]> AND Private Git Repository - GMRES_For_Journal.git/blob - GMRES_Journal.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
4dd980874f59181c9ff827a1b8cfd2ece7cb9418
[GMRES_For_Journal.git] / GMRES_Journal.tex
1 \documentclass[11pt]{article}
2 %\documentclass{acmconf}
3 \usepackage{multicol}
4
5 \usepackage[paper=a4paper,dvips,top=1.5cm,left=1.5cm,right=1.5cm,foot=1cm,bottom=1.5cm]{geometry}
6 \usepackage{times}
7 \usepackage{graphicx}
8 \usepackage{amsmath}
9 \usepackage{amsfonts}
10 \usepackage{amssymb}
11 \usepackage{amsthm}
12 \usepackage{amsopn}
13 \usepackage{xspace}
14 \usepackage{array}
15 \usepackage{epsfig}
16 \usepackage{algorithmic}
17 \usepackage[ruled,english,boxed,linesnumbered]{algorithm2e}
18 \usepackage[english]{algorithm2e}
19 \usepackage{url}
20 \usepackage{mdwlist}
21 \usepackage{multirow}
22 %\usepackage{color}
23
24 \date{}
25
26 \title{Parallel sparse linear solver with GMRES method using minimization techniques of communications for GPU clusters}
27
28 \author{
29 \textsc{Lilia Ziane Khodja}
30 \qquad
31 \textsc{Rapha\"el Couturier}\thanks{Contact author}
32 \qquad
33 \textsc{Arnaud Giersch}
34 \qquad
35 \textsc{Jacques M. Bahi}
36 \mbox{}\\ %
37 \\
38 FEMTO-ST Institute, University of Franche-Comte\\
39 IUT Belfort-Montb\'eliard\\
40 19 Av. du Maréchal Juin, BP 527, 90016 Belfort, France\\
41 \mbox{}\\ %
42 \normalsize
43 \{\texttt{lilia.ziane\_khoja},~\texttt{raphael.couturier},~\texttt{arnaud.giersch},~\texttt{jacques.bahi}\}\texttt{@univ-fcomte.fr}
44 }
45
46 \begin{document}
47
48 \maketitle
49
50 \begin{abstract}
51 In this paper, we aim at exploiting the power computing of a GPU cluster for solving large sparse
52 linear systems. We implement the parallel algorithm of the GMRES iterative method using the CUDA
53 programming language and the MPI parallel environment. The experiments shows that a GPU cluster
54 is more efficient than a CPU cluster. In order to optimize the performances, we use a compressed
55 storage format for the sparse vectors and the hypergraph partitioning. These solutions improve
56 the spatial and temporal localization of the shared data between the computing nodes of the GPU
57 cluster.  
58 \end{abstract}
59
60
61
62 %%--------------------%%
63 %%      SECTION 1     %%
64 %%--------------------%%
65 \section{Introduction}
66 \label{sec:01}
67 Large sparse linear systems arise in  most numerical scientific or industrial simulations.
68 They model numerous complex problems in different areas of applications such as mathematics,
69 engineering, biology or physics~\cite{ref18}. However, solving these systems of equations is
70 often an expensive operation in terms of execution time and memory space consumption. Indeed,
71 the linear systems arising in most applications are very large  and have many zero
72 coefficients, and this sparse nature leads to irregular accesses to load the nonzero coefficients
73 from the memory.  
74
75 Parallel computing has become a key issue for solving sparse linear systems of large sizes.
76 This is due to the computing power and the storage capacity of the current parallel computers as
77 well as the availability of different parallel programming languages ​​and environments such as the
78 MPI communication standard. Nowadays, graphics processing units (GPUs) are the most commonly used
79 hardware accelerators in high performance computing. They are equipped with a massively parallel
80 architecture allowing them to compute faster than CPUs. However, the parallel computers equipped 
81 with GPUs introduce new programming difficulties to adapt  parallel algorithms to their architectures.
82
83 In this paper, we use the GMRES iterative method for solving large sparse linear systems on a cluster
84 of GPUs. The parallel algorithm of this method is implemented using the CUDA programming language for
85 the GPUs and the MPI parallel environment to distribute the computations between the different GPU nodes
86 of the cluster. Particularly, we focus on improving the performances of the parallel sparse matrix-vector multiplication. 
87 Indeed, this operation is not only very time-consuming but it also requires communications
88 between the GPU nodes. These communications are needed to build the global vector involved in
89 the parallel sparse matrix-vector multiplication. It should be noted that a communication between two
90 GPU nodes involves data transfers between the GPU and CPU memories in the same node and the MPI communications
91 between the CPUs of the GPU nodes. For performance purposes, we propose to use a compressed storage
92 format to reduce the size of the vectors to be exchanged between the GPU nodes and a hypergraph partitioning
93 of the sparse matrix to reduce the total communication volume. 
94
95 The present paper is organized as follows. In Section~\ref{sec:02} some previous works about solving 
96 sparse linear systems on GPUs are presented. In Section~\ref{sec:03} is given a general overview of the GPU architectures,
97 followed by that the GMRES method in Section~\ref{sec:04}. In Section~\ref{sec:05} the main key points
98 of the parallel implementation of the GMRES method on a GPU cluster are described. Finally, in Section~\ref{sec:06}
99 is presented the performance improvements of the parallel GMRES algorithm on a GPU cluster.
100
101
102 %%--------------------%%
103 %%      SECTION 2     %%
104 %%--------------------%%
105 \section{Related work}
106 \label{sec:02}
107 Numerous works have shown the efficiency of GPUs for solving sparse linear systems compared
108 to their CPUs counterpart. Different iterative methods are implemented on one GPU, for example
109 Jacobi and Gauss-Seidel in~\cite{refa}, conjugate and biconjugate gradients in~\cite{refd,refe,reff,refj}
110 and GMRES in~\cite{refb,refc,refg,refm}. In addition, some iterative methods are implemented on 
111 shared memory multi-GPUs machines as~\cite{refh,refi,refk,refl}. A limited set of studies are
112 devoted to the parallel implementation of the iterative methods on distributed memory GPU clusters
113 as~\cite{refn,refo,refp}.
114
115 Traditionally, the parallel iterative algorithms do not often scale well on GPU clusters due to
116 the significant cost of the communications between the computing nodes. Some authors have already
117 studied how to reduce these communications. In~\cite{cev10}, the authors used a hypergraph partitioning
118 as a preprocessing to the parallel conjugate gradient algorithm in order to reduce the inter-GPU
119 communications over a GPU cluster. The sequential hypergraph partitioning method provided by the
120 PaToH tool~\cite{Cata99} is used because of the small sizes of the sparse symmetric linear systems
121 to be solved. In~\cite{refq}, a compression and decompression technique is proposed to reduce the
122 communication overheads. This technique is performed on the shared vectors to be exchanged between
123 the computing nodes. In~\cite{refr}, the authors studied the impact of asynchronism on parallel
124 iterative algorithms on local GPU clusters. Asynchronous communication primitives suppress some
125 synchronization barriers and allow overlap of communication and computation. In~\cite{refs}, a
126 communication reduction method is used for implementing finite element methods (FEM) on GPU clusters.
127 This method firstly uses the Reverse Cuthill-McKee reordering to reduce the total communication
128 volume. In addition, the performances of the parallel FEM algorithm are improved by overlapping
129 the communication with computation. 
130
131  Our main contribution in this work is to show the difficulties of implementing the GMRES method to solve sparse linear systems on a cluster of GPUs. First, we show the main key points of the parallel GMRES algorithm on a GPU cluster. Then, we discuss the improvements of the algorithm which are mainly performed on the sparse matrix-vector multiplication when the matrix is distributed on several GPUs. In fact, on a cluster of GPUs the influence of the communications is greater than on clusters of CPUs due to the CPU/GPU communications between two GPUs that are not on the same machines. We propose to perform a hypergraph partitioning on the problem to be solved, then we reorder the matrix columns according to the partitioning scheme, and we use a compressed format to store the vectors in order to minimize the communication overheads between two GPUs.
132
133
134 %%--------------------%%
135 %%      SECTION 3     %%
136 %%--------------------%%
137 \section{{GPU} architectures}
138 \label{sec:03}
139 A GPU (Graphics processing unit) is a hardware accelerator for high performance computing.
140 Its hardware architecture is composed of hundreds of cores organized in several blocks called
141 \emph{streaming multiprocessors}. It is also equipped with a memory hierarchy. It has a set
142 of registers and a private read-write \emph{local memory} per core, a fast \emph{shared memory},
143 read-only \emph{constant} and \emph{texture} caches per multiprocessor and a read-write
144 \emph{global memory} shared by all its multiprocessors. The new architectures (Fermi, Kepler,
145 etc) have also L1 and L2 caches to improve the accesses to the global memory.
146
147 NVIDIA has released the CUDA platform (Compute Unified Device Architecture)~\cite{Nvi10}
148 which provides a high level GPGPU-based programming language (General-Purpose computing
149 on GPUs), allowing to program GPUs for general purpose computations. In CUDA programming
150 environment, all data-parallel and compute intensive portions of an application running
151 on the CPU are off-loaded onto the GPU. Indeed, an application developed in CUDA is a
152 program written in C language (or Fortran) with a minimal set of extensions to define
153 the parallel functions to be executed by the GPU, called \emph{kernels}. We define kernels,
154 as separate functions from those of the CPU, by assigning them a function type qualifiers
155 \verb+__global__+ or \verb+__device__+.
156
157 At the GPU level, the same kernel is executed by a large number of parallel CUDA threads
158 grouped together as a grid of thread blocks. Each multiprocessor of the GPU executes one
159 or more thread blocks in SIMD fashion (Single Instruction, Multiple Data) and in turn each
160 core of a GPU multiprocessor runs one or more threads within a block in SIMT fashion (Single
161 Instruction, Multiple threads). In order to maximize the occupation of the GPU cores, the
162 number of CUDA threads to be involved in a kernel execution is computed according to the
163 size of the problem to be solved. In contrast, the block size is restricted by the limited
164 memory resources of a core. On current GPUs, a thread block may contain up-to $1,024$ concurrent
165 threads. At any given clock cycle, the threads execute the same instruction of a kernel,
166 but each of them operates on different data. Moreover, threads within a block can cooperate
167 by sharing data through the fast shared memory and coordinate their execution through
168 synchronization points. In contrast, within a grid of thread blocks, there is no synchronization
169 at all between blocks. 
170
171 GPUs  only work on data filled in their global memory and the final results of their kernel
172 executions must be communicated to their hosts (CPUs). Hence, the data must be transferred
173 \emph{in} and \emph{out} of the GPU. However, the speed of memory copy between the CPU and
174 the GPU is slower than the memory copy speed of GPUs. Accordingly, it is necessary to limit
175 the transfer of data between the GPU and its host.
176
177
178 %%--------------------%%
179 %%      SECTION 4     %%
180 %%--------------------%%
181 \section{{GMRES} method}
182 \label{sec:04}
183
184 The generalized minimal residual method (GMRES) is an iterative method designed by Saad and Schultz in 1986~\cite{Saa86}. It is a generalization of the minimal residual method (MNRES)~\cite{Pai75} to deal with asymmetric and non Hermitian problems and indefinite symmetric problems. 
185
186 Let us consider the following sparse linear system of $n$ equations:
187 \begin{equation}
188   Ax = b,
189 \label{eq:01}
190 \end{equation}
191 where $A\in\mathbb{R}^{n\times n}$ is a sparse square and nonsingular matrix, $x\in\mathbb{R}^n$ is the solution vector and $b\in\mathbb{R}^n$ is the right-hand side vector. The main idea of the GMRES method is to find a sequence of solutions $\{x_k\}_{k\in\mathbb{N}}$ which minimizes at best the residual $r_k=b-Ax_k$. The solution $x_k$ is computed in a Krylov sub-space $\mathcal{K}_k(A,v_1)$:
192 \begin{equation}
193 \begin{array}{ll}
194   \mathcal{K}_{k}(A,v_{1}) \equiv \text{span}\{v_{1}, Av_{1}, A^{2}v_{1},..., A^{k-1}v_{1}\}, & v_{1}=\frac{r_{0}}{\|r_{0}\|_{2}},
195 \end{array} 
196 \end{equation}
197 such that the Petrov-Galerkin condition is satisfied:
198 \begin{equation}
199   r_{k} \perp A\mathcal{K}_{k}(A, v_{1}).
200 \end{equation}
201
202 Algorithm~\ref{alg:01} illustrates the main key points of the GMRES method with restarts. The linear system to be solved in this algorithm is left-preconditioned where $M$ is the preconditioning matrix. The Arnoldi process~\cite{Arn51} is used (from line~$7$ to line~$17$ of algorithm~\ref{alg:01}) to construct an orthonormal basis $V_m$ and a Hessenberg matrix $\bar{H}_m$ of order $(m+1)\times m$ such that $m\ll n$. Then, the least-squares problem is solved (line~$18$) to find the vector $y\in\mathbb{R}^m$ which minimizes the residual. Finally, the solution $x_m$ is computed in the Krylov sub-space spanned by $V_m$ (line~$19$). In practice, the GMRES algorithm stops when the Euclidean norm of the residual is small enough and/or the maximum number of iterations is reached.
203 %%% END %%%
204
205 \begin{algorithm}[!h]
206   %\SetAlgoLined
207   \Entree{$A$ (matrix), $b$ (vector), $M$ (preconditioning matrix),
208 $x_{0}$ (initial guess), $\varepsilon$ (tolerance threshold), $max$ (maximum number of iterations),
209 $m$ (number of iterations of the Arnoldi process)}
210   \Sortie{$x$ (solution vector)}
211   \BlankLine
212   $r_{0} \leftarrow M^{-1}(b - Ax_{0})$\;
213   $\beta \leftarrow \|r_{0}\|_{2}$\;
214   $\alpha \leftarrow \|M^{-1}b\|_{2}$\;
215   $convergence \leftarrow false$\;
216   $k \leftarrow 1$\;
217   \BlankLine
218   \While{$(\neg convergence)$}{
219     $v_{1} \leftarrow r_{0} / \beta$\;
220     \For{$j=1$ {\bf to} $m$}{
221       $w_{j} \leftarrow M^{-1}Av_{j}$\;
222       \For{$i=1$ {\bf to} $j$}{
223         $h_{i,j} \leftarrow (w_{j},v_{i})$\;
224         $w_{j} \leftarrow w_{j} - h_{i,j} \times v_{i}$\;
225       }
226       $h_{j+1,j} \leftarrow \|w_{j}\|_{2}$\;
227       $v_{j+1} \leftarrow w_{j} / h_{j+1,j}$\;
228     }
229     \BlankLine
230     Put $V_{m}=\{v_{j}\}_{1\leq j \leq m}$ and $\bar{H}_{m}=(h_{i,j})$ Hessenberg matrix of order $(m+1)\times m$\;
231     Solve the least-squares problem of size $m$: $\underset{y\in\mathbb{R}^{m}}{min}\|\beta e_{1}-\bar{H}_{m}y\|_{2}$\;
232     \BlankLine
233     $x_{m} \leftarrow x_{0} + V_{m}y$\;
234     $r_{m} \leftarrow M^{-1}(b-Ax_{m})$\;
235     $\beta \leftarrow \|r_{m}\|_{2}$\;
236     \BlankLine
237     \eIf{$(\frac{\beta}{\alpha}<\varepsilon)$ {\bf or} $(k\geq max)$}{
238       $convergence \leftarrow true$\;
239     }{
240       $x_{0} \leftarrow x_{m}$\;
241       $r_{0} \leftarrow r_{m}$\;
242       $k \leftarrow k + 1$\;
243     }
244   }
245 \caption{Left-preconditioned GMRES algorithm with restarts}
246 \label{alg:01}
247 \end{algorithm}
248
249
250
251 %%--------------------%%
252 %%      SECTION 5     %%
253 %%--------------------%%
254 \section{Parallel GMRES method on {GPU} clusters}
255 \label{sec:05}
256
257 \subsection{Parallel implementation on a GPU cluster}
258 \label{sec:05.01}
259 The implementation of the GMRES algorithm on a GPU cluster is performed by using
260 a parallel heterogeneous programming. We use the programming language CUDA for the
261 GPUs and the parallel environment MPI for the distribution of the computations between
262 the GPU computing nodes. In this work, a GPU computing node is composed of a GPU and
263 a CPU core managed by a MPI process.
264
265 Let us consider a cluster composed of $p$ GPU computing nodes. First, the sparse linear
266 system~(\ref{eq:01}) is split into $p$ sub-linear systems, each is attributed to a GPU
267 computing node. We partition row-by-row the sparse matrix $A$ and both vectors $x$ and
268 $b$ in $p$ parts (see Figure~\ref{fig:01}). The data issued from the partitioning operation
269 are off-loaded on the GPU global memories to be proceeded by the GPUs. Then, all the
270 computing nodes of the GPU cluster execute the same GMRES iterative algorithm but on
271 different data. Finally, the GPU computing nodes synchronize their computations by using
272 MPI communication routines to solve the global sparse linear system. In what follows,
273 the computing nodes sharing data are called the neighboring nodes.
274
275 \begin{figure}
276 \centering
277   \includegraphics[width=80mm,keepaspectratio]{Figures/partition}
278 \caption{Data partitioning of the sparse matrix $A$, the solution vector $x$ and the right-hand side $b$ in $4$ partitions}
279 \label{fig:01}
280 \end{figure}
281
282 In order to exploit the computing power of the GPUs, we have to execute maximum computations
283 on GPUs to avoid the data transfers between the GPU and its host (CPU), and to maximize the
284 GPU cores utilization to hide global memory access latency. The implementation of the GMRES
285 algorithm is performed by executing the functions operating on vectors and matrices as kernels
286 on GPUs. These operations are often easy to parallelize and more efficient on parallel architectures
287 when they operate on large vectors. We use the fastest routines of the CUBLAS library
288 (CUDA Basic Linear Algebra Subroutines) to implement the dot product (\verb+cublasDdot()+),
289 the Euclidean norm (\verb+cublasDnrm2()+) and the AXPY operation (\verb+cublasDaxpy()+).
290 In addition, we have coded in CUDA a kernel for the scalar-vector product (lines~$7$ and~$15$
291 of Algorithm~\ref{alg:01}), a kernel for solving the least-squares problem (line~$18$) and a
292 kernel for solution vector updates (line~$19$).
293
294 The solution of the least-squares problem in the GMRES algorithm is based on:
295 \begin{itemize}
296   \item a QR factorization of the Hessenberg matrix $\bar{H}$ by using plane rotations and,
297   \item backward-substitution method to compute the vector $y$ minimizing the residual.
298 \end{itemize}
299 This operation is not easy to parallelize and it is not interesting to implement it on GPUs. 
300 However, the size $m$ of the linear least-squares problem to solve in the GMRES method with
301 restarts is very small. So, this problem is solved in sequential by one GPU thread.
302
303 The most important operation in the GMRES method is the sparse matrix-vector multiplication.
304 It is quite expensive for large size matrices in terms of execution time and memory space. In
305 addition, it performs irregular memory accesses to read the nonzero values of the sparse matrix,
306 implying non coalescent accesses to the GPU global memory which slow down the performances of
307 the GPUs. So we use the HYB kernel developed and optimized by Nvidia~\cite{CUSP} which gives on
308 average the best performance in sparse matrix-vector multiplications on GPUs~\cite{Bel09}. The
309 HYB (Hybrid) storage format is the combination of two sparse storage formats: Ellpack format
310 (ELL) and Coordinate format (COO). It stores a typical number of nonzero values per row in ELL
311 format and remaining entries of exceptional rows in COO format. It combines the efficiency of
312 ELL, due to the regularity of its memory accessing and the flexibility of COO which is insensitive
313 to the matrix structure. 
314
315 In the parallel GMRES algorithm, the GPU computing nodes must exchange between them their shared data in
316 order to construct the global vector necessary to compute the parallel sparse matrix-vector
317 multiplication (SpMV). In fact, each computing node has locally the vector elements corresponding
318 to the rows of its sparse sub-matrix and, in order to compute its part of the SpMV, it also
319 requires the vector elements of its neighboring nodes corresponding to the column indices in
320 which its local sub-matrix has nonzero values. Consequently, each computing node manages a global
321 vector composed of a local vector of size $\frac{n}{p}$ and a shared vector of size $S$:
322 \begin{equation}
323   S = bw - \frac{n}{p},
324 \label{eq:11}
325 \end{equation}
326 where $\frac{n}{p}$ is the size of the local vector and $bw$ is the bandwidth of the local sparse
327 sub-matrix which represents the number of columns between the minimum and the maximum column indices
328 (see Figure~\ref{fig:01}). In order to improve memory accesses, we use the texture memory to
329 cache elements of the global vector.
330
331 On a GPU cluster, the exchanges of the shared vectors elements between the neighboring nodes are
332 performed as follows:
333 \begin{itemize}
334   \item at the level of the sending node: data transfers of the shared data from the GPU global memory
335 to the CPU memory by using the CUBLAS communication routine \verb+cublasGetVector()+,
336   \item data exchanges between the CPUs by the MPI communication routine \verb+MPI_Alltoallv()+ and,
337   \item at the level of the receiving node: data transfers of the received shared data from the CPU
338 memory to the GPU global memory by using CUBLAS communication routine \verb+cublasSetVector()+. 
339 \end{itemize}  
340
341 \subsection{Experimentations}
342 \label{sec:05.02}
343 The experiments are done on a cluster composed of six machines interconnected by an Infiniband network
344 of $20$~GB/s. Each machine is a Xeon E5530 Quad-Core running at $2.4$~GHz. It provides $12$~GB of RAM
345 memory with a memory bandwidth of $25.6$~GB/s and it is equipped with two Tesla C1060 GPUs. Each GPU
346 is composed of $240$ cores running at $1.3$ GHz and has $4$~GB of global memory with a memory bandwidth
347 of $102$~GB/s. The GPU is connected to the CPU via a PCI-Express 16x Gen2.0 with a throughput of $8$~GB/s.
348 Figure~\ref{fig:02} shows the general scheme of the GPU cluster.
349
350 \begin{figure}[!h]
351 \centering
352   \includegraphics[width=80mm,keepaspectratio]{Figures/clusterGPU}
353 \caption{A cluster composed of six machines, each equipped with two Tesla C1060 GPUs}
354 \label{fig:02}
355 \end{figure}
356
357 Linux cluster version 2.6.18 OS is installed on the six machines. The C programming language is used for
358 coding the GMRES algorithm on both the CPU and the GPU versions. CUDA version 4.0~\cite{ref19} is used for programming 
359 the GPUs, using CUBLAS library~\cite{ref37} to deal with the functions operating on vectors. Finally, MPI routines
360 of OpenMPI 1.3.3 are used to carry out the communication between the CPU cores.
361
362 The experiments are done on linear systems associated to sparse matrices chosen from the Davis collection of the
363 university of Florida~\cite{Dav97}. They are matrices arising in real-world applications. Table~\ref{tab:01} shows
364 the main characteristics of these sparse matrices and Figure~\ref{fig:03} shows their sparse structures. For
365 each matrix, we give the number of rows (column~$3$ in Table~\ref{tab:01}), the number of nonzero values (column~$4$)
366 and the bandwidth (column~$5$).
367
368 \begin{table}
369 \begin{center}
370 \begin{tabular}{|c|c|r|r|r|} 
371 \hline
372 Matrix type                 & Name              & \# Rows   & \# Nonzeros  & Bandwidth \\\hline \hline
373 \multirow{6}{*}{Symmetric}  & 2cubes\_sphere    & 101 492   & 1 647 264    & 100 464        \\
374                             & ecology2          & 999 999   & 4 995 991    & 2 001          \\ 
375                             & finan512          & 74 752    & 596 992      & 74 725         \\ 
376                             & G3\_circuit       & 1 585 478 & 7 660 826    & 1 219 059      \\
377                             & shallow\_water2   & 81 920    & 327 680      & 58 710         \\
378                             & thermal2          & 1 228 045 & 8 580 313    & 1 226 629      \\ \hline \hline
379 \multirow{6}{*}{Asymmetric} & cage13            & 445 315   & 7 479 343    & 318 788        \\
380                             & crashbasis        & 160 000   & 1 750 416    & 120 202        \\
381                             & FEM\_3D\_thermal2 & 147 900   & 3 489 300    & 117 827        \\
382                             & language          & 399 130   & 1 216 334    & 398 622        \\
383                             & poli\_large       & 15 575    & 33 074       & 15 575         \\
384                             & torso3            & 259 156   & 4 429 042    & 216 854        \\ \hline
385 \end{tabular}
386 \caption{Main characteristics of the sparse matrices chosen from the Davis collection}
387 \label{tab:01}
388 \end{center}
389 \end{table}
390
391 \begin{figure}
392 \centering
393   \includegraphics[width=120mm,keepaspectratio]{Figures/matrices}
394 \caption{Structures of the sparse matrices chosen from the Davis collection}
395 \label{fig:03}
396 \end{figure}
397
398 All the experiments are performed on double-precision data. The parameters of the parallel
399 GMRES algorithm are as follows: the tolerance threshold $\varepsilon=10^{-12}$, the maximum
400 number of iterations $max=500$, the Arnoldi process is limited to $m=16$ iterations, the elements 
401 of the guess solution $x_0$ is initialized to $0$ and those of the right-hand side vector are
402 initialized to $1$. For simplicity sake, we chose the matrix preconditioning $M$ as the
403 main diagonal of the sparse matrix $A$. Indeed, it allows us to easily compute the required inverse
404 matrix $M^{-1}$ and it provides relatively good preconditioning in most cases. Finally, we set 
405 the size of a thread-block in GPUs to $512$ threads. 
406  It should be noted that the same optimizations are performed on the CPU version and on the GPU version of the parallel GMRES algorithm.
407
408 \begin{table}[!h]
409 \begin{center}
410 \begin{tabular}{|c|c|c|c|c|c|c|} 
411 \hline
412 Matrix            & $Time_{cpu}$  & $Time_{gpu}$  & $\tau$  & \# $iter$ & $prec$ & $\Delta$   \\ \hline \hline
413 2cubes\_sphere    & 0.234 s     & 0.124 s      & 1.88  & 21     & 2.10e-14      & 3.47e-18 \\
414 ecology2          & 0.076 s     & 0.035 s      & 2.15  & 21     & 4.30e-13      & 4.38e-15 \\
415 finan512          & 0.073 s     & 0.052 s      & 1.40  & 17     & 3.21e-12      & 5.00e-16 \\
416 G3\_circuit       & 1.016 s     & 0.649 s      & 1.56  & 22     & 1.04e-12      & 2.00e-15 \\
417 shallow\_water2   & 0.061 s     & 0.044 s      & 1.38  & 17     & 5.42e-22      & 2.71e-25 \\
418 thermal2          & 1.666 s     & 0.880 s      & 1.89  & 21     & 6.58e-12      & 2.77e-16 \\ \hline \hline
419 cage13            & 0.721 s     & 0.338 s      & 2.13  & 26     & 3.37e-11      & 2.66e-15 \\
420 crashbasis        & 1.349 s     & 0.830 s      & 1.62  & 121    & 9.10e-12      & 6.90e-12 \\
421 FEM\_3D\_thermal2 & 0.797 s     & 0.419 s      & 1.90  & 64     & 3.87e-09      & 9.09e-13 \\
422 language          & 2.252 s     & 1.204 s      & 1.87  & 90     & 1.18e-10      & 8.00e-11 \\
423 poli\_large       & 0.097 s     & 0.095 s      & 1.02  & 69     & 4.98e-11      & 1.14e-12 \\
424 torso3            & 4.242 s     & 2.030 s      & 2.09  & 175    & 2.69e-10      & 1.78e-14 \\ \hline
425 \end{tabular}
426 \caption{Performances of the parallel GMRES algorithm on a cluster of 24 CPU cores vs. a cluster of 12 GPUs}
427 \label{tab:02}
428 \end{center}
429 \end{table}
430
431 In Table~\ref{tab:02}, we give the performances of the parallel GMRES algorithm for solving the linear
432 systems associated to the sparse matrices shown in Table~\ref{tab:01}. The second and third columns show
433 the execution times in seconds obtained on a cluster of 24 CPU cores and on a cluster of 12 GPUs, respectively.
434 The fourth column shows the ratio $\tau$ between the CPU time $Time_{cpu}$ and the GPU time $Time_{gpu}$ that
435 is computed as follows:
436 \begin{equation}
437   \tau = \frac{Time_{cpu}}{Time_{gpu}}.
438 \end{equation}
439 From these ratios, we can notice that the use of many GPUs is not interesting to solve small sparse linear
440 systems. Solving these sparse linear systems on a cluster of 12 GPUs is as fast as on a cluster of 24 CPU
441 cores. Indeed, the small sizes of the sparse matrices do not allow to maximize the utilization of the GPU
442 cores of the cluster. The fifth, sixth and seventh columns show, respectively, the number of iterations performed
443 by the parallel GMRES algorithm to converge, the precision of the solution, $prec$, computed on the GPU
444 cluster and the difference, $\Delta$, between the solutions computed on the GPU and the GPU clusters. The
445 last two parameters are used to validate the results obtained on the GPU cluster and they are computed as
446 follows:
447 \begin{equation}
448 \begin{array}{c}
449   prec = \|M^{-1}(b-Ax^{gpu})\|_{\infty}, \\
450   \Delta = \|x^{cpu}-x^{gpu}\|_{\infty},
451 \end{array}
452 \end{equation}
453 where $x^{cpu}$ and $x^{gpu}$ are the solutions computed, respectively, on the CPU cluster and on the GPU cluster.
454 We can see that the precision of the solutions computed on the GPU cluster are sufficient, they are about $10^{-10}$,
455 and the parallel GMRES algorithm computes almost the same solutions in both CPU and GPU clusters, with $\Delta$ varying
456 from $10^{-11}$ to $10^{-25}$.
457
458 Afterwards, we evaluate the performances of the parallel GMRES algorithm for solving large linear systems. We have
459 developed in C programming language a generator of large sparse matrices having a band structure which arises 
460 in  most numerical problems. This generator uses the sparse matrices of the Davis collection as the initial
461 matrices to build the large band matrices. It is executed in parallel by all the MPI processes of the cluster
462 so that each process constructs its own sub-matrix as a rectangular block of the global sparse matrix. Each process
463 $i$ computes the size $n_i$ and the offset $offset_i$ of its sub-matrix in the global sparse matrix according to the
464 size $n$ of the linear system to be solved and the number of the GPU computing nodes $p$ as follows:
465 \begin{equation}
466   n_i = \frac{n}{p},
467 \end{equation} 
468 \begin{equation}
469   offset_i = \left\{
470   \begin{array}{l}
471   0\mbox{~if~}i=0,\\
472   offset_{i-1}+n_{i-1}\mbox{~otherwise.}
473   \end{array}
474   \right.
475 \end{equation} 
476 So each process $i$ performs several copies of the same initial matrix chosen from the Davis collection and it
477 puts all these copies on the main diagonal of the global matrix in order to construct a band matrix. Moreover,
478 it fulfills the empty spaces between two successive copies by small copies, \textit{lower\_copy} and \textit{upper\_copy},
479 of the same initial matrix. Figure~\ref{fig:04} shows a generation of a sparse bended matrix by four computing nodes.
480
481 \begin{figure}
482 \centering
483   \includegraphics[width=100mm,keepaspectratio]{Figures/generation}
484 \caption{Example of the generation of a large sparse and band matrix by four computing nodes.}
485 \label{fig:04}
486 \end{figure}
487
488 Table~\ref{tab:03} shows the main characteristics (the number of nonzero values and the bandwidth) of the
489 large sparse matrices generated from those of the Davis collection. These matrices are associated to the
490 linear systems of 25 million of unknown values (each generated sparse matrix has 25 million rows). In Table~\ref{tab:04}
491 we show the performances of the parallel GMRES algorithm for solving large linear systems associated to the
492 sparse band matrices of Table~\ref{tab:03}. The fourth column gives the ratio between the execution time
493 spent on a cluster of 24 CPU cores and that spent on a cluster of 12 GPUs. We can notice from these ratios
494 that for solving large sparse matrices the GPU cluster is more efficient (about 5 times faster) than the CPU
495 cluster. The computing power of the GPUs allows to accelerate the computation of the functions operating
496 on large vectors of the parallel GMRES algorithm.
497
498 \begin{table}[!h]
499 \begin{center}
500 \begin{tabular}{|c|c|r|r|} 
501 \hline
502 Matrix type                 & Name              & \# nonzeros & Bandwidth \\ \hline \hline
503 \multirow{6}{*}{Symmetric}  & 2cubes\_sphere    & 413 703 602 & 198 836   \\
504                             & ecology2          & 124 948 019 & 2 002     \\ 
505                             & finan512          & 278 175 945 & 123 900   \\
506                             & G3\_circuit       & 125 262 292 & 1 891 887 \\            
507                             & shallow\_water2   & 100 235 292 & 62 806    \\
508                             & thermal2          & 175 300 284 & 2 421 285 \\ \hline \hline
509 \multirow{6}{*}{Asymmetric} & cage13            & 435 770 480 & 352 566   \\
510                             & crashbasis        & 409 291 236 & 200 203   \\
511                             & FEM\_3D\_thermal2 & 595 266 787 & 206 029   \\
512                             & language          & 76 912 824  & 398 626   \\
513                             & poli\_large       & 53 322 580  & 15 576    \\
514                             & torso3            & 433 795 264 & 328 757   \\ \hline
515 \end{tabular}
516 \caption{Main characteristics of the sparse and band matrices generated from the sparse matrices of the Davis collection.}
517 \label{tab:03}
518 \end{center}
519 \end{table}
520
521
522 \begin{table}[!h]
523 \begin{center}
524 \begin{tabular}{|c|c|c|c|c|c|c|} 
525 \hline
526 Matrix            & $Time_{cpu}$ & $Time_{gpu}$ & $\tau$ & \# $iter$& $prec$   & $\Delta$   \\ \hline \hline
527 2cubes\_sphere    & 3.683 s     & 0.870 s      & 4.23   & 21       & 2.11e-14 & 8.67e-18 \\
528 ecology2          & 2.570 s     & 0.424 s      & 6.06   & 21       & 4.88e-13 & 2.08e-14 \\
529 finan512          & 2.727 s     & 0.533 s      & 5.11   & 17       & 3.22e-12 & 8.82e-14 \\
530 G3\_circuit       & 4.656 s     & 1.024 s      & 4.54   & 22       & 1.04e-12 & 5.00e-15 \\
531 shallow\_water2   & 2.268 s     & 0.384 s      & 5.91   & 17       & 5.54e-21 & 7.92e-24 \\
532 thermal2          & 4.650 s     & 1.130 s      & 4.11   & 21       & 8.89e-12 & 3.33e-16 \\ \hline \hline
533 cage13            & 6.068 s     & 1.054 s      & 5.75   & 26       & 3.29e-11 & 1.59e-14 \\
534 crashbasis        & 25.906 s    & 4.569 s      & 5.67   & 135      & 6.81e-11 & 4.61e-15 \\
535 FEM\_3D\_thermal2 & 13.555 s    & 2.654 s      & 5.11   & 64       & 3.88e-09 & 1.82e-12 \\
536 language          & 13.538 s    & 2.621 s      & 5.16   & 89       & 2.11e-10 & 1.60e-10 \\
537 poli\_large       & 8.619 s     & 1.474 s      & 5.85   & 69       & 5.05e-11 & 6.59e-12 \\
538 torso3            & 35.213 s    & 6.763 s      & 5.21   & 175      & 2.69e-10 & 2.66e-14 \\ \hline
539 \end{tabular}
540 \caption{Performances of the parallel GMRES algorithm for solving large sparse linear systems associated
541 to band matrices on a cluster of 24 CPU cores vs. a cluster of 12 GPUs.}
542 \label{tab:04}
543 \end{center}
544 \end{table}
545
546
547 %%--------------------%%
548 %%      SECTION 6     %%
549 %%--------------------%%
550 \section{Minimization of communications}
551 \label{sec:06}
552 The parallel sparse matrix-vector multiplication requires  data exchanges between the GPU computing nodes
553 to construct the global vector. However, a GPU cluster requires communications between the GPU nodes and the
554 data transfers between the GPUs and their hosts CPUs. In fact, a communication between two GPU nodes implies:  
555 a data transfer from the GPU memory to the CPU memory at the sending node, a MPI communication between the CPUs
556 of two GPU nodes, and a data transfer from the CPU memory to the GPU memory at the receiving node. Moreover,
557 the data transfers between a GPU and a CPU are considered as the most expensive communications on a GPU cluster.
558 For example in our GPU cluster, the data throughput between a GPU and a CPU is of 8 GB/s which is about twice
559 lower than the data transfer rate between CPUs (20 GB/s) and 12 times lower than the memory bandwidth of the
560 GPU global memory (102 GB/s). In this section, we propose two solutions to improve the execution time of the
561 parallel GMRES algorithm on GPU clusters.
562
563 \subsection{Compressed storage format of the sparse vectors}
564 \label{sec:06.01}
565 In Section~\ref{sec:05.01}, the SpMV multiplication uses a global vector having a size equivalent to the matrix
566 bandwidth (see Formula~\ref{eq:11}). However, we can notice that a SpMV multiplication does not often need all
567 the vector elements of the global vector composed of the local and shared sub-vectors. For example in Figure~\ref{fig:01},
568  node 1 only needs  a single vector element from  node 0 (element 1), two elements from node 2 (elements 8
569 and 9) and two elements from  node 3 (elements 13 and 14). Therefore to reduce the communication overheads
570 of the unused vector elements, the GPU computing nodes must exchange between them only the vector elements necessary
571 to perform their local sparse matrix-vector multiplications.
572
573 \begin{figure}[!h]
574 \centering
575   \includegraphics[width=120mm,keepaspectratio]{Figures/compress}
576 \caption{Example of data exchanges between node 1 and its neighbors 0, 2 and 3.}
577 \label{fig:05}
578 \end{figure}
579
580 \begin{figure}[!h]
581 \centering
582   \includegraphics[width=100mm,keepaspectratio]{Figures/reorder}
583 \caption{Reordering of the columns of a local sparse matrix.}
584 \label{fig:06}
585 \end{figure}
586
587 We propose to use a compressed storage format of the sparse global vector. In Figure~\ref{fig:05}, we show an
588 example of the data exchanges between node 1 and its neighbors to construct the compressed global vector.
589 First, the neighboring nodes 0, 2 and 3 determine the vector elements needed by node 1 and, then, they send
590 only these elements to it. Node 1 receives these shared elements in a compressed vector. However to compute
591 the sparse matrix-vector multiplication, it must first copy the received elements to the corresponding indices
592 in the global vector. In order to avoid this process at each iteration, we propose to reorder the columns of the
593 local sub-matrices so as to use the shared vectors in their compressed storage format (see Figure~\ref{fig:06}).
594 For performance purposes, the computation of the shared data to send to the neighboring nodes is performed
595 by the GPU as a kernel. In addition, we use the MPI point-to-point communication routines: a blocking send routine
596 \verb+MPI_Send()+ and a nonblocking receive routine \verb+MPI_Irecv()+.
597
598 Table~\ref{tab:05} shows the performances of the parallel GMRES algorithm using the compressed storage format
599 of the sparse global vector. The results are obtained from solving large linear systems associated to the sparse
600 band matrices presented in Table~\ref{tab:03}. We can see from Table~\ref{tab:05} that the execution times 
601 of the parallel GMRES algorithm on a cluster of 12 GPUs are improved by about 38\% compared to those presented
602 in Table~\ref{tab:04}. In addition, the ratios between the execution times spent on the cluster of 24 CPU cores
603 and those spent on the cluster of 12 GPUs have increased. Indeed, the reordering of the sparse sub-matrices and
604 the use of a compressed storage format for the sparse vectors minimize the communication overheads between the
605 GPU computing nodes.
606
607 \begin{table}[!h]
608 \begin{center}
609 \begin{tabular}{|c|c|c|c|c|c|c|} 
610 \hline
611 Matrix            & $Time_{cpu}$ & $Time_{gpu}$ & $\tau$& \# $iter$& $prec$   & $\Delta$   \\ \hline \hline
612 2cubes\_sphere    & 3.597 s     & 0.514 s      & 6.99  & 21       & 2.11e-14 & 8.67e-18 \\
613 ecology2          & 2.549 s     & 0.288 s      & 8.83  & 21       & 4.88e-13 & 2.08e-14 \\
614 finan512          & 2.660 s     & 0.377 s      & 7.05  & 17       & 3.22e-12 & 8.82e-14 \\
615 G3\_circuit       & 3.139 s     & 0.480 s      & 6.53  & 22       & 1.04e-12 & 5.00e-15 \\
616 shallow\_water2   & 2.195 s     & 0.253 s      & 8.68  & 17       & 5.54e-21 & 7.92e-24 \\
617 thermal2          & 3.206 s     & 0.463 s      & 6.93  & 21       & 8.89e-12 & 3.33e-16 \\ \hline \hline
618 cage13            & 5.560 s     & 0.663 s      & 8.39  & 26       & 3.29e-11 & 1.59e-14 \\
619 crashbasis        & 25.802 s    & 3.511 s      & 7.35  & 135      & 6.81e-11 & 4.61e-15 \\
620 FEM\_3D\_thermal2 & 13.281 s    & 1.572 s      & 8.45  & 64       & 3.88e-09 & 1.82e-12 \\
621 language          & 12.553 s    & 1.760 s      & 7.13  & 89       & 2.11e-10 & 1.60e-10 \\
622 poli\_large       & 8.515 s     & 1.053 s      & 8.09  & 69       & 5.05e-11 & 6.59e-12 \\
623 torso3            & 31.463 s    & 3.681 s      & 8.55  & 175      & 2.69e-10 & 2.66e-14 \\ \hline
624 \end{tabular}
625 \caption{Performances of the parallel GMRES algorithm using a compressed storage format of the sparse
626 vectors for solving large sparse linear systems associated to band matrices on a cluster of 24 CPU cores vs.
627 a cluster of 12 GPUs.}
628 \label{tab:05}
629 \end{center}
630 \end{table}
631
632 \subsection{Hypergraph partitioning}
633 \label{sec:06.02}
634 In this section, we use another structure of the sparse matrices. We are interested in sparse matrices
635 whose nonzero values are distributed along their large bandwidths. We developed in C programming
636 language a generator of sparse matrices having five bands (see Figure~\ref{fig:07}). The principle of
637 this generator is the same as the one presented in Section~\ref{sec:05.02}. However, the copies made from the
638 initial sparse matrix, chosen from the Davis collection, are placed on the main diagonal and on two
639 off-diagonals on the left and right of the main diagonal. Table~\ref{tab:06} shows the main characteristics
640 of sparse matrices of size 25 million of rows and generated from those of the Davis collection. We can
641 see in the fourth column that the bandwidths of these matrices are as large as their sizes.
642
643 \begin{figure}[h!]
644 \centering
645   \includegraphics[width=100mm,keepaspectratio]{Figures/generation_1}
646 \caption{Example of the generation of a large sparse matrix having five bands by four computing nodes.}
647 \label{fig:07}
648 \end{figure}
649
650 \begin{table}[!h]
651 \begin{center}
652 \begin{tabular}{|c|c|r|r|} 
653 \hline
654 Matrix type                 & Name              & \# nonzeros   & Bandwidth \\ \hline \hline
655 \multirow{6}{*}{Symmetric}  & 2cubes\_sphere    & 829 082 728   & 24 999 999     \\
656                             & ecology2          & 254 892 056   & 25 000 000     \\ 
657                             & finan512          & 556 982 339   & 24 999 973     \\ 
658                             & G3\_circuit       & 257 982 646   & 25 000 000     \\
659                             & shallow\_water2   & 200 798 268   & 25 000 000     \\
660                             & thermal2          & 359 340 179   & 24 999 998     \\ \hline \hline
661 \multirow{6}{*}{Asymmetric} & cage13            & 879 063 379   & 24 999 998     \\
662                             & crashbasis        & 820 373 286   & 24 999 803     \\
663                             & FEM\_3D\_thermal2 & 1 194 012 703 & 24 999 998     \\
664                             & language          & 155 261 826   & 24 999 492     \\
665                             & poli\_large       & 106 680 819   & 25 000 000     \\
666                             & torso3            & 872 029 998   & 25 000 000     \\ \hline
667 \end{tabular}
668 \caption{Main characteristics of the sparse matrices having five band and generated from the sparse matrices of the Davis collection.}
669 \label{tab:06}
670 \end{center}
671 \end{table}
672
673 In Table~\ref{tab:07} we give the performances of the parallel GMRES algorithm on the CPU and GPU
674 clusters for solving large linear systems associated to the sparse matrices shown in Table~\ref{tab:06}.
675 We can notice from the ratios given in the fourth column that solving sparse linear systems associated
676 to matrices having large bandwidth on the GPU cluster is as fast as on the CPU cluster. This is due 
677 to the large total communication volume necessary to synchronize the computations over the cluster.
678 In fact, the naive partitioning row-by-row or column-by-column of this type of sparse matrices links
679 a GPU node to many neighboring nodes and produces a significant number of data dependencies between
680 the different GPU nodes.   
681
682 \begin{table}[!h]
683 \begin{center}
684 \begin{tabular}{|c|c|c|c|c|c|c|} 
685 \hline
686 Matrix            & $Time_{cpu}$ & $Time_{gpu}$ & $\tau$ & \# $iter$& $prec$ & $\Delta$   \\ \hline \hline
687 2cubes\_sphere    & 15.963 s    & 7.250 s      & 2.20  & 58     & 6.23e-16 & 3.25e-19 \\
688 ecology2          & 3.549 s     & 2.176 s      & 1.63  & 21     & 4.78e-15 & 1.06e-15 \\
689 finan512          & 3.862 s     & 1.934 s      & 1.99  & 17     & 3.21e-14 & 8.43e-17 \\
690 G3\_circuit       & 4.636 s     & 2.811 s      & 1.65  & 22     & 1.08e-14 & 1.77e-16 \\
691 shallow\_water2   & 2.738 s     & 1.539 s      & 1.78  & 17     & 5.54e-23 & 3.82e-26 \\
692 thermal2          & 5.017 s     & 2.587 s      & 1.94  & 21     & 8.25e-14 & 4.34e-18 \\ \hline \hline
693 cage13            & 9.315 s     & 3.227 s      & 2.89  & 26     & 3.38e-13 & 2.08e-16 \\
694 crashbasis        & 35.980 s    & 14.770 s     & 2.43  & 127    & 1.17e-12 & 1.56e-17 \\
695 FEM\_3D\_thermal2 & 24.611 s    & 7.749 s      & 3.17  & 64     & 3.87e-11 & 2.84e-14 \\
696 language          & 16.859 s    & 9.697 s      & 1.74  & 89     & 2.17e-12 & 1.70e-12 \\
697 poli\_large       & 10.200 s    & 6.534 s      & 1.56  & 69     & 5.14e-13 & 1.63e-13 \\
698 torso3            & 49.074 s    & 19.397 s     & 2.53  & 175    & 2.69e-12 & 2.77e-16 \\ \hline
699 \end{tabular}
700 \caption{Performances of the parallel GMRES algorithm using a compressed storage format of the sparse
701 vectors for solving large sparse linear systems associated to matrices having five bands on a cluster
702 of 24 CPU cores vs. a cluster of 12 GPUs.}
703 \label{tab:07}
704 \end{center}
705 \end{table}
706
707 We propose to use a hypergraph partitioning method which is well adapted to numerous structures 
708 of sparse matrices~\cite{Cat99}. Indeed, it can well model the communications between the computing
709 nodes especially for the asymmetric and rectangular matrices. It gives in most cases good reductions
710 of the total communication volume. Nevertheless, it is more expensive in terms of execution time and
711 memory space consumption than the partitioning method based on graphs.  
712
713 The sparse matrix $A$ of the linear system to be solved is modelled as a hypergraph
714 $\mathcal{H}=(\mathcal{V},\mathcal{E})$ as follows:
715 \begin{itemize}
716 \item each matrix row $i$ ($0\leq i<n$) corresponds to a vertex $v_i\in\mathcal{V}$,
717 \item each matrix column $j$ ($0\leq j<n$) corresponds to a hyperedge $e_j\in\mathcal{E}$, such that:
718 $\forall a_{ij}$ is a nonzero value of the matrix $A$, $v_i\in pins[e_j]$,
719 \item $w_i$ is the weight of vertex $v_i$,
720 \item $c_j$ is the cost of hyperedge $e_j$.  
721 \end{itemize}
722 A $K$-way partitioning of a hypergraph $\mathcal{H}=(\mathcal{V},\mathcal{E})$ is defined as a set 
723 of $K$ pairwise disjoint non-empty subsets (or parts) of the vertex set $\mathcal{V}$: $\mathcal{P}=\{\mathcal{V}_1,\ldots,\mathcal{V}_k\}$,
724 such that $\mathcal{V}=\displaystyle\cup_{k=1}^K\mathcal{V}_{k}$. Each computing node is in charge of
725 a vertex subset. Figure~\ref{fig:08} shows an example of a hypergraph partitioning of a sparse matrix
726 of size $(9\times 9)$ into three parts. The circles and squares correspond, respectively, to the vertices
727 and hyperedges of the hypergraph. The solid squares define the cut hyperedges connecting at least two
728 different parts. The connectivity $\lambda_j$ denotes the number of different parts spanned by the cut
729 hyperedge $e_j$.
730
731 \begin{figure}
732 \centering
733   \includegraphics[width=130mm,keepaspectratio]{Figures/hypergraph}
734 \caption{A hypergraph partitioning of a sparse matrix between three computing nodes.}
735 \label{fig:08}
736 \end{figure}
737
738 The cut hyperedges model the communications between the different GPU computing nodes in the cluster,
739 necessary to perform the SpMV multiplication. Indeed, each hyperedge $e_j$ defines a set of atomic
740 computations $b_i\leftarrow b_i+a_{ij}x_j$ of the SpMV multiplication which needs the $j^{th}$ element
741 of  vector $x$. Therefore pins of hyperedge $e_j$ ($pins[e_j]$) denote the set of matrix rows requiring
742 the same vector element $x_j$. For example in Figure~\ref{fig:08}, hyperedge $e_9$ whose pins are:
743 $pins[e_9]=\{v_2,v_5,v_9\}$ represents matrix rows 2, 5 and 9 requiring the vector element $x_9$
744 to compute in parallel the atomic operations: $b_2\leftarrow b_2+a_{29}x_9$, $b_5\leftarrow b_5+a_{59}x_9$
745 and $b_9\leftarrow b_9+a_{99}x_9$. However, $x_9$ is a vector element of the computing node 3 and it must
746 be sent to the neighboring nodes 1 and 2.
747
748 The hypergraph partitioning allows to reduce the total communication volume while maintaining the computational
749 load balance between the computing nodes. Indeed, it minimizes at best the following sum:
750 \begin{equation}
751 \mathcal{X}(\mathcal{P}) = \displaystyle\sum_{e_j\in\mathcal{E}_C} c_j(\lambda_j-1),
752 \end{equation}
753 where $\mathcal{E}_C$ is the set of the cut hyperedges issued from the partitioning $\mathcal{P}$, $c_j$
754 and $\lambda_j$ are, respectively, the cost and the connectivity of the cut hyperedge $e_j$. In addition,
755 the hypergraph partitioning is constrained to maintain the load balance between the $K$ parts:
756 \begin{equation}
757 W_k\leq (1+\epsilon)W_{avg}\mbox{,~}(1\leq k\leq K)\mbox{~and~}(0<\epsilon<1),
758 \end{equation}
759 where $W_k$ is the sum of the vertex weights in the subset $\mathcal{V}_k$, $W_{avg}$ is the average part's
760 weight and $\epsilon$ is the maximum allowed imbalanced ratio.
761
762 The hypergraph partitioning is a NP-complete problem but software tools using heuristics are developed, for
763 example: hMETIS~\cite{Kar98}, PaToH~\cite{Cata99} and Zoltan~\cite{Dev06}. Due to the large sizes of the
764 linear systems to be solved, we use a parallel hypergraph partitioning which must be performed by at least 
765 two MPI processes. The hypergraph model $\mathcal{H}$ of the sparse matrix is split into $p$ (number of computing
766 nodes) sub-hypergraphs $\mathcal{H}_k=(\mathcal{V}_k,\mathcal{E}_k)$, $0\leq k<p$, then the parallel partitioning
767 is applied by using the MPI communication routines.
768
769 Table~\ref{tab:08} shows the performances of the parallel GMRES algorithm for solving the linear systems
770 associated to the sparse matrices presented in Table~\ref{tab:06}. In the experiments, we have used the
771 compressed storage format of the sparse vectors and the parallel hypergraph partitioning developed in the
772 Zoltan tool~\cite{ref20,ref21}. The parameters of the hypergraph partitioning are initialized as follows:
773 \begin{itemize}
774 \item The weight $w_i$ of each vertex $v_i$ is set to the number of the nonzero values on the matrix row $i$,
775 \item For simplicity sake, the cost $c_j$ of each hyperedge $e_j$ is set to 1,
776 \item The maximum imbalanced ratio $\epsilon$ is limited to 10\%.  
777 \end{itemize} 
778 We can notice from Table~\ref{tab:08} that the execution times on the cluster of 12 GPUs are significantly
779 improved compared to those presented in Table~\ref{tab:07}. The hypergraph partitioning applied on the large
780 sparse matrices having large bandwidths have improved the execution times on the GPU cluster by about 65\%.
781
782 \begin{table}[!h]
783 \begin{center}
784 \begin{tabular}{|c|c|c|c|c|c|c|} 
785 \hline
786 Matrix            & $Time_{cpu}$ & $Time_{gpu}$ & $\tau$  & \# iter & $prec$     & $\Delta$   \\ \hline \hline
787 2cubes\_sphere    & 16.430 s    & 2.840 s      & 5.78 & 58     & 6.23e-16 & 3.25e-19 \\
788 ecology2          & 3.152 s     & 0.367 s      & 8.59 & 21     & 4.78e-15 & 1.06e-15 \\
789 finan512          & 3.672 s     & 0.723 s      & 5.08 & 17     & 3.21e-14 & 8.43e-17 \\
790 G3\_circuit       & 4.468 s     & 0.971 s      & 4.60 & 22     & 1.08e-14 & 1.77e-16 \\ 
791 shallow\_water2   & 2.647 s     & 0.312 s      & 8.48 & 17     & 5.54e-23 & 3.82e-26 \\ 
792 thermal2          & 4.190 s     & 0.666 s      & 6.29 & 21     & 8.25e-14 & 4.34e-18 \\ \hline \hline
793 cage13            & 8.077 s     & 1.584 s      & 5.10 & 26     & 3.38e-13 & 2.08e-16 \\
794 crashbasis        & 35.173 s    & 5.546 s      & 6.34 & 127    & 1.17e-12 & 1.56e-17 \\
795 FEM\_3D\_thermal2 & 24.825 s    & 3.113 s      & 7.97 & 64     & 3.87e-11 & 2.84e-14 \\
796 language          & 16.706 s    & 2.522 s      & 6.62 & 89     & 2.17e-12 & 1.70e-12 \\
797 poli\_large       & 12.715 s    & 3.989 s      & 3.19 & 69     & 5.14e-13 & 1.63e-13 \\
798 torso3            & 48.459 s    & 6.234 s      & 7.77 & 175    & 2.69e-12 & 2.77e-16 \\ \hline
799 \end{tabular}
800 \caption{Performances of the parallel GMRES algorithm using a compressed storage format of the sparse
801 vectors and a hypergraph partitioning method for solving large sparse linear systems associated to matrices
802 having five bands on a cluster of 24 CPU cores vs. a cluster of 12 GPUs.}
803 \label{tab:08}
804 \end{center}
805 \end{table}
806
807 Table~\ref{tab:09} shows in the second, third and fourth columns the total communication volume on a cluster of 12 GPUs by using row-by-row partitioning or hypergraph partitioning and compressed format. The total communication volume defines the total number of the vector elements exchanged between the 12 GPUs. From these columns we can see that the two heuristics, compressed format for the vectors and the hypergraph partitioning, minimize the number of vector elements to be exchanged over the GPU cluster. The compressed format allows the GPUs to exchange the needed vector elements witout any communication overheads. The hypergraph partitioning allows to split the large sparse matrices so as to minimize  data dependencies between the GPU computing nodes. However, we can notice in the fifth column that the hypergraph partitioning takes longer than the computation times. As we have mentioned before, the hypergraph partitioning method is less efficient in terms of memory consumption and partitioning time than its graph counterpart. So for the applications which often use the same sparse matrices, we can perform the hypergraph partitioning only once and, then, we save the traces in files to be reused several times. Therefore, this allows us to avoid the partitioning of the sparse matrices at each resolution of the linear systems.
808
809 \begin{table}
810 \begin{center}
811 \begin{tabular}{|c|c|c|c|c|} 
812 \hline
813 \multirow{3}{*}{Matrix} & Total comm. vol. & Total comm. vol. & Total comm. vol.              & Time of hypergraph \\
814                         & using row-by row & using compressed & using hypergraph partitioning & partitioning \\
815                         & partitioning     & format           & and compressed format         & in minutes \\ \hline \hline
816 2cubes\_sphere          & 182 061 791      & 25 360 543       & 240 679                       & 68.98         \\
817 ecology2                & 181 267 000      & 26 044 002       & 73 021                        & 4.92          \\
818 finan512                & 182 090 692      & 26 087 431       & 900 729                       & 33.72         \\
819 G3\_circuit             & 192 244 835      & 31 912 003       & 5 366 774                     & 11.63         \\
820 shallow\_water2         & 181 729 606      & 25 105 108       & 60 899                        & 5.06          \\ 
821 thermal2                & 191 350 306      & 30 012 846       & 1 077 921                     & 17.88         \\ \hline \hline
822 cage13                  & 183 970 606      & 28 254 282       & 3 845 440                     & 196.45        \\
823 crashbasis              & 182 931 818      & 29 020 060       & 2 401 876                     & 33.39         \\
824 FEM\_3D\_thermal2       & 182 503 894      & 25 263 767       & 250 105                       & 49.89         \\
825 language                & 183 055 017      & 27 291 486       & 1 537 835                     & 9.07          \\
826 poli\_large             & 181 381 470      & 25 053 554       & 7 388 883                     & 5.92          \\
827 torso3                  & 183 863 292      & 25 682 514       & 613 250                       & 61.51        \\ \hline       
828 \end{tabular}
829 \caption{Total communication volume on a cluster of 12 GPUs using row-by-row or hypergraph partitioning methods and compressed vectors. The total communication volume is defined as the total number of vector elements exchanged between all GPUs of the cluster.}
830 \label{tab:09}
831 \end{center}
832 \end{table}
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848 Hereafter, we show the influence of the communications on a GPU cluster compared to a CPU cluster. In Tables~\ref{tab:10},~\ref{tab:11} and~\ref{tab:12}, we compute the ratios between the computation time over the communication time of three versions of the parallel GMRES algorithm to solve sparse linear systems associated to matrices of Table~\ref{tab:06}. These tables show that the hypergraph partitioning and the compressed format of the vectors increase the ratios either on the GPU cluster or on the CPU cluster. That means that the two optimization techniques allow the minimization of the total communication volume between the computing nodes. However, we can notice that the ratios obtained on the GPU cluster are lower than those obtained on the CPU cluster. Indeed, GPUs compute faster than CPUs but with GPUs there are more communications due to CPU/GPU communications, so communications are more time-consuming while the computation time remains unchanged.
849
850 \begin{table}
851 \begin{center}
852 \begin{tabular}{|c||c|c|c||c|c|c|} 
853 \hline
854 \multirow{2}{*}{Matrix} & \multicolumn{3}{c||}{GPU version} & \multicolumn{3}{c|}{CPU version}  \\ \cline{2-7}
855                   & $Time_{comput}$ & $Time_{comm}$ & $Ratio$ & $Time_{comput}$ & $Time_{comm}$ & $Ratio$ \\ \hline \hline
856 2cubes\_sphere    & 37.067 s       & 1434.512 s   & {\bf 0.026}   & 312.061 s      & 3453.931 s   & {\bf 0.090}\\
857 ecology2          & 4.116 s        & 501.327 s    & {\bf 0.008}   & 60.776 s       & 1216.607 s   & {\bf 0.050}\\
858 finan512          & 7.170 s        & 386.742 s    & {\bf 0.019}   & 72.464 s       & 932.538 s    & {\bf 0.078}\\
859 G3\_circuit       & 4.797 s        & 537.343 s    & {\bf 0.009}   & 66.011 s       & 1407.378 s   & {\bf 0.047}\\
860 shallow\_water2   & 3.620 s        & 411.208 s    & {\bf 0.009}   & 51.294 s       & 973.446 s    & {\bf 0.053}\\ 
861 thermal2          & 6.902 s        & 511.618 s    & {\bf 0.013}   & 77.255 s       & 1281.979 s   & {\bf 0.060}\\ \hline \hline
862 cage13            & 12.837 s       & 625.175 s    & {\bf 0.021}   & 139.178 s      & 1518.349 s   & {\bf 0.092}\\
863 crashbasis        & 48.532 s       & 3195.183 s   & {\bf 0.015}   & 623.686 s      & 7741.777 s   & {\bf 0.081}\\
864 FEM\_3D\_thermal2 & 37.211 s       & 1584.650 s   & {\bf 0.023}   & 370.297 s      & 3810.255 s   & {\bf 0.097}\\
865 language          & 22.912 s       & 2242.897 s   & {\bf 0.010}   & 286.682 s      & 5348.733 s   & {\bf 0.054}\\
866 poli\_large       & 13.618 s       & 1722.304 s   & {\bf 0.008}   & 190.302 s      & 4059.642 s   & {\bf 0.047}\\
867 torso3            & 74.194 s       & 4454.936 s   & {\bf 0.017}   & 190.302 s      & 10800.787 s  & {\bf 0.083}\\ \hline       
868 \end{tabular}
869 \caption{Ratios of the computation time over the communication time obtained from the parallel GMRES algorithm using row-by-row partitioning on 12 GPUs and 24 CPUs.}
870 \label{tab:10}
871 \end{center}
872 \end{table}
873
874
875 \begin{table}
876 \begin{center}
877 \begin{tabular}{|c||c|c|c||c|c|c|} 
878 \hline
879 \multirow{2}{*}{Matrix} & \multicolumn{3}{c||}{GPU version} & \multicolumn{3}{c|}{CPU version}  \\ \cline{2-7}
880                   & $Time_{comput}$ & $Time_{comm}$ & $Ratio$ & $Time_{comput}$ & $Time_{comm}$ & $Ratio$ \\ \hline \hline
881 2cubes\_sphere    & 27.386 s       & 154.861 s   & {\bf 0.177}   & 342.255 s      & 42.100 s   & {\bf 8.130}\\
882 ecology2          & 3.822 s        & 53.131 s    & {\bf 0.072}   & 69.956 s       & 15.019 s   & {\bf 4.658}\\
883 finan512          & 6.366 s        & 41.155 s    & {\bf 0.155}   & 79.592 s       & 8.604 s    & {\bf 9.251}\\
884 G3\_circuit       & 4.543 s        & 63.132 s    & {\bf 0.072}   & 76.540 s       & 27.371 s   & {\bf 2.796}\\
885 shallow\_water2   & 3.282 s        & 43.080 s    & {\bf 0.076}   & 58.348 s       & 8.088 s    & {\bf 7.214}\\ 
886 thermal2          & 5.986 s        & 57.100 s    & {\bf 0.105}   & 87.682 s       & 28.544 s   & {\bf 3.072}\\ \hline \hline
887 cage13            & 10.227 s       & 70.388 s    & {\bf 0.145}   & 152.718 s      & 30.785 s   & {\bf 4.961}\\
888 crashbasis        & 41.527 s       & 369.071 s   & {\bf 0.113}   & 701.040 s      & 158.916 s  & {\bf 4.411}\\
889 FEM\_3D\_thermal2 & 28.691 s       & 167.140 s   & {\bf 0.172}   & 403.510 s      & 50.935 s   & {\bf 7.922}\\
890 language          & 22.408 s       & 242.589 s   & {\bf 0.092}   & 333.119 s      & 64.409 s   & {\bf 5.172}\\
891 poli\_large       & 13.710 s       & 179.208 s   & {\bf 0.077}   & 215.934 s      & 30.903 s   & {\bf 6.987}\\
892 torso3            & 58.455 s       & 480.315 s   & {\bf 0.122}   & 993.609 s      & 152.173 s  & {\bf 6.529}\\ \hline       
893 \end{tabular}
894 \caption{Ratios of the computation time over the communication time obtained from the parallel GMRES algorithm using row-by-row partitioning and compressed format for vectors on 12 GPUs and 24 CPUs.}
895 \label{tab:11}
896 \end{center}
897 \end{table}
898
899
900 \begin{table}
901 \begin{center}
902 \begin{tabular}{|c||c|c|c||c|c|c|} 
903 \hline
904 \multirow{2}{*}{Matrix} & \multicolumn{3}{c||}{GPU version} & \multicolumn{3}{c|}{CPU version}  \\ \cline{2-7}
905                   & $Time_{comput}$ & $Time_{comm}$ & $Ratio$ & $Time_{comput}$ & $Time_{comm}$ & $Ratio$ \\ \hline \hline
906 2cubes\_sphere    & 28.440 s       & 7.768 s      & {\bf 3.661}   & 327.109 s      & 63.788 s   & {\bf 5.128}\\
907 ecology2          & 3.652 s        & 0.757 s      & {\bf 4.823}   & 63.632 s       & 13.520 s   & {\bf 4.707}\\
908 finan512          & 7.579 s        & 4.569 s      & {\bf 1.659}   & 74.120 s       & 22.505 s   & {\bf 3.294}\\
909 G3\_circuit       & 4.876 s        & 8.745 s      & {\bf 0.558}   & 72.280 s       & 28.395 s   & {\bf 2.546}\\
910 shallow\_water2   & 3.146 s        & 0.606 s      & {\bf 5.191}   & 52.903 s       & 11.177 s   & {\bf 4.733}\\ 
911 thermal2          & 6.473 s        & 4.325 s      & {\bf 1.497}   & 81.171 s       & 20.907 s   & {\bf 3.882}\\ \hline \hline
912 cage13            & 11.676 s       & 7.723 s      & {\bf 1.512}   & 145.755 s      & 46.547 s   & {\bf 3.131}\\
913 crashbasis        & 42.799 s       & 29.399 s     & {\bf 1.456}   & 650.386 s      & 203.918 s  & {\bf 3.189}\\
914 FEM\_3D\_thermal2 & 29.875 s       & 8.915 s      & {\bf 3.351}   & 382.887 s      & 93.252 s   & {\bf 4.106}\\
915 language          & 20.991 s       & 11.197 s     & {\bf 1.875}   & 310.679 s      & 82.480 s   & {\bf 3.767}\\
916 poli\_large       & 13.817 s       & 102.760 s    & {\bf 0.134}   & 197.508 s      & 151.672 s  & {\bf 1.302}\\
917 torso3            & 57.469 s       & 16.828 s     & {\bf 3.415}   & 926.588 s      & 242.721 s  & {\bf 3.817}\\ \hline       
918 \end{tabular}
919 \caption{Ratios of the computation time over the communication time obtained from the parallel GMRES algorithm using hypergraph partitioning and compressed format for vectors on 12 GPUs and 24 CPUs.}
920 \label{tab:12}
921 \end{center}
922 \end{table}
923
924 \begin{figure}
925 \centering
926   \includegraphics[width=120mm,keepaspectratio]{weak}
927 \caption{Weak scaling of the parallel GMRES algorithm on a GPU cluster.}
928 \label{fig:09}
929 \end{figure}
930
931  Figure~\ref{fig:09} presents the weak scaling of four versions of the parallel GMRES algorithm on a GPU cluster. We fixed the size of a sub-matrix to 5 million of rows per GPU computing node. We used matrices having five bands generated from the symmetric matrix thermal2. This figure shows that the parallel GMRES algorithm, in its naive version or using either the compression format for vectors or the hypergraph partitioning, is not scalable on a GPU cluster due to the large amount of communications between GPUs. In contrast, we can see that the algorithm using both optimization techniques is fairly scalable. That means that in this version the cost of communications is relatively constant regardless the number of computing nodes in the cluster.\\
932
933  Finally, as far as we are concerned, the parallel solving of a linear system can be easy to optimize when the associated matrix is regular. This is unfortunately not the case for many real-world applications. When the matrix has an irregular structure, the amount of communication between processors is not the same. Another important parameter is the size of the matrix bandwidth which has a huge influence on the amount of communication. In this work, we have generated different kinds of matrices in order to analyze several difficulties. With a bandwidth as large as possible, involving communications between all processors, which is the most difficult situation, we proposed to use two heuristics. Unfortunately, there is no fast method that optimizes the communication in any situation. For systems of non linear equations, there are different algorithms but most of them consist in linearizing the system of equations. In this case, a linear system needs to be solved. The big interest is that the matrix is the same at each step of the non linear system solving, so the partitioning method which is a time consuming step is performed only once.
934
935
936  
937 Another very important issue, which might be ignored by too many people, is that the communications have a greater influence on a cluster of GPUs than on a cluster of CPUs. There are two reasons for that. The first one comes from the fact that with a cluster of GPUs, the CPU/GPU data transfers slow down communications between two GPUs that are not on the same machines. The second one is due to the fact that with GPUs the ratio of the computation time over the communication time decreases since the computation time is reduced. So the impact of the communications between GPUs might be a very important issue that can limit the scalability of a parallel algorithm.
938
939 %%--------------------%%
940 %%      SECTION 7     %%
941 %%--------------------%%
942 \section{Conclusion and perspectives}
943 \label{sec:07}
944 In this paper, we have aimed at harnessing the computing power of a GPU cluster for 
945 solving large sparse linear systems. We have implemented the parallel algorithm of the 
946 GMRES iterative method. We have used a heterogeneous parallel programming based on the
947 CUDA language to program the GPUs and the MPI parallel environment to distribute the
948 computations between the GPU nodes on the cluster.
949
950 The experiments have shown that solving large sparse linear systems is more efficient 
951 on a cluster of GPUs than on a cluster of CPUs. However, the efficiency of a GPU cluster
952 is ensured as long as the spatial and temporal localization of the data is well managed. 
953 The data dependency scheme on a GPU cluster is related to the sparse structures of the
954 matrices (positions of the nonzero values) and the number of the computing nodes. We have
955 shown that a large number of communications between the GPU computing nodes affects 
956 considerably the performances of the parallel GMRES algorithm on the GPU cluster. Therefore,
957 we have proposed to reorder the columns of the sparse local sub-matrices on each GPU node
958 and to use a compressed storage format for the sparse vector involved in the parallel
959 sparse matrix-vector multiplication. This solution allows to minimize the communication
960 overheads. In addition, we have shown that it is interesting to choose a partitioning method
961 according to the structure of the sparse matrix. This reduces the total communication
962 volume between the GPU computing nodes.
963
964 In future works, it would be interesting to implement and study the scalability of the
965 parallel GMRES algorithm on large GPU clusters (hundreds or thousands of GPUs) or on geographically
966 distant GPU clusters. In this context, other methods might be used to reduce communication
967 and to improve the performances of the parallel GMRES algorithm as the multisplitting methods.
968 The recent GPU hardware and software architectures provide the GPU-Direct system which allows
969 two GPUs, placed in the same machine or in two remote machines, to exchange data without using
970 CPUs. This improves the data transfers between GPUs. Finally, it would be interesting to implement
971 other iterative methods on GPU clusters for solving large sparse linear or non linear systems.
972
973 \paragraph{Acknowledgments}
974 This paper is based upon work supported by the R\'egion de Franche-Comt\'e.
975
976 \bibliography{bib}
977 \bibliographystyle{abbrv}
978 \end{document}