并行与分布式计算复习要点

概念

计算机架构

image

SISD

  • Single instruction stream Single Data stream
  • 单指令单数据，串行计算机
  • 在任何一个时钟周期，CPU都只有一个指令流；在任何一个时钟周期，都只有一个数据流作输入
  • 确定性执行
    image

SIMD

  • Single instruction stream Multiple Data stream
  • 单指令多数据，并行计算机
  • 每个处理单元在任何一个时钟周期都执行相同的指令；每个处理单元可以在不同的数据元件上操作
  • 适用于处理具有高度规律性的问题
  • 同步和确定性
    image

MISD

  • Multiple instruction stream Single Data stream
  • 多指令单数据，并行计算机，很少有实际例子
  • 每个处理单元通过单独的指令流处理数据，单个数据流输入多个处理单元
    image

MIMD

  • Multiple Instruction stream Multiply Data stream
  • 多指令多数据，最常见的并行计算机
  • 每个处理单元执行不同的指令流，使用不同的数据流
  • 同步或异步，确定性或非确定性
    image

共享内存

并行计算机的一种存储结构，有全局地址空间

  • 特性
    所有处理器将所有内存作为全局地址空间访问
    多个处理器独立运行，但共享内存资源
    所有处理器可以看到由一个处理器引起的内存位置变化
  • 优点
    全局地址空间便于编程
    内存接近CPU，任务之间的数据共享，既快速又均匀
  • 缺点
    内存和CPU之间缺乏可扩展性
    成本高、代价大

根据内存访问时间被归为UMA、NUMA

UMA 统一内存访问

  • Uniform Memory Access
  • 所有处理器平等的访问内存
  • 一个处理器更新了共享内存，其他处理器都能知道，既缓存连贯性
    SMP，对称多处理器的表示（Symmetrical Multi-Processing）
    image

NUMA 非统一内存访问

  • Non-Uniform Memory Access
  • 通过物理连接将多个SMP连接在一起
  • 一个SMP可以访问另一个SMP的内存，并非都有平等的访问时间来访问所有内存
  • 跨链接的内存访问速度慢
    image

分布式内存

并行计算机的一种存储结构

  • 特性
    需要通信网络来连接处理器的内存
    处理器有本地内存，不存在全局地址空间
    独立运行，不适用缓存连贯
    处理器需要访问其他处理器的数据时，程序员需要明确定义数据传输方式和访问时间，进行任务的同步
    用于数据传输的网络结构差别大
    image
  • 优点
    内存可随着处理器数量的增加而增多
    每个处理器可以快速访问自己的内存，且没有冲突，没有维护缓存一致性的开销
    成本低
  • 缺点
    程序员需要负责很多通信之间的详细信息
    因为没有全局地址空间，很难建立分布式内存管理映射

并行计算模型

PRAM

  • Parallel Random Access Machine， 随机存取并行机器

  • 共享存储的SIMD模型，在PRAM中有一个同步时钟，所有的操作都是同步进行的
    有一个集中的共享存储器和一个指令控制器，通过SM(Shared Memory)的R/W交换数据，隐式同步计算。
    image

  • 并发读写控制策略
    根据处理器对共享存储单元同时读、同时写的性质，分为
    image
    (E:Exclusive C:Concurrent)

  • 不同并发读写控制策略的计算能力
    image
    优点：适用于并行复杂度分析，隐藏了同步和通信的细节，
    缺点：不适合MIMD并行机，忽略了SM的竞争，通信延迟等问题，全局访存通常要比预想的慢

APRAM

  • Asynchronous Parallel Access Machine，异步的PRAM模型，也称分相PRAM
  • 适用于MIMD
    每个处理器有其局部存储器、局部时钟、局部程序；无全局时钟，各处理器异步执行；处理器通过SM进行通讯；处理器间依赖关系，需在并行程序中显式地加入同步路障。
    指令类型：全局读、全局写、局部操作、同步
    image
    image
    T是总的计算时间，t是每一个phase中执行的最长时间，局部操作和全局读写的时间应该包含在t里面

BSP

  • Bulk Synchronous Parallel，块同步模型，是一种异步MIMD-DM(distributed memory)模型
  • 块内异步并行，块间显式同步
    image
    这里和APRAM的不同是：APRAM在每一个phase中可以局部也可以全局操作，最后再进行同步。BSP是等最慢的处理器执行完之后再进行全局通信，之后再进行同步（不严谨）
    image

并行方法的一般设计过程PCAM

  • PCAM Partitioning Communication Agglomeration Mapping
  • 划分 通信 组合 映射
    image
    image

MPI并行编程

  • Message Passing Interface
  • 是一种基于消息传递的跨语言的并行编程技术，支持点对点通信和广播通信。消息传递接口是一种编程接口标准，而不是一种详细的编程语言，MPI是一种标准或者规范，目前存在对多种MPI标准的实现

并行测试标准

通信测试标准

image

Amdahl定律（固定负载）

image
image
S为加速比，W为问题规模，Ws为程序中的串行部分，Wp为程序中的并行部分，f是串行分量比例：Ws/W
加速比等于同样的程序在串行机上的执行时间/在并行机上的执行时间

Gustafson定律

实际问题中固定负载量而增加处理机数目没有意义，因此增多处理机，必须也增多负载
image
image

加速比与效率

效率=S/P
加速比/处理机数
问题规模不变，处理机数量增加，效率就下降

⭐⭐消息传递三种方式

进程之间通过消息传递实现数据共享和进程同步

  • 同步的消息传递
    Synchronous Message Passing
    开始发送：双方到达发送点和接受点
    发送返回和接收返回：消息已被收到
    开始接收：双方到达发送点和接受点
    等待时间：最多
  • 阻塞的消息传递
    Blocking Message Passing
    开始发送：发送方到达发送点
    发送返回：消息已被发完
    开始接收：接收方到达接受点
    接收返回：消息已经被接收
    等待时间：介于二者之间
  • 非阻塞的消息传递
    Nonblocking Message Passing
    开始发送：发送方到达发送点
    发送返回：通知完系统发送消息
    开始接收：接收方到达接受点
    接收返回：通知完系统接收消息
    等待时间：最少

三种方式异同

image
image
image
image

MPI点对点通信与集群通信

点对点通信

这是一种非阻塞通信，让计算和通信重叠，提高效率。
如果是阻塞通信，通信还没结束时，处理器只能等待，不能计算，浪费了计算资源。
image
Q接收的是下一次用来计算的X
Q发送的是上一次计算完的Y
接着用这次收到的X计算Y
下图的代码应该是进程流水线具体是怎么接收发送的，需要双缓冲
image
Isend Irevc是非阻塞式，调用完立刻返回，需要调用等待函数检查发送和接收是否完成即send_handle revc_handle
X Y Xbuf0 Xbuf1 Ybuf0 Ybuf1 Xin Yout都是指针
Xin Yout是要发送或接收的数据的指针
X Y指当前计算用的缓冲区
图中的红线和黑线，分别表示不同的循环中，发送和接收的情况
具体看红色线的一次循环：
image
接收Xubf1，为了下一次计算；发送的是Ybuf1，是上一次计算的结果。
然后计算Y=Q(X)，X来自上一次接收的Xbuf0，Y计算过之后放在Ybuf0中等待下一次发送。

集群通信

image
通信子中的所有进程都必须调用群集例程

  • 广播（Broadcast）
    MPI_Bcast(Address, Count ,DataType, Root, Comm)
    标记为root的进程将相同的消息发送给Comm通信子中的所有进程
    image
  • 播撒（Scatter）聚集（Gather）
MPI_Scatter(SendAddress, SendCount, SendDataType, RecvAddress, RecvCount, RecvDataType, Root, Comm);
MPI_Gather(SendAddress, SendCount, SendDataType, RecvAddress, RecvCount, RecvDataType, Root, Comm);

播撒：root进程给每个进程都发送一个不同的消息，要发送的消息有序的存放在root进程的发送缓存中
聚集：root从每个进程接收消息，接收的消息有序的存放在root进程的接收缓存中。
播撒和聚集是两个相反的操作
image

  • 扩展的聚集和播撒（Allgather）
MPI_Allgather(SendAddress, SendCount, SendDataType, RecvAddress, RecvCount, RecvDataType, Comm);

image

  • 全局交换（Total Exchange）
MPI_Alltoall(SendAddress, SendCount, SendDataType, RecvAddress, RecvCount, RecvDataType, Comm);

每个进程都向n个进程发送消息，要发送的消息有序的存放在发送缓存中
换个角度，每个进程都从n个进程接收消息，要接收的消息有序的存放在接收缓存中
全局交换就是n个进程做n次gather，一次全局交换有n^2个消息通信
image

  • 聚合（Aggregation）
    有两种聚合操作：归约（Reduction）和扫描（Scan）
    归约：每个进程将要归约的值存放在SendAddress中，所有进程将这些值归约为最终结果存放在root进程的RecvAddress中，归约操作为op
MPI_Reduce(SendAddress, RecvAddress, Count, DataType, Op, Root, Comm);

扫描：没有了root，将部分值组合成n个最终值，存放在每个进程的RecvAddress中，操作为op

MPI_Scan(SendAddress, RecvAddress, Count, DataType, Op, Comm);
  • 路障（Barrier）
MPI_Barrier(Comm);

通信子中所有进程进行同步，即相互等待，直到所有进程执行完自己的Barrier函数

⭐⭐MPI求PI的值

计算PI的公式
image

#include <stdio.h>
#include <mpi.h>
#include <math.h>
long    n,    	/*number of slices         */
        i;    	/* slice counter           */
double sum, 	/* running sum             */
        pi,     /* approximate value of pi */
        mypi,
        x,      /* independent var.        */
        h;      /* base of slice           */
int group_size,my_rank;
 
main(argc,argv)
int argc;
char* argv[]; 
{      
	int group_size,my_rank;
	MPI_Status status;
	MPI_Init(&argc,&argv);
	MPI_Comm_rank( MPI_COMM_WORLD, &my_rank); //获得当前进程在通信子中的编号
	MPI_Comm_size( MPI_COMM_WORLD, &group_size);  //获得通信子内的进程数量
	 
	n=2000;
	/* Broadcast n to all other nodes */
	MPI_Bcast(&n,1,MPI_LONG,0,MPI_COMM_WORLD);  //将n广播给所有进程，指定编号为0的进程为root进程
	h = 1.0/(double) n;
	sum = 0.0;
	//每个进程计算一部分
	for (i = my_rank; i < n; i += group_size) {
		x = h*(i+0.5);
		sum = sum +4.0/(1.0+x*x);
	}
	mypi = h*sum;
	/*Global sum * reduce到root进程，用的是求和运算*/ 
	MPI_Reduce(&mypi,&pi,1,MPI_DOUBLE,MPI_SUM,0,MPI_COMM_WORLD); 
	if(my_rank==0) {        /* Node 0 handles output */
	printf("pi is approximately : %.16lf\n",pi);
	}
	MPI_Finalize();
}

MapReduce

模型原理

对于相互之间不存在依赖关系的大数据，实现并行的最佳方法就是分而治之。
MPI等并行方法缺少高层并行编程模型，程序员需要自行指定存储、划分、计算等任务；缺乏统一的并行框架结构，程序员需要考虑诸多细节。
因此，MapReduce设计并提供了统一的计算框架，为程序员隐藏了大多数系统层的细节，用Map和Reduce两个函数提供了高层并发编程模型抽象。
image
一个大的数据集被分成许多独立的分片(split)，这些分片给多个Map任务并行处理
<k1, v1>:k1是主键，v1是数据，经Map处理后生成了很多中间结果，即List(<k2,v2>)。
Reduce对中间结果进行合并，把key值相等的数据合并在一起，即<k2, List(v2)>，最后生成最终结果，即<k3, v3>
通俗的说，将一个文本拆成n份（Map阶段，做拆分），然后让n个人对这n份文本单独进行统计，最后将n个人的结果进行合计（Reduce阶段，进行统计），则得出最后的结果

⭐⭐wordcount实例

图示：
image
核心伪代码：
image
简写很多的伪代码

public class Mapper()
{
	/*
	key和value是输入的键值对
	context是输出的结果
	*/
	public void map(Object key, Text value, Context context)
				throws IOException, InterruptedException {
		//默认取每行的数据，每行都有空格，按空格切分
		String lineContent = value.toString();	//取出每行的数据
		String words[] = lineContent.split(" ");	//进行每行数据的拆分
		
		for(String word : words){	//循环每个单词而后进行数据的生成
			//每一个单词最终生成的保存个数是1
			context.write(word, 1);
		}
	}	
}

public class Reducer()
{
	/*
	key和values是map输出的中间结果，需要reduce处理
	context是reducer输出的最终结果
	*/	
	public void reduce(Text key, Iterable<IntWritable> values, Context context)
			throws IOException, InterruptedException {
		int sum = 0 ;	//保存每个单词出现的总次数
		for(IntWritable count :  values){
			sum += count;
		}
		context.write(key, sum);
	}
}

public static void main(String[] args) throws Exception{

	//首先完成配置，给Job命名
	Configuration configuration=new Configuration();	//进行相关配置
	Job job=Job.getInstance(configuration, "word count");	//创建一个工作对象
	
	//先指定该工程的类，再依次指出各执行流的流
	job.setJarByClass(Myjob.class);		//设置当前的工作对象
	job.setMapperClass(Mapper.class);	//设置map对象类
	job.setReducerClass(Reducer.class);		//设置reduce对象类
	
	//设置输出格式，以及输入输出路径
	job.setOutputKeyClass(Text.class);		//设置输出的key类型
	job.setOutputValueClass(IntWritable.class);		//设置输出的value类型
	FileInputFormat.addInputPath(job, new Path("/hadoop/hadoop.txt"));	//设置输入的文件位置
	FileOutputFormat.setOutputPath(job, new Path("/hadoop/out"));	//设置输出的文件位置
	job.waitForCompletion(true);
	return 0;
}
  • wordcount的map阶段，map的参数有输入的key，输出的value，输出的context也是一个<key,value>类型的。输入一般以文件的形式，输入的key一般就是行号，类型是Object。输入的value为该行的内容，类型是Text。输出结果Context的key是单词，就是Text类型，value是整数，就是IntWritable类型。
  • Reduce阶段进行一个统计工作，输入来自map的输出，key是单词，类型是Text，values是单词数量，并且是一个迭代器（类似数组），就是Iterable<IntWritable>类型
  • 主函数首先完成配置，给Job命名，之后，先指定该工程的类，再依次指出各执行流的流，最后设置输出格式，以及输入输出路径

容错控制策略（4种）

容错：系统能在发生故障的前提下继续提供服务

检查点容错

过程：周期性备份和回滚恢复
任务出错时，可以从最近一次成功的checkpoint处恢复计算
image
备份开销和恢复效率不可兼得

血统容错

输入输出的依赖关系：
窄依赖：一对一
宽依赖：一对多
image
血统容错：记录中间结果的依赖关系，根据血统信息来重新计算一部分，恢复丢失的数据
如果血统信息过长，计算就会比较耗时，也需要使用检查点，避免太多的重复计算
image

用C1重新计算D1，用D1重新计算F1，血统容错可以精准恢复数据，但只对窄依赖有效
若G1出错，需要算B1和F全部

推测式执行

如果有一个task执行的太慢，就会启动一个备份任务，最终使用原任务和备份任务中执行较快的task的结果。
推测式执行默认是关闭的，因为重复的任务会使集群的效率降低。
推测式执行是以空间换时间，一般在资源空闲且作业完成度较大时启动

补偿式容错

不做准备，出现故障时重置丢失数据（重新计算）
优点：无冗余（前三种都有冗余，数据冗余或计算冗余）
缺点：局限性大，只对一些算法适用
image

注： 有错误请指出!

posted @ 2022-01-08 09:53  inss!w!  阅读(578)  评论(1)  编辑  收藏  举报