Caracterización de aplicaciones con comportamiento irregular para predecir su rendimiento, basado en la filosofía PAS2P

Abstract

El modelatge d'aplicacions científiques paral·leles ens permet entendre les complexitats del comportament de les aplicacions paral·leles. Moltes aplicacions científiques presenten un comportament irregular, fet que dificulta l'obtenció del model que caracteritza l'aplicació. Aquesta dificultat es deu principalment al seu patró no determinista de comunicació i càlcul. Una manera d'obtenir informació de les aplicacions és mitjançant eines d'anàlisi. L'eina PAS2P, basada en la repetibilitat de l'aplicació, se centra en l'anàlisi i predicció del rendiment mitjançant la signatura de l'aplicació. Utilitza els mateixos recursos que executen l'aplicació paral·lela per a la seva anàlisi, creant així un model independent de la màquina i identificant patrons comuns a l'aplicació.

Quan s'aplica l'eina PAS2P a aplicacions irregulars, generar un model és impossible a causa del patró de comunicació i càlcul no homogeni que impedeix trobar un patró de repetibilitat, dificultant l'obtenció d'un model que caracteritzi el comportament d'aquestes aplicacions.

A causa de l'anterior, presentem una metodologia de modelatge per a aplicacions paral·leles irregulars que analitza les dades per processos. Aquest enfocament caracteritza amb èxit l'aplicació basant-se en el comportament de cada procés. Per caracteritzar eficaçment les aplicacions irregulars, agrupem els patrons de repetibilitat de tots els processos que executen l'aplicació en un únic model. El model que caracteritza el comportament de l'aplicació paral·lela irregular pot ser utilitzat per analitzar i predir el temps d'execució de l'aplicació en una màquina objectiu.

La validació experimental del model proposat anomenat "Extensió de PAS2P per a aplicacions irregulars'' demostra una reducció de les comunicacions realitzades per PAS2P, la qual cosa implica una disminució del temps necessari per a l'anàlisi de l'aplicació. A més, és possible caracteritzar aplicacions irregulars, establint un model independent de la màquina que permet predir el temps d'execució amb un error mitjà inferior al 9%.

El modelado de aplicaciones científicas paralelas nos permite conocer los detalles del comportamiento de las aplicaciones paralelas. Muchas aplicaciones científicas tienen un comportamiento irregular, lo que dificulta la obtención del modelo que caracteriza la aplicación, principalmente debido a su patrón de comunicación y cálculo no determinista. Una forma de obtener información de las aplicaciones es a través de herramientas de análisis. La herramienta PAS2P (Parallel Application Signatures for Performance Prediction), basada en la repetibilidad de la aplicación, centrándose en el análisis y la predicción del rendimiento. Los mismos recursos que ejecutan la aplicación paralela se utilizan para realizar su análisis, creando un modelo de la aplicación independiente de la máquina e identificando sus patrones comunes.

Al aplicar la herramienta PAS2P a aplicaciones irregulares, la generación de una modelo no es posible, debido al patrón de comunicación y computo no homogéneo que impide encontrar un patrón de repetitividad, dificultando la obtención de un modelo que caracterice el comportamiento de estas aplicaciones.

Es por ello que se presenta una metodología de modelado de aplicaciones paralelas irregulares basada en el análisis de datos por procesos, que logra caracterizar la aplicación según el comportamiento de cada proceso. Para lograr una caracterización efectiva de las aplicaciones irregulares, se agrupa los patrones de repetividad de todos los procesos que ejecutan la aplicación en único modelo que caracteriza la aplicación.

La validación experimental del modelo propuesto, denominado "Extensión de PAS2P para aplicaciones irregulares'', permite demostrar una reducción en las comunicaciones realizadas por PAS2P, lo que implica una disminución en el tiempo necesario para el análisis de la aplicación. Además, se logra caracterizar las aplicaciones irregulares, estableciendo un modelo independiente de la máquina que es capaz de predecir el tiempo de ejecución con un error promedio inferior al 9%.

Modeling parallel scientific applications allows us to understand the intricacies of parallel application behavior. Many scientific applications exhibit irregular behavior, which makes it difficult to obtain the model that characterizes the application. This difficulty is mainly due to their non-deterministic pattern of communication and computation. One way to obtain information from the applications is through analysis tools. The PAS2P tool, based on application repeatability, focuses on performance analysis and prediction using the application signature. It uses the same resources that run the parallel application for its analysis, thus creating a machine-independent model and identifying common patterns in the application.

When applying the PAS2P tool to irregular applications, generating a model is impossible due to the non-homogeneous communication and computation pattern that prevents finding a repeatability pattern, making it difficult to obtain a model that characterizes the behavior of these applications.

Due to the above, we present a modeling methodology for irregular parallel applications that analyzes data by processes. This approach successfully characterizes the application based on the behavior of each process. To effectively characterize irregular applications, we group the repeatability patterns of all the processes executing the application into a single model. The model that characterizes the behavior of the irregular parallel application can be used to analyze and predict the execution time of the application on a target machine.

The experimental validation of the proposed model called "Extension of PAS2P for irregular applications'' demonstrates a reduction in the communications performed by PAS2P, which implies a decrease in the time required for the application analysis. Furthermore, it is possible to characterize irregular applications, establishing a machine-independent model that can predict the execution time with an average error of less than 9%.