LP Metod

.4.
TIPOS DE PROBLEMAS PARALELOS.

METODOLOGÍA DE DESARROLLO DE
PROGRAMAS PARALELOS.
Laboratorio de Paralelismo
IF - EHU
Índice
1. Introducción.
2. Análisis de algoritmos.
3. Metodología de desarrollo de programas
paralelos.
4. Esquemas de algoritmos paralelos.
5. Problemas numéricos. Librerías.
IF - EHU
Introducción 43
 Los problemas que pueden resolverse mediante un

algoritmo paralelo son, obviamente, muy
heterogéneos.
Suelen ser problemas de complejidad elevada,
aún no perteneciendo al grupo de problemas
intratables (el número de operaciones crece de
forma rápida –p.e. exponencial– con el tamaño del
problema).
IF - EHU
Introducción 44
 Dentro del conjunto de problemas tratables (el

número de operaciones crece polinómicamente con el
tamaño del problema) se suelen dar dos situaciones
que hacen necesaria la programación paralela:
- Problemas de gran dimensión

- Problemas de tiempo real
Otro tipo de problemas: problemas de gran desafío,

por su relevancia social (genoma humano,
meteorología, clima, fenómenos sísmicos…).
IF - EHU
Introducción 45
 Diferentes modelos sobre distintos aspectos de la

programación paralela:
- Modelo arquitectónico: arquitectura de la máquina
-- multiprocesadores: memoria compartida
-- multicomputadores: paso de mensajes
-- modelos mixtos
- Modelo de programación: herramientas de alto nivel
(OpenMP, MPI).
- Modelo de coste: permite evaluar el coste del
algoritmo.
IF - EHU
Índice
1. Introducción.
paralelos.
IF - EHU
Análisis de algoritmos 47
 En la programación paralela (al igual que en la

secuencial) son necesarias herramientas que permitan
estimar el tiempo de ejecución y la memoria
consumidos por un algoritmo, para determinar si es
adecuado o no para la resolución del problema.
El objetivo es desarrollar algoritmos eficientes

(eficiencia: relación entre los recursos que consume
y los resultados que obtiene).
IF - EHU
 Factores que influyen en el tiempo de ejecución de un

programa:
- el lenguaje de programación (el programador)

- la máquina
- el compilador (opciones)
- los tipos de datos
- los usuarios que estén trabajando en el
sistema
IF - EHU
 Factores que influyen en el tiempo de ejecución de un

programa paralelo:
- la competencia por la memoria (bloques de
cache)
- la fracción de código secuencial (Amdahl)
- la creación/asignación de procesos
- la computación extra: variables de control,
identificación de procesos, cálculos
adicionales…
- la comunicación (para memoria distribuida)
- la sincronización
Laboratorio de - los desequilibrios de carga
Paralelismo
IF - EHU
 Estudio del algoritmo a priori
Antes de hacer el programa correspondiente.

Sirve para identificar si el algoritmo es adecuado para
el problema, o para seleccionar entre varios
algoritmos.
También sirve para determinar el tamaño de los
problemas a resolver en función de las limitaciones
de tiempo y memoria.
IF - EHU
 Estudio a posteriori
Tras haber hecho el programa.

Sirve para comparar entre dos programas según el
tamaño de entrada.
También para encontrar fallos o posibles mejoras de
un programa.
 Estudio teórico (a priori o posteriori) y estudio

experimental (a posteriori).
IF - EHU
 Tipos de estudios teóricos:

Tiempo de ejecución (ej. ordenación)
- caso más favorable, cota inferior: tm (n)
- caso más desfavorable, cota superior: tM (n)
- caso promedio: tp (n)
t p  n    t  n,   p   
 S
donde:
n es el tamaño de la entrada
 es una entrada de las S posibles entradas
IF - EHU
 Tipos de estudios teóricos:

Ocupación de memoria
- caso más favorable, cota inferior: mm (n)
- caso más desfavorable, cota superior: mM (n)
- caso promedio: mp (n)
m p  n    m n,   p  
 S
donde:
n es el tamaño de la entrada
 es una entrada de las S posibles entradas
IF - EHU
 Conteo de instrucciones
- decidir qué instrucciones/operaciones (flop) se
quieren contar.
- asignar costes a instrucciones de cada tipo.
- una función: coste de las instrucciones que la
componen.
- bucles: mediante sumatorios o cotas superior e
inferior si no se conoce el número de veces que se
ejecutará.
- bifurcaciones: contar el número de veces que pasa
por cada rama, o establecer una cota superior (rama
más costosa) o una inferior (rama menos costosa).
IF - EHU
 Conteo de instrucciones (caso promedio)

t p  n   i 1 t p  n, i 
k
k número de instrucciones del programa

tp (n,i) número promedio de veces que la instrucción
i se ejecuta para una entrada de tamaño n
t
pn
,
i

j1
i
p,j
j

p (i,j) probabilidad de que la instrucción i se ejecute

j veces
IF - EHU
 Notación asintótica
Dado que lo que interesa es saber cómo se comporta
el algoritmo cuando crece el tamaño de la entrada
(tamaños grandes), ya que es cuando podemos
tener problemas de tiempo, se suelen utilizar
notaciones asintóticas.
Acotan la forma en que crece el tiempo de ejecución
cuando el tamaño de la entrada tiende a infinito, sin
tener en cuenta las constantes que le afectan.
IF - EHU
 Acotar superiormente, orden de f:


O f   te : N    /  k    ,  n0  N , n  n0 : te n   k f  n  
 Acotar inferiormente, omega de f:

 f   te : N   /  k   ,  n0  N , n  n0 : te n  k f  n 
 Acotar sup. e inferiormente, orden exacto de f:
  f   te : N   / k, l  , n0  N , n  n0 : k f  n  te n  l f  n
IF - EHU
 A nivel práctico, a veces interesa no perder la

información de las constantes del término de
mayor orden:
 te n  
o f   te : N   / lim

 1
n  f  n 
 
 Algunas relaciones entre órdenes:
 
O1  O log n   O n  O n   O n log n  
       
 O n log n log n   O n 2  O n 3  ...  O 2 n  O n!  O n n
IF - EHU
 Factores que afectan al tiempo de ejecución de un

programa paralelo:
t  n, p   tcalc  n, p   tcom  n, p   toverhead  n, p   toverlapping  n, p 
Estimación del tiempo de ejecución real
tcalc  n, p  Conteo de instrucciones
tcom  n, p  ¿?
IF - EHU
 Tiempo de comunicación punto a punto entre dos

procesadores:
tcom  t s  t w n
 Tiempo de comunicación de un mensaje dividido en
paquetes a distancia d:
 
t 
d
comt
st
wL 
L
 

paq 1t

mens
st
wL 
paq
L
 
paq
 En general, conviene agrupar mensajes (full duplex?,

red conmutada?, Ethernet…)
IF - EHU
 Ejemplo: suma de n números
s = a[0];
for(i=1; i<n; i++)
s = s + a[i];
 Tiempos de la versión secuencial:

- conteo de instrucciones: t(n) = tcalc(n) = 2n -
1
- conteo de operaciones: t(n) = tcalc(n) = n - 1
IF - EHU
 Ejemplo: suma de n números (memoria compartida)

- una versión paralela con n/2 procesos
doall pid = 0, n/2-1

{
ini = 2 * pid;
des = 1;
act = true;
for (k=1; k++; k <= log n)
{
if (act) {
a[ini] = a[ini] + a[ini+des];
des = des * 2;
}
if ((i mod des)!=0) act = false;
}
}
IF - EHU

- una versión paralela con n/2 procesos (memoria compartida):
0 1 2 3 4 5 6 7 k=1
0, 1 2, 3 4, 5 6, 7 k=2
0, 1, 2, 3 4, 5, 6, 7 …
0, 1, 2, 3, 4, 5, 6, 7 k = log n
IF - EHU
 Tiempos de la versión paralela (mem. compartida):

- conteo de instrucciones: tcalc(n, n/2) = 3 + 6 log n
- conteo de operaciones: tcalc(n, n/2) = log n
(+ sincronización tras cada iteración)
 Problemas:
- distribución del trabajo entre procesos
- overheads = variables auxiliares, comprobaciones…
- ley de Amdahl
IF - EHU
 Ejemplo: suma de n números (memoria distribuida)

- una versión paralela con n/2 procesos
doall Pi, i = 0, n/2-1 {
des = 1;
act = true;
for (k=1; k++; k <= log n -1) {
if (act) {
a = a + b;
des = des * 2;
if ((i mod des)!=0) {
act = false;
Envia (a, Pi-des/2);
}
else Recibe (b, Pi+des/2);
}
}
if (i = 0) a = a + b;
}
IF - EHU
 Ejemplo: suma de n números (mem. distribuida)
 Tiempos de la versión paralela (mem. distribuida):

- instrucciones: tcalc(n, n/2) = 4+6 (log n -1)
- operaciones: tcalc(n, n/2) = log n
- comunicación: tcom(n, n/2) = (log n -1) (ts + tw)

(suponiendo comunicaciones directas y en paralelo)
 Problemas:
- añade la comunicación y su gestión, cuyo coste
puede influir más o menos
IF - EHU
 Ejemplo: suma de n números (mem. distribuida)

speed-up para n=64 y p=32 según relación entre ts, tw y top
sistema intrucciones flops

mem.
4.70 10.50
compartida
mem. ts = t w
2.89 3.94
distribuida tw = top
mem. ts = 2 t w
1.98 1.75
distribuida tw = 2 top
mem. ts = 10 tw
0.22 0.11
distribuida tw = 10 top
IF - EHU
 Algunas conclusiones:
- No tiene sentido suponer p ilimitado para una
entrada constante (eliminar la restricción n = 2p),
n y p deben ser independientes.
- No tiene sentido utilizar programación paralela
para resolver problemas pequeños. Mejor
resolverlos secuencialmente. En el ejemplo, el
coste es lineal, y, por tanto, no es adecuado.
- Dependiendo de la plataforma, un programa
derivado de un algoritmo puede proporcionar unas
prestaciones muy diferentes.
IF - EHU
 Medidas de prestaciones:
- Speed-up t  n
S  n, p  
t  n, p 
 Ejemplo: suma de n números (instr./flops)

- Memoria compartida
2n  1 n 1
S  n, p   S  n, p  
n n
2  6 log p  log p  1
p p
- Memoria distribuida
2n  1 n 1
S  n, p   S  n, p  
n
2
n
 6 log p  4   log p  1 t s  t w   log p  1   log p  1 t s  t w 
p p
IF - EHU
S  n, p  t  n
- Eficiencia E  n, p   
p p * t  n, p 
 Ejemplo: suma de n números (flops)

- Memoria compartida E  n, p  
n 1
n  p log p  p
- Memoria distribuida E  n, p  
n 1
n  p log p  p  p log p  1 t s  t w 
IF - EHU
- Coste C  n, p   p * t  n, p 
- Función overhead:
tover  n, p   C  n, p   t  n   p * t  n, p   t  n 

- Memoria compartida C  n, p   n  p log p  p
tover  n, p   p log p  p  1
- Memoria distribuida
C  n, p   n  p log p  p  p log p  1 t s  t w 
tover  n, p   p log p  p  1
IF - EHU
 Escalabilidad
Que se mantengan las prestaciones al aumentar p y el
tamaño del problema.
 Función de isoeficiencia
Indica la forma en la que debe aumentar el tamaño de la
entrada en función del tamaño del sistema para mantener
las prestaciones (despejar n en función de p).
n
E,
p
t 
n
   t 
n 
t 
n

K
p
*tn
,  C
p n ,p tn
,
over
p n
t
K
n
t tn
,
p
overK'
t n
,
p
over

1K
IF - EHU

Memoria compartida
- manteniendo proporcional el coste del secuencial a la función
overhead:
t  n   n  1  p log p  p  1  tover  n, p 
- comparando los términos de mayor orden: I(p) = p log p
Memoria distribuida
- manteniendo proporcional el coste del secuencial a la función
overhead:
n  1  p log p  p  1  p  log p  1 t s  t w 
- comparando los términos de mayor orden: I(p) = p log p
IF - EHU

- en ambos casos I(p) = p log p
Incremento de procesadores 4 a 16 16 a 64 64 a 256

Aumento de tamaño del
problema necesario para 8 6 5.33
mantener la eficiencia
p2 log p2
p1 log p1
IF - EHU
Índice
1. Introducción.
3. Metodología de desarrollo de
programas paralelos.
IF - EHU
Metodología 436
 Es diferente paralelizar un algoritmo o programa

secuencial, que programar en paralelo una
aplicación desde el comienzo.
 En el primer caso, interesa detectar aquellas partes

del código con un mayor coste computacional.
Lo más habitual es utilizar trazas, timers, profiling, etc.,
y ejecutar en paralelo aquellas partes que ofrecen un
buen rendimiento (por ejemplo, paralelismo incremental
de OpenMP).
IF - EHU
Metodología 437
 En el segundo caso, se empieza analizando las carac-

terísticas de la propia aplicación, para determinar
el/los algoritmos paralelos más adecuados.
OJO: conviene partir de un buen algoritmo ya optimizado
(¡no hay que reinventar la rueda!).
 Aunque no hay un “camino único”, se suele

recomendar utilizar un determinado procedimiento o
metodología.
IF - EHU
Metodología 438
 La programación paralela añade, respecto a la

programación secuencial, una serie de aspectos a
tener en cuenta:
- Concurrencia (sincronización, comunicación).
- Asignación de datos y código a procesadores.
- Acceso simultáneo a datos compartidos
(sincronización).
- Escalabilidad.
IF - EHU
Metodología 439
 Otra diferencia entre la programación secuencial y la

paralela es la forma en que los módulos que
componen una aplicación se pueden ensamblar:
- Composición secuencial: los módulos se ejecutan
secuencialmente.
- Composición paralela: diferentes módulos se
ejecutan simultáneamente sobre conjuntos disjuntos
de procesos (escalabilidad y localidad).
- Composición concurrente: diferentes módulos se
ejecutan concurrentemente sobre los mismos procesos
(solapamiento computación y comunicación).
IF - EHU
Metodología Modelo PCAM 440
Particionado
PROBLEMA
Comunicación
Aglomerado
Mapeado
IF - EHU
Metodología Modelo PCAM 441
Particionado
PROBLEMA
Descomposición (tareas+comunicación)
Comunicación
Aglomerado
Asignación (tareas a procesos)
Mapeado
IF - EHU
Metodología Descomposición 442
 La descomposición consiste en dividir el cálculo en

partes de menor tamaño que vamos a denominar
tareas, con el objetivo de ejecutarlas en paralelo.
 Según el tamaño (coste computacional) de las tareas

se habla de:
- granularidad fina (muchas tareas pequeñas).
- granularidad gruesa (pocas tareas grandes).
IF - EHU
 Es deseable obtener un número suficientemente alto

de tareas (grano fino) para tener más flexibilidad en
la fase de asignación.
 En esta fase es fundamental tener en cuenta las

dependencias entre las tareas y reflejarlas en un
grafo de dependencias para poder estimar las
necesidades de sincronización y estructura de
comunicación que hay entre las tareas.
IF - EHU
 Ejemplo 1: Evaluación polinomial

Se trata de evaluar, para un valor x = b, m funciones
polinomiales de grado n f i (x) con i=0,…,m-1; y
obtener el valor mínimo.
 Un posible reparto es asignar una tarea a la

evaluación de cada polinomio (o conjunto de
polinomios) y luego ir calculando el mínimo entre las
tareas.
IF - EHU
 Ejemplo 1: Evaluación polinomial

Veamos dos grafos de dependencias entre las tareas
(para el caso de 4 polinomios), con sus costes
computacionales (cc=5 para evaluar y cc=1 para calcular
el mínimo):
(a) (b)
f0(b) f1(b) f2(b) f3(b) f0(b) f1(b) f2(b) f3(b)
5 5 5 5 5 5 5 5
min min min

1 1 1
min
min
1
1 min
1
IF - EHU
 Mediante el grafo de dependencias se puede establecer

el máximo grado de concurrencia de un algoritmo.
Para caracterizar el paralelismo potencial de un
algoritmo se suele calcular el grado medio de
gmc  
concurrencia (gmc), es decir, el número medio de
tareas que se podrían ejecutar en paralelo.
1 N gmc(grafo a) = 23/7 = 3,28

gmc   cc(nodoi )
L i 1
gmc(grafo b) = 23/8 = 2,875
L: long. camino crítico
cc: coste computacional
IF - EHU
 Para el ejemplo 1 (evaluación polinomial) el grafo

con la estructura de comunicación necesaria para
el caso de paso de mensajes sería:
Lectura+reparto
4 4
4 4
f0(b) f1(b) f2(b) f3(b)

5 5 5 5
1 1 1 1
min min
1 1
1
min
1 Patrón de comunicación
1 (recursiva)
IF - EHU
 Algunas técnicas de descomposición

- Descomposición de dominio (salida/entrada/bloques)
- Descomposición funcional (flujo de datos)
- Descomposición recursiva
- Descomposición exploratoria
- Descomposición especulativa
IF - EHU

- Descomposición de dominio
- Centrada en los datos de salida
 Ejemplo 2: diferencias finitas Jacobi

Patrón de comunicación

(
4
X
i
,
t
j
) (
t
X

i
1
)
,
j
(
t
X

i
1
)
,
j
(
t
X
i
,
j
)

1(
t
X
i
,
j
)

1
(
t
X
i
,
j
1

)
IF - EHU

- Centrada en los datos de entrada
 Ejemplo 3: Producto escalar de dos vectores

Producto escalar de vectores de longitud n con p tareas
n
( pid 1) 1 p1
p
pe pid  x y j j
pe pepid
n pid0
j  pid
p
Suma final patrón recursivo (≈ ejemplo1)
IF - EHU

- Basada en bloques (algoritmos matriciales)
 Ejemplo 4: Multiplicación matriz-vector (x=Ab)

Producto matriz-vector con 2 tareas
A00 A01
A10 A11
A00 A01 b0 x0 tarea 0

× =
A10 A11 b1 x1 tarea 1
IF - EHU

- Descomposición funcional
Dirigida por el flujo de datos, se identifican las partes
funcionales del cálculo y se asocian con tareas. Luego se
hace un análisis del solapamiento de datos y del flujo de
datos entre tareas para validar o no la división planteada.
 Ejemplo 5: Filtrar una lista de enteros

Se desea encontrar aquellos números de una lista
(longitud n) que sean múltiplos de todos los números
primos pertenecientes a otra lista (longitud m, m<<n)
lista múltiplo múltiplo múltiplo lista Otros
entrada de 3? de 5? de 7? salida diagramas
de flujo
Laboratorio de Paralelismo tarea 0 tarea 1 tarea 2
IF - EHU

- aplicación de la técnica divide-y-vencerás.
- se generan subproblemas que son instancias del
original pero independientes entre sí.
- se sigue dividiendo hasta que no merezca la pena.
- al final, combinación de resultados.
- esquema de planificación adecuado: granja de
tareas (estructura de datos compartida).
IF - EHU

 Ejemplo 6: Integración numérica por
cuadratura adaptativa
Se desea aproximar numéricamente el valor de una
integral, es decir, el área bajo la curva de una función.
Objetivo: una precisión determinada. No se conocen a
priori el número de iteraciones y hay que definir un criterio
de parada.
IF - EHU

- problemas de búsqueda de soluciones en un
espacio de estados.
- ir descomponiendo el espacio de búsqueda
en partes de menor tamaño para irlas asignando a
tareas diferentes.
- normalmente se estructura el espacio de
búsqueda en forma de árbol.
- el criterio de parada puede ser cuando se
encuentra la primera solución o cuando se han
explorado todos los nodos del árbol.
IF - EHU

 Ejemplo 7: Suma del subconjunto
Se trata de encontrar las posibles combinaciones de
números pertenecientes a un conjunto determinado tales
que la suma de los mismos valga un valor s concreto.
Se puede plantear como un algoritmo de búsqueda en el
que se van seleccionando los diferentes elementos del
conjunto determinando los subconjuntos cuya suma tiene
un valor de s.
IF - EHU

 Ejemplo 7: Suma del subconjunto
----
tarea i tarea j
0--- 1---
00-- 01--
ojo, reparto de trabajo!
IF - EHU

- Descomposición especulativa
- en este tipo de descomposición se adelanta cálculo
que hay que realizar selectivamente (todas las
ramas o las estimadas más probables) para reducir
el tiempo medio de respuesta.
Cálculo tipo1
Cálculo tipo2
Entrada … Salida
Cálculo tipoX
Cálculo selección
IF - EHU

- Enfoques mixtos
En muchas ocasiones hay que aplicar diferentes
esquemas de descomposición para extraer paralelismo en
diferentes fases de procesamiento de una aplicación.
En el ejemplo 1 –evaluación polinomial– hemos aplicado

descomposición de dominio para realizar la evaluación
de los polinomios y descomposición recursiva para
calcular el mínimo de las evaluaciones.
IF - EHU

- Enfoques mixtos
Caso meteorológico/climático
> Paralelismo de datos > Paralelismo de función
IF - EHU
 Factores a considerar en la descomposición

- Características de las tareas
-- Creación estática/dinámica
Según se conozcan a priori las tareas a realizar
(ejemplo 2 – jacobi) o se vayan generando durante la
ejecución del programa (ejemplo 6 – integración
numérica).
IF - EHU

-- Número de tareas obtenidas

Debería de ser suficientemente grande para facilitar
la fase de asignación de tareas.
Aconsejable obtener un orden de magnitud más de
tareas que de procesadores (si la aplicación lo
permite).
Es importante que el número de tareas escale con el
tamaño del problema.
IF - EHU

-- Tamaño de las tareas

Interesa que el coste (computacional) de las
diferentes tareas sea similar y se pueda estimar a
priori (esto dependerá del problema), para evitar
problemas de load-balancing durante el reparto a
procesadores.
IF - EHU

-- Tamaño de las tareas
Esto es fácil en los ejemplos 1, 2 y 3 –evaluación

polinomial, jacobi y producto escalar– pero no lo es
para el ejemplo 7 –suma del subconjunto– si se
aplican técnicas de poda.
IF - EHU

-- Replicación de datos/cálculo
Conviene evitar que las tareas compartan mucho
cálculo o datos del problema.
-- Tamaño y localización de los datos

asociados a cada tarea
Deben ser accesibles por el proceso que ejecuta esa
tarea (fase de asignación) y hay que evitar una
sobrecarga por cálculo y/o comunicación.
IF - EHU

- Patrones de comunicación entre tareas
-- Patrones locales/globales
Un patrón de comunicación se dice que es local
cuando cada tarea interacciona sólo con un
subconjunto pequeño de tareas (vecinas).
Se utiliza el grafo de dependencias para determinar las
necesidades de comunicación o sincronización.
IF - EHU

El ejemplo 2 –jacobi– es un caso de patrón local de
comunicación.
IF - EHU

Un patrón de comunicación se dice que es global
cuando múltiples tareas aportan datos para realizar un
cálculo en paralelo. Ejemplo 3 – producto escalar.
Descomp. recursiva
Comunicación global (centralizado) Distribución de cálculo y comunicación

IF - EHU

-- Patrones estáticos/dinámicos
En los estáticos se conoce a priori qué tareas y cuándo
se comunican.
Los ejemplos 1, 2 y 3 –eval. polinomial, jacobi y
producto escalar– tienen patrones de comunicación
estáticos.
Sin embargo, en el ejemplo 6 –integración numérica–
no se sabe a priori cuándo se va a producir la
actualización del área global, ya que depende de la
función que se esté integrando.
IF - EHU

-- Patrones regulares/irregulares
Se habla de patrón regular cuando la comunicación
presenta una topología espacial. Los patrones
regulares simplifican la etapa de asignación y
programación en el modelo de paso de mensajes.
En el ejemplo 2 –jacobi– la comunicación se realiza
entre las cuatro tareas vecinas en la malla.
El ejemplo 6 –integración numérica– presenta un
patrón de comunicación irregular.
IF - EHU

-- Datos compartidos de lectura/lectura+escritura
-- Comunicación unilateral/bilateral
En la comunicación unilateral la comunicación de una
tarea con otra tarea (productora) se hace sin
interrumpirla; sin embargo, en la bilateral la
comunicación se hace de forma explícita entre la tarea
productora y la tarea que precisa de los datos.
En el modelo de paso de mensajes la comunicación
unilateral se convierte en bilateral, y con patrón irregular,
la dificultad aumenta (ejemplo 9 –suma del subconjunto
9– con poda).
IF - EHU
Metodología Asignación 472
 Tras la fase de descomposición se obtiene un

algoritmo paralelo de grano fino, independiente de la
plataforma paralela que se vaya a usar para su
ejecución.
La fase de asignación es en la que se decide qué
tareas agrupar y en qué unidades de procesamiento
se va a ejecutar cada tarea y en qué orden. Por ello,
es en esta fase en la que se tienen en cuenta aspectos
de la plataforma paralela como: número de
unidades de procesamiento, modelo de memoria
compartida o paso de mensajes, costes de
sincronización y comunicación, etc.
IF - EHU
 Agrupamiento y replicación en la asignación

Mediante el agrupamiento de tareas se consigue
minimizar el volumen de datos a transferir entre
las tareas y se reduce el número de interacciones
entre ellas (también se suelen agrupar mensajes).
La replicación de datos y de cómputo/comunicación
también se utilizan para reducir el tiempo de
ejecución. ¡Ojo! Limitan la escalabilidad de la
aplicación.
IF - EHU
 En esta fase se asocian las tareas a los procesos

(entidades abstractas capaz de ejecutar cálculo) y no
a los procesadores (entidad física, hardware) para
mantener un mayor nivel de abstracción que
aumente la flexibilidad del diseño.
Será en las últimas fases de implementación del
algoritmo cuando se asignen los procesos a
procesadores (normalmente, uno a uno).
IF - EHU
 Objetivos de la asignación:
- Reducir el tiempo de computación.
- Minimizar el tiempo de comunicación.
- Evitar el tiempo de ocio (por mal reparto de carga
o por esperas en
sincronizaciones/comunicaciones).
 Dos tipos generales de esquemas de asignación:
- Asignación estática (técnicas de planificación
deterministas).
- Asignación dinámica.
IF - EHU
 Asignación estática
Cuando se conoce o se puede estimar a priori el
coste computacional de las tareas y las relaciones
entre ellas, y, por tanto, se decide a priori qué unidad
de proceso ejecutará cada tarea.
El problema de asignación estática óptima es NP-
completo  técnicas heurísticas.
La gran ventaja frente a los dinámicos es que no
añaden ninguna sobrecarga en tiempo de ejecución.
IF - EHU
 Asignación dinámica
Se utiliza cuando las tareas se generan
dinámicamente (ejemplo 6 –integración numérica–),
o cuando no se conoce a priori el tamaño de las
tareas (ejemplo 7 –suma del subconjunto– con
poda).
Es más compleja que la estática: ¿cómo redistribuir el

trabajo en tiempo de ejecución?
IF - EHU
 Esquemas de asignación estática

Algunos se centran en métodos para
descomposición de dominio (distribuciones de
matrices por bloques, diferencias finitas en una malla
bidimensional…).
Otros se centran en métodos sobre grafos de
dependencias estáticas (normalmente obtenidas
mediante descomposición funcional o recursiva).
IF - EHU
 Esquemas de asignación dinámica

Cuando se aplican descomposiciones recursivas o
exploratorias suele ser más adecuado utilizar
esquemas de asignación dinámica.
Uno de los problemas a afrontar es la necesidad de

un mecanismo de detección de fin de trabajo.
IF - EHU

- Esquemas centralizados: maestro – esclavos
Maestro
Colección de subproblemas
Petición de subproblemas / Resultados
Subproblemas
Esclavo 0 Esclavo 1 … Esclavo p-1
IF - EHU

- Esquemas centralizados: maestro – esclavos
Adecuado con un número moderado de esclavos y
cuando el coste de ejecutar los subproblemas es alto
comparado con el coste de obtenerlos.
Algunas estrategias para mejorar la eficiencia
(reduciendo la interacción entre maestro y esclavos):
- Planificación por bloques.
- Colecciones locales de subproblemas.
- Captación anticipada (solapar cálculo y comunic.).
Fácil determinación de fin (en el maestro).
IF - EHU

- Esquemas completamente descentralizados
No existe un proceso maestro; los subproblemas se
encuentran distribuidos por todos los procesos.
Proceso i Proceso j
Colección de subproblemas Colección de subproblemas
Proceso k
Colección de subproblemas
IF - EHU

- Esquemas completamente descentralizados
El equilibrio de carga es más difícil y requiere poder
transferir subproblemas a procesos ociosos (cuántos?):
- Transferencia iniciada por el receptor
(sondeo aleatorio, sondeo cíclico…)
- Transferencia iniciada por el emisor (cargas bajas)
La detección de fin es más compleja (algoritmo de

terminación de Dijkstra…)
IF - EHU
Índice
1. Introducción.
paralelos.
5. Problemas numéricos. Librerías..
IF - EHU
Esquemas de algoritmos paralelos 485
 Un esquema algorítmico es un patrón común a la

resolución de distintos problemas.
En el caso paralelo se encuentran versiones
paralelas de esquemas secuenciales, esquemas que
son propiamente paralelos (maestro-esclavo,
granja de procesos…) o esquemas que son adecuados
para ciertos sistemas o topologías paralelas o para
esquemas concretos de descomposición/asignación
vistos en el apartado anterior.
IF - EHU
 Paralelismo de datos (bucles)

Normalmente en memoria compartida trabajando
distintos threads o procesos sobre una estructura de
datos común pero en zonas diferentes.
Algunos ejemplos:
- Suma de n números
- Ordenación por rango
- Evaluación polinomial (ejemplo 1)
- Multiplicación matriz-vector (ejemplo 4)
- Integración numérica (ejemplo 6)
IF - EHU
 Particionado de datos
Es una especie de paralelismo de datos con paso de
mensajes.
La diferencia está en que no sólo se reparte el trabajo
sino que hay que distribuir los datos entre los
procesos. Por tanto, hay que tener en cuenta las
necesidades de comunicación entre procesos (y la
topología sobre la que se trabaja).
Los mismos ejemplos que en el paralelismo de datos
se pueden programar mediante el particionado de
datos.
IF - EHU
 Esquemas en árbol y grafo

Muchos problemas tienen una representación en
forma de árbol (por ejemplo, la suma de n números).
Este tipo de problemas se resuelven asignando el
trabajo de diferentes nodos a distintos procesos, de
manera que la carga esté equilibrada.
Para minimizar sincronizaciones/comunicaciones la
asignación habrá que hacerla de manera que se
minimice el número de arcos entre nodos asignados a
procesos distintos.
Algunos ejemplos: barreras en árbol, mergesort…
IF - EHU

Algoritmos de ordenación, de cálculo de
máximos...
(en general, “búsquedas” de algún tipo en grandes
cantidades de datos)
-- reparto de las tareas entre los procesadores, que
procesarán localmente un subconjunto de los datos.
-- puede haber algo de comunicación, durante el
proceso de los datos o al final del mismo.
IF - EHU

Interacciones entre N cuerpos (the N-body problem)
Cálculo de la posición y velocidad de cuerpos en el espacio
(o de partículas cargadas...).
F = G (M1M2/R2) → F = m Δv/Δt → Δx = v Δt
Cálculo de orden O(N3) → en paralelo, muchos mensajes,

ya que todos los cuerpos interaccionan con todos en cada
iteración de la simulación.
IF - EHU

Interacciones entre N cuerpos (the N-body problem)
Reducir la comunicación mediante técnicas de clustering.
Un grupo de cuerpos se
considera como uno solo
situado en el centro de
masas si se cumple, por
d
r ejemplo, que r > d / .
IF - EHU
 Algoritmos relajados o paralelismo “obvio”

(embarrassingly parallel)
El cálculo de cada proceso es independiente por lo

que no hay sincronización ni comunicación, excepto,
quizás, al comienzo y al final.
Algunos ejemplos: suma de n números, ordenación
por rango, multiplicación matrices, el ejemplo 6 de
integración numérica (si se determina el número de
subintervalos y el reparto entre los procesos).
Otros ejemplos
IF - EHU

Procesado de imagen
> desplazamiento: (x, y) → (x+Δx, y+Δy)
> escalado: (x, y) → (x*Sx, y*Sy)
> rotación: x → x cos  + y sen 
y → -x sen  + y cos 
> recorte (clipping): borrar fuera de un área
Reparto de tareas: por filas, columnas, bloques...
IF - EHU

Cálculo de funciones tipo “Mandelbrot”
> Iteración de una función con los puntos de una

determinada área hasta que se cumpla cierta
condición.
Por ejemplo: Zk+1 = Zk2 + C (complejos)
hasta que |Zk| > 2
Reparto de puntos independientes; la asignación de

tareas podría ser dinámica.
IF - EHU

Procesos tipo “Montecarlo” (aleatoriedad)
Selección aleatoria de puntos para procesar una
determinada función.
x
Por ejemplo, cálculo de pi como x
la relación de áreas entre un x x
cuadrado y un círculo. x
x
Problemas con la generación de números aleatorios.
IF - EHU
 Computación pipeline o segmentada

El problema se divide en una serie de etapas.
Cada etapa se ejecuta, por ejemplo, en un
procesador, y pasa resultados a la siguiente.
f1 f2 f3 f4
Es un tipo de descomposición funcional, relacionado con

la repetición del mismo proceso sobre una serie larga de
datos (p.e., en tiempo real: procesado de vídeo).
IF - EHU

Condiciones:
-- que se ejecute más de una vez el mismo problema.
-- que se procese una serie larga de datos.
-- que se pueda pasar datos a la siguiente fase mucho
antes del final del cálculo de cada fase.
-- que el tiempo de proceso asociado a cada fase sea
similar (load balancing).
Topología ideal: cadena / anillo.
IF - EHU

Normalmente no se genera un número muy elevado
de procesos.
Algunos ejemplos:
-- procesado de señal (sonido, vídeo...)
-- simulaciones de procesos segmentados (computación)
IF - EHU
 Paralelismo síncrono
Es el caso más habitual. Dos tipos:
-- paralelismo de datos
-- procesos iterativos
Hay que sincronizar los procesos, bien al final de una
operación o bien al final de una iteración.
Lo más habitual es que la sincronización sea global (p.e.,

al final de cada iteración, para decidir si seguir o parar).
La implementación de la barrera debe ser eficiente.
IF - EHU
La sincronización / comunicación entre procesos
añade problemas:
-- carga añadida al tiempo de cálculo
→ reducción del speed-up.
-- posibles problemas con el reparto equilibrado
de tareas (load balancing).
-- posibles deadlocks.
IF - EHU
Como siempre, hay que intentar reducir las
necesidades de comunicación.
Un ejemplo: una determinada aplicación procesa una

matriz de N×N elementos entre P procesadores. Durante
la ejecución, los procesos necesitan intercambiarse los
datos de “la frontera”.
¿Cuál es el reparto más adecuado de los datos de la
matriz, por filas/columnas o por bloques?
IF - EHU
N/P N/P1/2
N N/P1/2
Total de comunicación:
2 veces N elementos 4 veces N / P1/2 elementos
Tiempo de comunicación (send + receive):

Tcol = 4 × (ti + te × N) Tblo = 8 × (ti + te × N/P1/2)
IF - EHU
Tcol > Tblo → ti / te < N × (1 - 2/P1/2)
ti grande,
150
mejor por
columnas N = 128
100
ti / te
N = 64
50 ti pequeño,
mejor por
N = 32 bloques
0
1 10 100 1000
P
IF - EHU
Otros ejemplos:
-- Resolución de un sistema de ecuaciones por el
método iterativo de Jacobi (ejemplo 2).
-- Difusión de calor en un determinado medio físico.
-- Autómatas celulares.
-- Multiplicación de matrices por el método Cannon.
-- Resolución de sistemas de ecuaciones lineales por
métodos iterativos.
-- El juego de la vida (problemas de simulación).
IF - EHU
-- Resolución de un sistema de ecuaciones por el
método iterativo de Jacobi
> Diferencias finitas: Jacobi Gauss-Seidel: más “Red/black”
fácil de paralelizar eficiente, más complejo una alternativa
 
4
X(
t

) (
Xt)
 (
t
X)
 (
t
X)
(
t
X)

(
4
X
i
,
t
j
) (
t
X

i
1
1
,j
) (
t
X

i
1
)
,
j
(
t
X
i
,
j
1

1
) (
Xt
i
,
j
)

1
j
i
,
j 
i
1,j 
i
1,j i
,
j
1 i
,
j
1 (
t1)
X(
t
i
,
j
1)
X
i
,
8 8
IF - EHU
 Paradigma maestro-esclavo
Thread/proceso maestro que se encarga de poner en
marcha los esclavos dándoles trabajo y recopilando las
soluciones que van calculando.
 Granja de procesos
Conjunto de procesos que trabaja de manera conjunta pero
independiente en la resolución de un problema (similar al de
los algoritmos relajados). Similar a maestro-esclavo, pero los
procesos hacen un trabajo idéntico.
 Trabajadores replicados
Los workers son capaces de generar nuevas tareas que
pueden ejecutarlas ellos mismos y otros workers. Es una
versión descentralizada (control de finalización!).
IF - EHU
Índice
1. Introducción.
paralelos.
IF - EHU
Problemas numéricos. Librerías 4108
 La computación paralela está ligada al desarrollo e

implementación de algoritmos numéricos,
principalmente los matriciales.
Por ello, el estudio de la implementación paralela de

algoritmos numéricos paralelos y de las librerías
numéricas matriciales paralelas es necesario para el
aprendizaje de la programación paralela.
IF - EHU
 Las primeras aplicaciones de la computación paralela

fueron la aceleración de todo tipo de algoritmos
numéricos, especialmente los matriciales.
La regularidad de las estructuras matriciales las
hace especialmente adecuadas para su procesamiento
paralelo.
Los problemas que se tratan suelen ser de gran
dimensión o problemas cuya respuesta debe
obtenerse en tiempo real.
IF - EHU
 Se han desarrollado numerosas librerías orientadas a

conseguir altas prestaciones (speed-up, eficiencia,
escalabilidad…).
Su legibilidad, portabilidad y eficiencia ha permitido
no tener que reescribir gran cantidad de código.
Sin embargo, desarrollar algoritmos matriciales
paralelos eficientes y precisos no suele ser una tarea
trivial (p.e., eficiencia versus estabilidad numérica).
IF - EHU
 Dos problemas tipo (muchos de los problemas se

reducen a éstos):
- Resolución de sistemas de ecuaciones lineales

Ax = b
- Cálculo de valores y vectores propios
Ax = λx
IF - EHU
 A su vez, estos problemas suelen utilizar en sus

cálculos productos escalares de vectores, productos
matriz-matriz, producto vector-matriz, etc.
Por ello se puede abordar el análisis computacional

con una visión de niveles, diseñando rutinas sencillas
pero eficientes que resuelvan estos cálculos
matriciales (nivel de núcleo) para utilizarlas en un
nivel más alto (nivel de librería).
IF - EHU
 Los problemas matriciales que se suelen resolver

mediante técnicas paralelas, normalmente, tienen una
característica clave para poderlos afrontar de una
manera eficiente:
Matrices de gran tamaño y con algún
tipo de estructura.
 El tamaño de las matrices (104x104, 105x105) plantea

problemas en cuanto al coste de computación –suelen
ser algoritmos de O(n3)–, y en cuanto a la cantidad de
memoria necesaria –normalmente datos de doble
precisión, una matriz de 105x105 son 74 GB–.
IF - EHU
 En cuanto a la estructura, se pueden clasificar en:

- Matrices densas
con un patrón aleatorio en cuanto a valores y
posiciones en la matriz
- Matrices dispersas
con un número elevado de elementos con
valor cero
- Matrices estructuradas
la posición de los elementos no nulos de la matriz
sigue un patrón concreto
IF - EHU

Algunos ejemplos: matriz banda
A : A i, j   0 si i  j  f  si j  i  c
c
f
0’s
0’s
IF - EHU

Otros ejemplos:
Matriz de tipo Toeplitz Matriz de tipo Hankel

T  i, j   T  f , g  si i  j  f  g H  i, j   H  f , g  si i  j  f  g
3 4 5 1 3 4 5 1
8 3 4 5 4 5 1 2
6 8 3 4 5 1 2 7
9 6 8 3 1 2 7 8
IF - EHU
 Núcleos computacionales y librerías

Los núcleos computacionales son un conjunto de
funciones o subprogramas que resuelven operaciones
vectoriales y/o matriciales sencillas: producto escalar,
suma vectores, producto matriz-vector…
Las librerías están constituidas por un conjunto de

rutinas que resuelven problemas de más alto nivel
utilizando los núcleos computacionales.
IF - EHU
 Núcleos computacionales: BLAS

Basic Linear Algebra Subprograms
http://www.netlib.org/blas/
BLAS 1 (1973)
Programada en Fortran77, sólo cubría operaciones
elementales de complejidad O(n), p.e.: producto escalar de
vectores, suma de vectores con escalado: y = ax + y
En la optimización de código para arquitecturas vectoriales
BLAS 1 puede ser un problema ya que oculta al compilador
la naturaleza de las operaciones matriz-vector impidiendo
su optimización.
IF - EHU
BLAS 2
Cubre un conjunto de operaciones sencillas de tipo matriz-
vector. Son operaciones de O(n2) del estilo:
y = aAx + by (A matriz, x e y vectores, a escalar)

A = axyT + A, × = A-1x (con A triangular superior)
IF - EHU
BLAS 3
Para computadores con jerarquía de memoria, la
descomposición por bloques manteniendo el cálculo matricial
es mejor que la descomposición matriz-vector, ya que se
consigue una mayor reutilización de los datos en la memoria
cache (o memoria local).
BLAS 3 cubre estas necesidades implementando operaciones
tales como:
C = aAB + bC, C = aAAT + bC, B = aT-1B (con T
triangular)
IF - EHU
 Librería LAPACK
http://www.netlib.org/lapack/
Escrita inicialmente en Fortran77; también puede

invocarse desde C.
Surge como una fusión mejorada de las librerías

LINPACK (resolución de ecuaciones lineales) y
EISPACK (cálculo de valores propios).
IF - EHU
Está compuesta de subrutinas para resolver sistemas
de ecuaciones lineales, problemas de mínimos
cuadrados lineales, y problemas de valores
propios y valores singulares.
También contiene las descomposiciones que
permiten resolver los problemas anteriores: LU,
Cholesky, QR, SVD,…).
IF - EHU
Utiliza sobre todo el núcleo BLAS 3. De este modo los
fabricantes pueden proporcionar versiones nativas de
BLAS y conseguir muy buenas prestaciones para
LAPACK.
Sirve para matrices densas y banda, pero no para

dispersas. Para datos reales y complejos de simple y
doble precisión.
IF - EHU
Contiene tres tipos de rutinas:
> Rutinas driver: resuelven un problema completo
(cálculo de valores propios de una matriz simétrica,
resolución de un sistema de ecuaciones lineales…).
> Rutinas computacionales: resuelven cálculos como

las factorizaciones matriciales (descomposición QR,
descomposición LDLT…), reducción de una matriz a la
forma diagonal, etc.
IF - EHU
Contiene tres tipos de rutinas:
> Rutinas auxiliares: realizan subtareas de los
algoritmos orientados a bloques; se pueden considerar
como extensiones de BLAS.
 Documentación en working notes (buena fuente de

aprendizaje de diseño de algoritmos numéricos
matriciales eficientes.
http://www.netlib.org/lapack/lawns/downloads/
IF - EHU
 Librería ScaLAPACK
http://www.netlib.org/scalapack/
Es la versión para memoria distribuida de la

librería LAPACK. Aparece a finales de los 90 y
contempla redes de computadores y paralelos
heterogéneos.
Resuelve problemas de álgebra lineal numérica:
sistemas de ecuaciones lineales, problemas de
mínimos cuadrados y problemas de valores propios.
IF - EHU
Portable a cualquier computador en el que esté
instalado MPI, y está escrito siguiendo el modelo
SPMD.
Trabaja con matrices que están distribuidas por los
procesadores mediante una distribución cíclica por
bloques, y sirve para matrices densas y banda, no
para dispersas.
Los tipos de datos que contempla son reales y
complejos de simple y doble precisión.
IF - EHU
Se basa en el núcleo PBLAS (Parallel Basic Linear
Algebra Subroutines), que es una extensión de BLAS
para el modelo de paso de mensajes. Al igual que
BLAS, está organizada por niveles (PBLAS 1, PBLAS 2 y
PBLAS 3).
Para el diseño de PBLAS se diseñó otro paquete núcleo
computacional especializado en las comunicaciones
denominado BLACS (Basic Linear Algebra
Communications Subroutines), que a su vez utiliza MPI.
IF - EHU
ScaLAPACK
PBLAS Global
Local
LAPACK BLACS
BLAS Primitivas de paso de mensajes

(MPI, PVM…)
http://www.netlib.org/
IF - EHU
Referencias
Programación Paralela
• F. Almeida et al: Introducción a la programación paralela.
Paraninfo, 2008.
• I. Foster: Designing and Building Parallel Programs.
Addison Wesley (version on-line).
• B. Wilkinson, M. Allen: Parallel Programming Techniques and
Applications… Pearson, 2005 (2. ed.).
• M.J. Quinn: Parallel Programming in C with MPI and OpenMP.
McGraw Hill, 2003.
• A. Grama, A. Gupta, G. Karypis, V. Kumar: Introduction to
Parallel Computing (2. ed.). Pearson, 2003.
IF - EHU

LP Metod

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

LP Metod

Cargado por

Copyright:

Formatos disponibles

.4.

TIPOS DE PROBLEMAS PARALELOS.

 Los problemas que pueden resolverse mediante un

 Dentro del conjunto de problemas tratables (el

- Problemas de gran dimensión

Otro tipo de problemas: problemas de gran desafío,

 Diferentes modelos sobre distintos aspectos de la

 En la programación paralela (al igual que en la

El objetivo es desarrollar algoritmos eficientes

 Factores que influyen en el tiempo de ejecución de un

- el lenguaje de programación (el programador)

 Factores que influyen en el tiempo de ejecución de un

 Estudio del algoritmo a priori

Antes de hacer el programa correspondiente.

Tras haber hecho el programa.

 Estudio teórico (a priori o posteriori) y estudio

 Tipos de estudios teóricos:

 Tipos de estudios teóricos:

 Conteo de instrucciones (caso promedio)

k número de instrucciones del programa

p (i,j) probabilidad de que la instrucción i se ejecute

 Acotar superiormente, orden de f:

 A nivel práctico, a veces interesa no perder la

 Factores que afectan al tiempo de ejecución de un

t  n, p   tcalc  n, p   tcom  n, p   toverhead  n, p   toverlapping  n, p 

Estimación del tiempo de ejecución real

tcalc  n, p  Conteo de instrucciones

 Tiempo de comunicación punto a punto entre dos

 En general, conviene agrupar mensajes (full duplex?,

 Ejemplo: suma de n números

 Tiempos de la versión secuencial:

 Ejemplo: suma de n números (memoria compartida)

doall pid = 0, n/2-1

 Ejemplo: suma de n números (memoria compartida)

 Ejemplo: suma de n números (memoria compartida)

 Tiempos de la versión paralela (mem. compartida):

 Ejemplo: suma de n números (memoria distribuida)

 Ejemplo: suma de n números (mem. distribuida)

 Tiempos de la versión paralela (mem. distribuida):

- comunicación: tcom(n, n/2) = (log n -1) (ts + tw)

 Ejemplo: suma de n números (mem. distribuida)

sistema intrucciones flops

 Ejemplo: suma de n números (instr./flops)

 Ejemplo: suma de n números (flops)

 Ejemplo: suma de n números (flops)

 Ejemplo: suma de n números (flops)

 Ejemplo: suma de n números (flops)

Incremento de procesadores 4 a 16 16 a 64 64 a 256

 Es diferente paralelizar un algoritmo o programa

 En el primer caso, interesa detectar aquellas partes

 En el segundo caso, se empieza analizando las carac-

 Aunque no hay un “camino único”, se suele

 La programación paralela añade, respecto a la

 Otra diferencia entre la programación secuencial y la

Asignación (tareas a procesos)

 La descomposición consiste en dividir el cálculo en

 Según el tamaño (coste computacional) de las tareas

 Es deseable obtener un número suficientemente alto

 En esta fase es fundamental tener en cuenta las

 Ejemplo 1: Evaluación polinomial

 Un posible reparto es asignar una tarea a la

 Ejemplo 1: Evaluación polinomial

min min min