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 acceden a memoria compartida Cada hilo puede tener variables privadas (stack)

Por qué hilos? Portabilidad de software Memoria tiene menos latencia (t s =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 c Llamado Pthreads. #include int pthread_create ( pthread_t *thread_handle, const pthread_attr_t *attribute, void * (*thread_function)(void *), void *arg);

Ejemplo 1 #include 2 #include 3 4 #define MAX_THREADS 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; 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);

Ejemplo 26 gettimeofday(&tv, &tz); 27 time_start = (double)tv.tv_sec + 28 (double)tv.tv_usec / ; 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 / ; printf("Computed PI = %lf\n", computed_pi); 48 printf(" %lf\n", time_end - time_start); 49 }

Ejemplo 51 void *compute_pi (void *s) { 52 int seed, i, *hit_pointer; 53 double rand_no_x, rand_no_y; 54 int local_hits; 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 La especificación actual es OpenMP 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 programación Paralelismo 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 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 modificarse default (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 punto 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++) { sum += a[i] * b[i]; } return sum; } ¿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 OperadorValor Inicial +0 *1 -0 ^0 OperadorValor Inicial &~0 |0 &&1 ||0

Ejemplo de integración numérica (1+x 2 ) f(x) =  4.0 (1+x 2 ) 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 Iteraciones schedule(guided[,chunk]) Planificación dinámica comenzando desde el bloque más grande El tamaño de los bloques se compacta; pero nunca más pequeño que “chunk”

Cláusula ScheduleCuando 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 SerialParalela #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

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];} }