于线程的界面，用于创建同步线程 关于C/C++下pthreads的使用，可见C/C++多线程。

  • 只有堆共享（要传指针），栈不共享
  • 在main之外定义的全部变量被共享
  • 通常需要传递一个线程数据结构体

注意：创建线程的开销依然很大，需要10k个量级的时钟周期，因此尽可能少创建线程，最好线程数等于核数。

OpenMP

见并行计算-OpenMP

Clik-Plus

见并行计算-Clik

MPI

见并行计算-MPI

Intel TBB

从Intel C++ Compiler 18.0开始Cilk Plus就被废除了，而交由MIT自己维护。 转而取代的是Intel Threading Building Blocks (TBB)

  • task_group t; t.run([](){ })
  • t.wait()
  • tbb::parallel_for()

CUDA

见并行计算-CUDA

OpenCL

见并行计算-OpenCL

MapReduce

见并行计算-MapReduce

Spark

见并行计算-Spark

并行搜索算法

见并行计算-搜索算法

性能优化

任务分配及调度

一个迭代的过程，不断分解、重排、协调，目标是：

  • 负载均衡：希望所有资源都能被最大化利用
  • 减少通信：减少停滞(stalls)
  • 减少多余工作

先实施一个最简单的方式，测试性能决定你是否需要做得更好（比如小机器/核数限制就没有必要用大并行）

两种指派方法：分块(blocked)、交替(interleaved)

实现负载均衡的方式

  • 静态指派(assignment)：开销/执行时间和任务数量都是可预见的
  • 半静态指派(semi-static)：近期(near-term future)是可预见的
    • 应用周期性地对自己做性能剖析然后重新调整指派，如n体模拟和适应性mesh
  • 动态指派
    • 用一个shared work queue装子问题，然后worker threads都从这个队列中拿任务

关键在于选择合适的任务粒度(granularity)：粒度小容易负载均衡，但同步开销大，临界区串行部分多；粒度大减少同步开销。 通常通过负载(workload)和机器的特性决定粒度大小。

解决负载不均的方法：

  • 将任务划分为更多更小的任务，但会增加同步开销
  • 更好的调度方案：先调度长任务，需要对workload十分清楚
  • work stealing（具体可见Cilk Plus）：分布式work queue，只有在确保能够负载均衡时才偷，否则开销很大

通信(communication)

  • 延时：从发送内存请求到数据可被处理器使用所花的时间
  • 带宽：数据能够被发往处理器的频率

实际上只要是内存访问都可以称之为通信，包括

  • 天然(inherent)通信：算法中不可避免要通信的部分，它给出问题是如何被分解及指派的
    • 运算密度(arithmetic intensity)：计算量(指令数)/通信量(B)
    • 如C[i] = A[i] + B[i]运算密度为1/3（两读一存一算）
  • 人为(artifactual)通信：其他通信，与系统实施相关
    • 如最小传输粒度：导致系统需要传比需要更多的数据，如读入整个cache line
    • 操作规则(?)：存储16个连续4B的浮点数，整个64B cache line会从内存被加载，随后再写入内存(2x)
    • 数据的放置：特别是在分布式存储中，数据放在远端
    • 有限的复制容量(replication capacity)：由于cache太小，导致相同数据会被重复多次加载
    • 维护cache一致性的通信：跨两个处理器的数据

Cache的四个C

  • Cold miss：冷启动
  • Capacity miss：容量太小，可以通过增大cache解决
  • Conflict miss：替换策略，通过增大组关联度解决
  • Communication miss：在并行系统中由于天然或人为导致的miss

提高cache局部性的方式

  • 通信/数据传输、一致性粒度
  • 改变格点遍历顺序
  • 循环融合

冲突(contention)：在邻近时间内对同个资源的大量请求(hotspot)，如更新一个共享变量（树结构可减少冲突，但带来更大的latency）

  • 用work stealing减少对局部work queue的冲突，即远端线程

减少通信开销的方法：

  • 减少天然通信：发送少信息，信息包更大（均摊开销），合并(coalesce)小信息
  • 减少人为通信：blocked data layout
  • 重构代码以提升局部性减少延迟，改进通信架构
  • 减少冲突：局部拷贝，细粒度锁，对竞争(contended)资源交错(stagger)访问
  • 提升通信计算重叠性：异步通信，流水线/多线程/预取/乱序执行

性能分析工具

程序优化

  • gprof
  • perf
  • VTune

程序debug

  • valgrind
  • sanitizer

进阶分析

  • pin
  • contech (task analysis)
  • LLVM

Related Posts