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

Private GIT Repository
e7437781ef1dcc435b25885b28cd5c7eca0a85d9
[GMRES_For_Journal.git] / GMRES_Journal.tex
1 \documentclass[11pt]{article}
2 \usepackage{multicol}
3
4 \usepackage[paper=a4paper,dvips,top=1.5cm,left=1.5cm,right=1.5cm,foot=1cm,bottom=1.5cm]{geometry}
5 \usepackage{times}
6 \usepackage{graphicx}
7 \usepackage{amsmath}
8 \usepackage{amsfonts}
9 \usepackage{amssymb}
10 \usepackage{amsthm}
11 \usepackage{amsopn}
12 \usepackage{xspace}
13 \usepackage{array}
14 \usepackage{epsfig}
15 \usepackage{algorithmic}
16 \usepackage[ruled,english,boxed,linesnumbered]{algorithm2e}
17 \usepackage[english]{algorithm2e}
18 \usepackage{url}
19 \usepackage{mdwlist}
20 \usepackage{multirow}
21
22 \date{}
23
24 \title{Parallel sparse linear solver with GMRES method using minimization techniques of communications for GPU clusters}
25
26 \author{
27 \textsc{Lilia Ziane Khodja}
28 \qquad
29 \textsc{Rapha\"el Couturier}\thanks{Contact author}
30 \qquad
31 \textsc{Arnaud Giersch}
32 \qquad
33 \textsc{Jacques M. Bahi}
34 \mbox{}\\ %
35 \\
36 FEMTO-ST Institute, University of Franche-Comte\\
37 IUT Belfort-Montb\'eliard\\
38 19 Av. du Maréchal Juin, BP 527, 90016 Belfort, France\\
39 \mbox{}\\ %
40 \normalsize
41 \{\texttt{lilia.ziane\_khoja},~\texttt{raphael.couturier},~\texttt{arnaud.giersch},~\texttt{jacques.bahi}\}\texttt{@univ-fcomte.fr}
42 }
43
44 \newcommand{\Iter}{\mathit{iter}}
45 \newcommand{\Max}{\mathit{max}}
46 \newcommand{\Offset}{\mathit{offset}}
47 \newcommand{\Prec}{\mathit{prec}}
48 \newcommand{\Ratio}{\mathit{Ratio}}
49 \newcommand{\Time}[1]{\mathit{Time}_\mathit{#1}}
50 \newcommand{\Wavg}{W_{\mathit{avg}}}
51
52 \begin{document}
53
54 \maketitle
55
56 \begin{abstract}
57 In this paper, we aim at exploiting the power computing of a GPU cluster for solving large sparse
58 linear systems. We implement the parallel algorithm of the GMRES iterative method using the CUDA
59 programming language and the MPI parallel environment. The experiments show that a GPU cluster
60 is more efficient than a CPU cluster. In order to optimize the performances, we use a compressed
61 storage format for the sparse vectors and the hypergraph partitioning. These solutions improve
62 the spatial and temporal localization of the shared data between the computing nodes of the GPU
63 cluster.  
64 \end{abstract}
65
66
67
68 %%--------------------%%
69 %%      SECTION 1     %%
70 %%--------------------%%
71 \section{Introduction}
72 \label{sec:01}
73 Large sparse linear systems arise in  most numerical scientific or industrial simulations.
74 They model numerous complex problems in different areas of applications such as mathematics,
75 engineering, biology or physics~\cite{ref18}. However, solving these systems of equations is
76 often an expensive operation in terms of execution time and memory space consumption. Indeed,
77 the linear systems arising in most applications are very large  and have many zero
78 coefficients, and this sparse nature leads to irregular accesses to load the nonzero coefficients
79 from the memory.  
80
81 Parallel computing has become a key issue for solving sparse linear systems of large sizes.
82 This is due to the computing power and the storage capacity of the current parallel computers as
83 well as the availability of different parallel programming languages ​​and environments such as the
84 MPI communication standard. Nowadays, graphics processing units (GPUs) are the most commonly used
85 hardware accelerators in high performance computing. They are equipped with a massively parallel
86 architecture allowing them to compute faster than CPUs. However, the parallel computers equipped 
87 with GPUs introduce new programming difficulties to adapt  parallel algorithms to their architectures.
88
89 In this paper, we use the GMRES iterative method for solving large sparse linear systems on a cluster
90 of GPUs. The parallel algorithm of this method is implemented using the CUDA programming language for
91 the GPUs and the MPI parallel environment to distribute the computations between the different GPU nodes
92 of the cluster. Particularly, we focus on improving the performances of the parallel sparse matrix-vector multiplication. 
93 Indeed, this operation is not only very time-consuming but it also requires communications
94 between the GPU nodes. These communications are needed to build the global vector involved in
95 the parallel sparse matrix-vector multiplication. It should be noted that a communication between two
96 GPU nodes involves data transfers between the GPU and CPU memories in the same node and the MPI communications
97 between the CPUs of the GPU nodes. For performance purposes, we propose to use a compressed storage
98 format to reduce the size of the vectors to be exchanged between the GPU nodes and a hypergraph partitioning
99 of the sparse matrix to reduce the total communication volume. 
100
101 The present paper is organized as follows. In Section~\ref{sec:02} some previous works about solving 
102 sparse linear systems on GPUs are presented. In Section~\ref{sec:03} is given a general overview of the GPU architectures,
103 followed by that the GMRES method in Section~\ref{sec:04}. In Section~\ref{sec:05} the main key points
104 of the parallel implementation of the GMRES method on a GPU cluster are described. Finally, in Section~\ref{sec:06}
105 is presented the performance improvements of the parallel GMRES algorithm on a GPU cluster.
106
107
108 %%--------------------%%
109 %%      SECTION 2     %%
110 %%--------------------%%
111 \section{Related work}
112 \label{sec:02}
113 Numerous works have shown the efficiency of GPUs for solving sparse linear systems compared
114 to their CPUs counterpart. Different iterative methods are implemented on one GPU, for example
115 Jacobi and Gauss-Seidel in~\cite{refa}, conjugate and biconjugate gradients in~\cite{refd,refe,reff,refj}
116 and GMRES in~\cite{refb,refc,refg,refm}. In addition, some iterative methods are implemented on 
117 shared memory multi-GPUs machines as~\cite{refh,refi,refk,refl}. A limited set of studies are
118 devoted to the parallel implementation of the iterative methods on distributed memory GPU clusters
119 as~\cite{refn,refo,refp}.
120
121 Traditionally, the parallel iterative algorithms do not often scale well on GPU clusters due to
122 the significant cost of the communications between the computing nodes. Some authors have already
123 studied how to reduce these communications. In~\cite{cev10}, the authors used a hypergraph partitioning
124 as a preprocessing to the parallel conjugate gradient algorithm in order to reduce the inter-GPU
125 communications over a GPU cluster. The sequential hypergraph partitioning method provided by the
126 PaToH tool~\cite{Cata99} is used because of the small sizes of the sparse symmetric linear systems
127 to be solved. In~\cite{refq}, a compression and decompression technique is proposed to reduce the
128 communication overheads. This technique is performed on the shared vectors to be exchanged between
129 the computing nodes. In~\cite{refr}, the authors studied the impact of asynchronism on parallel
130 iterative algorithms on local GPU clusters. Asynchronous communication primitives suppress some
131 synchronization barriers and allow overlap of communication and computation. In~\cite{refs}, a
132 communication reduction method is used for implementing finite element methods (FEM) on GPU clusters.
133 This method firstly uses the Reverse Cuthill-McKee reordering to reduce the total communication
134 volume. In addition, the performances of the parallel FEM algorithm are improved by overlapping
135 the communication with computation. 
136
137  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.
138
139
140 %%--------------------%%
141 %%      SECTION 3     %%
142 %%--------------------%%
143 \section{{GPU} architectures}
144 \label{sec:03}
145 A GPU (Graphics processing unit) is a hardware accelerator for high performance computing.
146 Its hardware architecture is composed of hundreds of cores organized in several blocks called
147 \emph{streaming multiprocessors}. It is also equipped with a memory hierarchy. It has a set
148 of registers and a private read-write \emph{local memory} per core, a fast \emph{shared memory},
149 read-only \emph{constant} and \emph{texture} caches per multiprocessor and a read-write
150 \emph{global memory} shared by all its multiprocessors. The new architectures (Fermi, Kepler,
151 etc) have also L1 and L2 caches to improve the accesses to the global memory.
152
153 NVIDIA has released the CUDA platform (Compute Unified Device Architecture)~\cite{Nvi10}
154 which provides a high level GPGPU-based programming language (General-Purpose computing
155 on GPUs), allowing to program GPUs for general purpose computations. In CUDA programming
156 environment, all data-parallel and compute intensive portions of an application running
157 on the CPU are off-loaded onto the GPU. Indeed, an application developed in CUDA is a
158 program written in C language (or Fortran) with a minimal set of extensions to define
159 the parallel functions to be executed by the GPU, called \emph{kernels}. We define kernels,
160 as separate functions from those of the CPU, by assigning them a function type qualifiers
161 \verb+__global__+ or \verb+__device__+.
162
163 At the GPU level, the same kernel is executed by a large number of parallel CUDA threads
164 grouped together as a grid of thread blocks. Each multiprocessor of the GPU executes one
165 or more thread blocks in SIMD fashion (Single Instruction, Multiple Data) and in turn each
166 core of a GPU multiprocessor runs one or more threads within a block in SIMT fashion (Single
167 Instruction, Multiple threads). In order to maximize the occupation of the GPU cores, the
168 number of CUDA threads to be involved in a kernel execution is computed according to the
169 size of the problem to be solved. In contrast, the block size is restricted by the limited
170 memory resources of a core. On current GPUs, a thread block may contain up-to $1,024$ concurrent
171 threads. At any given clock cycle, the threads execute the same instruction of a kernel,
172 but each of them operates on different data. Moreover, threads within a block can cooperate
173 by sharing data through the fast shared memory and coordinate their execution through
174 synchronization points. In contrast, within a grid of thread blocks, there is no synchronization
175 at all between blocks. 
176
177 GPUs  only work on data filled in their global memory and the final results of their kernel
178 executions must be communicated to their hosts (CPUs). Hence, the data must be transferred
179 \emph{in} and \emph{out} of the GPU. However, the speed of memory copy between the CPU and
180 the GPU is slower than the memory copy speed of GPUs. Accordingly, it is necessary to limit
181 the transfer of data between the GPU and its host.
182
183
184 %%--------------------%%
185 %%      SECTION 4     %%
186 %%--------------------%%
187 \section{{GMRES} method}
188 \label{sec:04}
189
190 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. 
191
192 Let us consider the following sparse linear system of $n$ equations:
193 \begin{equation}
194   Ax = b,
195 \label{eq:01}
196 \end{equation}
197 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 $\mathcal{K}_k(A,v_1)$:
198 \begin{equation}
199 \begin{array}{ll}
200   \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}},
201 \end{array} 
202 \end{equation}
203 such that the Petrov-Galerkin condition is satisfied:
204 \begin{equation}
205   r_{k} \perp A\mathcal{K}_{k}(A, v_{1}).
206 \end{equation}
207
208 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.
209 %%% END %%%
210
211 \begin{algorithm}[!h]
212   \newcommand{\Convergence}{\mathit{convergence}}
213   \newcommand{\False}{\mathit{false}}
214   \newcommand{\True}{\mathit{true}}
215   %\SetAlgoLined
216   \KwIn{$A$ (matrix), $b$ (vector), $M$ (preconditioning matrix),
217 $x_{0}$ (initial guess), $\varepsilon$ (tolerance threshold), $\Max$ (maximum number of iterations),
218 $m$ (number of iterations of the Arnoldi process)}
219   \KwOut{$x$ (solution vector)}
220   \BlankLine
221   $r_{0} \leftarrow M^{-1}(b - Ax_{0})$\;
222   $\beta \leftarrow \|r_{0}\|_{2}$\;
223   $\alpha \leftarrow \|M^{-1}b\|_{2}$\;
224   $\Convergence \leftarrow \False$\;
225   $k \leftarrow 1$\;
226   \BlankLine
227   \While{$(\neg \Convergence)$}{
228     $v_{1} \leftarrow r_{0} / \beta$\;
229     \For{$j=1$ {\bf to} $m$}{
230       $w_{j} \leftarrow M^{-1}Av_{j}$\;
231       \For{$i=1$ {\bf to} $j$}{
232         $h_{i,j} \leftarrow (w_{j},v_{i})$\;
233         $w_{j} \leftarrow w_{j} - h_{i,j} \times v_{i}$\;
234       }
235       $h_{j+1,j} \leftarrow \|w_{j}\|_{2}$\;
236       $v_{j+1} \leftarrow w_{j} / h_{j+1,j}$\;
237     }
238     \BlankLine
239     Put $V_{m}=\{v_{j}\}_{1\leq j \leq m}$ and $\bar{H}_{m}=(h_{i,j})$ Hessenberg matrix of order $(m+1)\times m$\;
240     Solve the least-squares problem of size $m$: $\displaystyle\min_{y\in\mathbb{R}^{m}} \|\beta e_{1}-\bar{H}_{m}y\|_{2}$\;
241     \BlankLine
242     $x_{m} \leftarrow x_{0} + V_{m}y$\;
243     $r_{m} \leftarrow M^{-1}(b-Ax_{m})$\;
244     $\beta \leftarrow \|r_{m}\|_{2}$\;
245     \BlankLine
246     \eIf{$(\frac{\beta}{\alpha}<\varepsilon)$ {\bf or} $(k\geq \Max)$}{
247       $\Convergence \leftarrow \True$\;
248     }{
249       $x_{0} \leftarrow x_{m}$\;
250       $r_{0} \leftarrow r_{m}$\;
251       $k \leftarrow k + 1$\;
252     }
253   }
254 \caption{Left-preconditioned GMRES algorithm with restarts}
255 \label{alg:01}
256 \end{algorithm}
257
258
259
260 %%--------------------%%
261 %%      SECTION 5     %%
262 %%--------------------%%
263 \section{Parallel GMRES method on {GPU} clusters}
264 \label{sec:05}
265
266 \subsection{Parallel implementation on a GPU cluster}
267 \label{sec:05.01}
268 The implementation of the GMRES algorithm on a GPU cluster is performed by using
269 a parallel heterogeneous programming. We use the programming language CUDA for the
270 GPUs and the parallel environment MPI for the distribution of the computations between
271 the GPU computing nodes. In this work, a GPU computing node is composed of a GPU and
272 a CPU core managed by a MPI process.
273
274 Let us consider a cluster composed of $p$ GPU computing nodes. First, the sparse linear
275 system~(\ref{eq:01}) is split into $p$ sub-linear systems, each is attributed to a GPU
276 computing node. We partition row-by-row the sparse matrix $A$ and both vectors $x$ and
277 $b$ in $p$ parts (see Figure~\ref{fig:01}). The data issued from the partitioning operation
278 are off-loaded on the GPU global memories to be proceeded by the GPUs. Then, all the
279 computing nodes of the GPU cluster execute the same GMRES iterative algorithm but on
280 different data. Finally, the GPU computing nodes synchronize their computations by using
281 MPI communication routines to solve the global sparse linear system. In what follows,
282 the computing nodes sharing data are called the neighboring nodes.
283
284 \begin{figure}
285 \centering
286   \includegraphics[width=80mm,keepaspectratio]{Figures/partition}
287 \caption{Data partitioning of the sparse matrix $A$, the solution vector $x$ and the right-hand side $b$ in $4$ partitions}
288 \label{fig:01}
289 \end{figure}
290
291 In order to exploit the computing power of the GPUs, we have to execute maximum computations
292 on GPUs to avoid the data transfers between the GPU and its host (CPU), and to maximize the
293 GPU cores utilization to hide global memory access latency. The implementation of the GMRES
294 algorithm is performed by executing the functions operating on vectors and matrices as kernels
295 on GPUs. These operations are often easy to parallelize and more efficient on parallel architectures
296 when they operate on large vectors. We use the fastest routines of the CUBLAS library
297 (CUDA Basic Linear Algebra Subroutines) to implement the dot product (\verb+cublasDdot()+),
298 the Euclidean norm (\verb+cublasDnrm2()+) and the AXPY operation (\verb+cublasDaxpy()+).
299 In addition, we have coded in CUDA a kernel for the scalar-vector product (lines~$7$ and~$15$
300 of Algorithm~\ref{alg:01}), a kernel for solving the least-squares problem (line~$18$) and a
301 kernel for solution vector updates (line~$19$).
302
303 The solution of the least-squares problem in the GMRES algorithm is based on:
304 \begin{itemize}
305   \item a QR factorization of the Hessenberg matrix $\bar{H}$ by using plane rotations and,
306   \item backward-substitution method to compute the vector $y$ minimizing the residual.
307 \end{itemize}
308 This operation is not easy to parallelize and it is not interesting to implement it on GPUs. 
309 However, the size $m$ of the linear least-squares problem to solve in the GMRES method with
310 restarts is very small. So, this problem is solved in sequential by one GPU thread.
311
312 The most important operation in the GMRES method is the sparse matrix-vector multiplication.
313 It is quite expensive for large size matrices in terms of execution time and memory space. In
314 addition, it performs irregular memory accesses to read the nonzero values of the sparse matrix,
315 implying non coalescent accesses to the GPU global memory which slow down the performances of
316 the GPUs. So we use the HYB kernel developed and optimized by NVIDIA~\cite{CUSP} which gives on
317 average the best performance in sparse matrix-vector multiplications on GPUs~\cite{Bel09}. The
318 HYB (Hybrid) storage format is the combination of two sparse storage formats: Ellpack format
319 (ELL) and Coordinate format (COO). It stores a typical number of nonzero values per row in ELL
320 format and remaining entries of exceptional rows in COO format. It combines the efficiency of
321 ELL, due to the regularity of its memory accessing and the flexibility of COO which is insensitive
322 to the matrix structure. 
323
324 In the parallel GMRES algorithm, the GPU computing nodes must exchange between them their shared data in
325 order to construct the global vector necessary to compute the parallel sparse matrix-vector
326 multiplication (SpMV). In fact, each computing node has locally the vector elements corresponding
327 to the rows of its sparse sub-matrix and, in order to compute its part of the SpMV, it also
328 requires the vector elements of its neighboring nodes corresponding to the column indices in
329 which its local sub-matrix has nonzero values. Consequently, each computing node manages a global
330 vector composed of a local vector of size $\frac{n}{p}$ and a shared vector of size $S$:
331 \begin{equation}
332   S = bw - \frac{n}{p},
333 \label{eq:11}
334 \end{equation}
335 where $\frac{n}{p}$ is the size of the local vector and $bw$ is the bandwidth of the local sparse
336 sub-matrix which represents the number of columns between the minimum and the maximum column indices
337 (see Figure~\ref{fig:01}). In order to improve memory accesses, we use the texture memory to
338 cache elements of the global vector.
339
340 On a GPU cluster, the exchanges of the shared vectors elements between the neighboring nodes are
341 performed as follows:
342 \begin{itemize}
343   \item at the level of the sending node: data transfers of the shared data from the GPU global memory
344 to the CPU memory by using the CUBLAS communication routine \verb+cublasGetVector()+,
345   \item data exchanges between the CPUs by the MPI communication routine \verb+MPI_Alltoallv()+ and,
346   \item at the level of the receiving node: data transfers of the received shared data from the CPU
347 memory to the GPU global memory by using CUBLAS communication routine \verb+cublasSetVector()+. 
348 \end{itemize}  
349
350 \subsection{Experimentations}
351 \label{sec:05.02}
352 The experiments are done on a cluster composed of six machines interconnected by an Infiniband network
353 of $20$~GB/s. Each machine is a Xeon E5530 Quad-Core running at $2.4$~GHz. It provides $12$~GB of RAM
354 memory with a memory bandwidth of $25.6$~GB/s and it is equipped with two Tesla C1060 GPUs. Each GPU
355 is composed of $240$ cores running at $1.3$ GHz and has $4$~GB of global memory with a memory bandwidth
356 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.
357 Figure~\ref{fig:02} shows the general scheme of the GPU cluster.
358
359 \begin{figure}[!h]
360 \centering
361   \includegraphics[width=80mm,keepaspectratio]{Figures/clusterGPU}
362 \caption{A cluster composed of six machines, each equipped with two Tesla C1060 GPUs}
363 \label{fig:02}
364 \end{figure}
365
366 Scientific Linux 5.10, with Linux version 2.6.18, is installed on the six machines. The C programming language is used for
367 coding the GMRES algorithm on both the CPU and the GPU versions. CUDA version 4.0~\cite{ref19} is used for programming 
368 the GPUs, using CUBLAS library~\cite{ref37} to deal with the functions operating on vectors. Finally, MPI routines
369 of OpenMPI 1.3.3 are used to carry out the communication between the CPU cores.
370
371 The experiments are done on linear systems associated to sparse matrices chosen from the Davis collection of the
372 University of Florida~\cite{Dav97}. They are matrices arising in real-world applications. Table~\ref{tab:01} shows
373 the main characteristics of these sparse matrices and Figure~\ref{fig:03} shows their sparse structures. For
374 each matrix, we give the number of rows (column~$3$ in Table~\ref{tab:01}), the number of nonzero values (column~$4$)
375 and the bandwidth (column~$5$).
376
377 \begin{table}
378 \begin{center}
379 \begin{tabular}{|c|c|r|r|r|} 
380 \hline
381 Matrix type                 & Name              & \# Rows   & \# Nonzeros  & Bandwidth \\\hline \hline
382 \multirow{6}{*}{Symmetric}  & 2cubes\_sphere    & 101 492   & 1 647 264    & 100 464        \\
383                             & ecology2          & 999 999   & 4 995 991    & 2 001          \\ 
384                             & finan512          & 74 752    & 596 992      & 74 725         \\ 
385                             & G3\_circuit       & 1 585 478 & 7 660 826    & 1 219 059      \\
386                             & shallow\_water2   & 81 920    & 327 680      & 58 710         \\
387                             & thermal2          & 1 228 045 & 8 580 313    & 1 226 629      \\ \hline \hline
388 \multirow{6}{*}{Asymmetric} & cage13            & 445 315   & 7 479 343    & 318 788        \\
389                             & crashbasis        & 160 000   & 1 750 416    & 120 202        \\
390                             & FEM\_3D\_thermal2 & 147 900   & 3 489 300    & 117 827        \\
391                             & language          & 399 130   & 1 216 334    & 398 622        \\
392                             & poli\_large       & 15 575    & 33 074       & 15 575         \\
393                             & torso3            & 259 156   & 4 429 042    & 216 854        \\ \hline
394 \end{tabular}
395 \caption{Main characteristics of the sparse matrices chosen from the Davis collection}
396 \label{tab:01}
397 \end{center}
398 \end{table}
399
400 \begin{figure}
401 \centering
402   \includegraphics[width=120mm,keepaspectratio]{Figures/matrices}
403 \caption{Structures of the sparse matrices chosen from the Davis collection}
404 \label{fig:03}
405 \end{figure}
406
407 All the experiments are performed on double-precision data. The parameters of the parallel
408 GMRES algorithm are as follows: the tolerance threshold $\varepsilon=10^{-12}$, the maximum
409 number of iterations $\Max=500$, the Arnoldi process is limited to $m=16$ iterations, the elements 
410 of the guess solution $x_0$ is initialized to $0$ and those of the right-hand side vector are
411 initialized to $1$. For simplicity's sake, we chose the matrix preconditioning $M$ as the
412 main diagonal of the sparse matrix $A$. Indeed, it allows us to easily compute the required inverse
413 matrix $M^{-1}$ and it provides relatively good preconditioning in most cases. Finally, we set 
414 the size of a thread-block in GPUs to $512$ threads. 
415  It should be noted that the same optimizations are performed on the CPU version and on the GPU version of the parallel GMRES algorithm.
416
417 \begin{table}[!h]
418 \begin{center}
419 \begin{tabular}{|c|c|c|c|c|c|c|} 
420 \hline
421 Matrix            & $\Time{cpu}$  & $\Time{gpu}$  & $\tau$  & \# $\Iter$ & $\Prec$ & $\Delta$   \\ \hline \hline
422 2cubes\_sphere    & 0.234 s     & 0.124 s      & 1.88  & 21     & 2.10e-14      & 3.47e-18 \\
423 ecology2          & 0.076 s     & 0.035 s      & 2.15  & 21     & 4.30e-13      & 4.38e-15 \\
424 finan512          & 0.073 s     & 0.052 s      & 1.40  & 17     & 3.21e-12      & 5.00e-16 \\
425 G3\_circuit       & 1.016 s     & 0.649 s      & 1.56  & 22     & 1.04e-12      & 2.00e-15 \\
426 shallow\_water2   & 0.061 s     & 0.044 s      & 1.38  & 17     & 5.42e-22      & 2.71e-25 \\
427 thermal2          & 1.666 s     & 0.880 s      & 1.89  & 21     & 6.58e-12      & 2.77e-16 \\ \hline \hline
428 cage13            & 0.721 s     & 0.338 s      & 2.13  & 26     & 3.37e-11      & 2.66e-15 \\
429 crashbasis        & 1.349 s     & 0.830 s      & 1.62  & 121    & 9.10e-12      & 6.90e-12 \\
430 FEM\_3D\_thermal2 & 0.797 s     & 0.419 s      & 1.90  & 64     & 3.87e-09      & 9.09e-13 \\
431 language          & 2.252 s     & 1.204 s      & 1.87  & 90     & 1.18e-10      & 8.00e-11 \\
432 poli\_large       & 0.097 s     & 0.095 s      & 1.02  & 69     & 4.98e-11      & 1.14e-12 \\
433 torso3            & 4.242 s     & 2.030 s      & 2.09  & 175    & 2.69e-10      & 1.78e-14 \\ \hline
434 \end{tabular}
435 \caption{Performances of the parallel GMRES algorithm on a cluster of 24 CPU cores vs. a cluster of 12 GPUs}
436 \label{tab:02}
437 \end{center}
438 \end{table}
439
440 In Table~\ref{tab:02}, we give the performances of the parallel GMRES algorithm for solving the linear
441 systems associated to the sparse matrices shown in Table~\ref{tab:01}. The second and third columns show
442 the execution times in seconds obtained on a cluster of 24 CPU cores and on a cluster of 12 GPUs, respectively.
443 The fourth column shows the ratio $\tau$ between the CPU time $\Time{cpu}$ and the GPU time $\Time{gpu}$ that
444 is computed as follows:
445 \begin{equation}
446   \tau = \frac{\Time{cpu}}{\Time{gpu}}.
447 \end{equation}
448 From these ratios, we can notice that the use of many GPUs is not interesting to solve small sparse linear
449 systems. Solving these sparse linear systems on a cluster of 12 GPUs is as fast as on a cluster of 24 CPU
450 cores. Indeed, the small sizes of the sparse matrices do not allow to maximize the utilization of the GPU
451 cores of the cluster. The fifth, sixth and seventh columns show, respectively, the number of iterations performed
452 by the parallel GMRES algorithm to converge, the precision of the solution, $\Prec$, computed on the GPU
453 cluster and the difference, $\Delta$, between the solutions computed on the GPU and the GPU clusters. The
454 last two parameters are used to validate the results obtained on the GPU cluster and they are computed as
455 follows:
456 \begin{equation}
457   \begin{aligned}
458     \Prec &= \|M^{-1}(b-Ax^{gpu})\|_{\infty}, \\
459     \Delta &= \|x^{cpu}-x^{gpu}\|_{\infty},
460   \end{aligned}
461 \end{equation}
462 where $x^{cpu}$ and $x^{gpu}$ are the solutions computed, respectively, on the CPU cluster and on the GPU cluster.
463 We can see that the precision of the solutions computed on the GPU cluster are sufficient, they are about $10^{-10}$,
464 and the parallel GMRES algorithm computes almost the same solutions in both CPU and GPU clusters, with $\Delta$ varying
465 from $10^{-11}$ to $10^{-25}$.
466
467 Afterwards, we evaluate the performances of the parallel GMRES algorithm for solving large linear systems. We have
468 developed in C programming language a generator of large sparse matrices having a band structure which arises 
469 in  most numerical problems. This generator uses the sparse matrices of the Davis collection as the initial
470 matrices to build the large band matrices. It is executed in parallel by all the MPI processes of the cluster
471 so that each process constructs its own sub-matrix as a rectangular block of the global sparse matrix. Each process
472 $i$ computes the size $n_i$ and the offset $\Offset_i$ of its sub-matrix in the global sparse matrix according to the
473 size $n$ of the linear system to be solved and the number of the GPU computing nodes $p$ as follows:
474 \begin{equation}
475   n_i = \frac{n}{p},
476 \end{equation} 
477 \begin{equation}
478   \Offset_i =
479   \begin{cases}
480     0 & \text{if $i=0$,}\\
481     \Offset_{i-1}+n_{i-1} & \text{otherwise.}
482   \end{cases}
483 \end{equation} 
484 So each process $i$ performs several copies of the same initial matrix chosen from the Davis collection and it
485 puts all these copies on the main diagonal of the global matrix in order to construct a band matrix. Moreover,
486 it fulfills the empty spaces between two successive copies by small copies, \textit{lower\_copy} and \textit{upper\_copy},
487 of the same initial matrix. Figure~\ref{fig:04} shows a generation of a sparse bended matrix by four computing nodes.
488
489 \begin{figure}
490 \centering
491   \includegraphics[width=100mm,keepaspectratio]{Figures/generation}
492 \caption{Example of the generation of a large sparse and band matrix by four computing nodes.}
493 \label{fig:04}
494 \end{figure}
495
496 Table~\ref{tab:03} shows the main characteristics (the number of nonzero values and the bandwidth) of the
497 large sparse matrices generated from those of the Davis collection. These matrices are associated to the
498 linear systems of 25 million of unknown values (each generated sparse matrix has 25 million rows). In Table~\ref{tab:04}
499 we show the performances of the parallel GMRES algorithm for solving large linear systems associated to the
500 sparse band matrices of Table~\ref{tab:03}. The fourth column gives the ratio between the execution time
501 spent on a cluster of 24 CPU cores and that spent on a cluster of 12 GPUs. We can notice from these ratios
502 that for solving large sparse matrices the GPU cluster is more efficient (about 5 times faster) than the CPU
503 cluster. The computing power of the GPUs allows to accelerate the computation of the functions operating
504 on large vectors of the parallel GMRES algorithm.
505
506 \begin{table}[!h]
507 \begin{center}
508 \begin{tabular}{|c|c|r|r|} 
509 \hline
510 Matrix type                 & Name              & \# nonzeros & Bandwidth \\ \hline \hline
511 \multirow{6}{*}{Symmetric}  & 2cubes\_sphere    & 413 703 602 & 198 836   \\
512                             & ecology2          & 124 948 019 & 2 002     \\ 
513                             & finan512          & 278 175 945 & 123 900   \\
514                             & G3\_circuit       & 125 262 292 & 1 891 887 \\            
515                             & shallow\_water2   & 100 235 292 & 62 806    \\
516                             & thermal2          & 175 300 284 & 2 421 285 \\ \hline \hline
517 \multirow{6}{*}{Asymmetric} & cage13            & 435 770 480 & 352 566   \\
518                             & crashbasis        & 409 291 236 & 200 203   \\
519                             & FEM\_3D\_thermal2 & 595 266 787 & 206 029   \\
520                             & language          & 76 912 824  & 398 626   \\
521                             & poli\_large       & 53 322 580  & 15 576    \\
522                             & torso3            & 433 795 264 & 328 757   \\ \hline
523 \end{tabular}
524 \caption{Main characteristics of the sparse and band matrices generated from the sparse matrices of the Davis collection.}
525 \label{tab:03}
526 \end{center}
527 \end{table}
528
529
530 \begin{table}[!h]
531 \begin{center}
532 \begin{tabular}{|c|c|c|c|c|c|c|} 
533 \hline
534 Matrix            & $\Time{cpu}$ & $\Time{gpu}$ & $\tau$ & \# $\Iter$& $\Prec$   & $\Delta$   \\ \hline \hline
535 2cubes\_sphere    & 3.683 s     & 0.870 s      & 4.23   & 21       & 2.11e-14 & 8.67e-18 \\
536 ecology2          & 2.570 s     & 0.424 s      & 6.06   & 21       & 4.88e-13 & 2.08e-14 \\
537 finan512          & 2.727 s     & 0.533 s      & 5.11   & 17       & 3.22e-12 & 8.82e-14 \\
538 G3\_circuit       & 4.656 s     & 1.024 s      & 4.54   & 22       & 1.04e-12 & 5.00e-15 \\
539 shallow\_water2   & 2.268 s     & 0.384 s      & 5.91   & 17       & 5.54e-21 & 7.92e-24 \\
540 thermal2          & 4.650 s     & 1.130 s      & 4.11   & 21       & 8.89e-12 & 3.33e-16 \\ \hline \hline
541 cage13            & 6.068 s     & 1.054 s      & 5.75   & 26       & 3.29e-11 & 1.59e-14 \\
542 crashbasis        & 25.906 s    & 4.569 s      & 5.67   & 135      & 6.81e-11 & 4.61e-15 \\
543 FEM\_3D\_thermal2 & 13.555 s    & 2.654 s      & 5.11   & 64       & 3.88e-09 & 1.82e-12 \\
544 language          & 13.538 s    & 2.621 s      & 5.16   & 89       & 2.11e-10 & 1.60e-10 \\
545 poli\_large       & 8.619 s     & 1.474 s      & 5.85   & 69       & 5.05e-11 & 6.59e-12 \\
546 torso3            & 35.213 s    & 6.763 s      & 5.21   & 175      & 2.69e-10 & 2.66e-14 \\ \hline
547 \end{tabular}
548 \caption{Performances of the parallel GMRES algorithm for solving large sparse linear systems associated
549 to band matrices on a cluster of 24 CPU cores vs. a cluster of 12 GPUs.}
550 \label{tab:04}
551 \end{center}
552 \end{table}
553
554
555 %%--------------------%%
556 %%      SECTION 6     %%
557 %%--------------------%%
558 \section{Minimization of communications}
559 \label{sec:06}
560 The parallel sparse matrix-vector multiplication requires  data exchanges between the GPU computing nodes
561 to construct the global vector. However, a GPU cluster requires communications between the GPU nodes and the
562 data transfers between the GPUs and their hosts CPUs. In fact, a communication between two GPU nodes implies:  
563 a data transfer from the GPU memory to the CPU memory at the sending node, a MPI communication between the CPUs
564 of two GPU nodes, and a data transfer from the CPU memory to the GPU memory at the receiving node. Moreover,
565 the data transfers between a GPU and a CPU are considered as the most expensive communications on a GPU cluster.
566 For example in our GPU cluster, the data throughput between a GPU and a CPU is of 8 GB/s which is about twice
567 lower than the data transfer rate between CPUs (20 GB/s) and 12 times lower than the memory bandwidth of the
568 GPU global memory (102 GB/s). In this section, we propose two solutions to improve the execution time of the
569 parallel GMRES algorithm on GPU clusters.
570
571 \subsection{Compressed storage format of the sparse vectors}
572 \label{sec:06.01}
573 In Section~\ref{sec:05.01}, the SpMV multiplication uses a global vector having a size equivalent to the matrix
574 bandwidth (see Formula~\ref{eq:11}). However, we can notice that a SpMV multiplication does not often need all
575 the vector elements of the global vector composed of the local and shared sub-vectors. For example in Figure~\ref{fig:01},
576  node 1 only needs  a single vector element from  node 0 (element 1), two elements from node 2 (elements 8
577 and 9) and two elements from  node 3 (elements 13 and 14). Therefore to reduce the communication overheads
578 of the unused vector elements, the GPU computing nodes must exchange between them only the vector elements necessary
579 to perform their local sparse matrix-vector multiplications.
580
581 \begin{figure}[!h]
582 \centering
583   \includegraphics[width=120mm,keepaspectratio]{Figures/compress}
584 \caption{Example of data exchanges between node 1 and its neighbors 0, 2 and 3.}
585 \label{fig:05}
586 \end{figure}
587
588 \begin{figure}[!h]
589 \centering
590   \includegraphics[width=100mm,keepaspectratio]{Figures/reorder}
591 \caption{Reordering of the columns of a local sparse matrix.}
592 \label{fig:06}
593 \end{figure}
594
595 We propose to use a compressed storage format of the sparse global vector. In Figure~\ref{fig:05}, we show an
596 example of the data exchanges between node 1 and its neighbors to construct the compressed global vector.
597 First, the neighboring nodes 0, 2 and 3 determine the vector elements needed by node 1 and, then, they send
598 only these elements to it. Node 1 receives these shared elements in a compressed vector. However to compute
599 the sparse matrix-vector multiplication, it must first copy the received elements to the corresponding indices
600 in the global vector. In order to avoid this process at each iteration, we propose to reorder the columns of the
601 local sub-matrices so as to use the shared vectors in their compressed storage format (see Figure~\ref{fig:06}).
602 For performance purposes, the computation of the shared data to send to the neighboring nodes is performed
603 by the GPU as a kernel. In addition, we use the MPI point-to-point communication routines: a blocking send routine
604 \verb+MPI_Send()+ and a nonblocking receive routine \verb+MPI_Irecv()+.
605
606 Table~\ref{tab:05} shows the performances of the parallel GMRES algorithm using the compressed storage format
607 of the sparse global vector. The results are obtained from solving large linear systems associated to the sparse
608 band matrices presented in Table~\ref{tab:03}. We can see from Table~\ref{tab:05} that the execution times 
609 of the parallel GMRES algorithm on a cluster of 12 GPUs are improved by about 38\% compared to those presented
610 in Table~\ref{tab:04}. In addition, the ratios between the execution times spent on the cluster of 24 CPU cores
611 and those spent on the cluster of 12 GPUs have increased. Indeed, the reordering of the sparse sub-matrices and
612 the use of a compressed storage format for the sparse vectors minimize the communication overheads between the
613 GPU computing nodes.
614
615 \begin{table}[!h]
616 \begin{center}
617 \begin{tabular}{|c|c|c|c|c|c|c|} 
618 \hline
619 Matrix            & $\Time{cpu}$ & $\Time{gpu}$ & $\tau$& \# $\Iter$& $\Prec$   & $\Delta$   \\ \hline \hline
620 2cubes\_sphere    & 3.597 s     & 0.514 s      & 6.99  & 21       & 2.11e-14 & 8.67e-18 \\
621 ecology2          & 2.549 s     & 0.288 s      & 8.83  & 21       & 4.88e-13 & 2.08e-14 \\
622 finan512          & 2.660 s     & 0.377 s      & 7.05  & 17       & 3.22e-12 & 8.82e-14 \\
623 G3\_circuit       & 3.139 s     & 0.480 s      & 6.53  & 22       & 1.04e-12 & 5.00e-15 \\
624 shallow\_water2   & 2.195 s     & 0.253 s      & 8.68  & 17       & 5.54e-21 & 7.92e-24 \\
625 thermal2          & 3.206 s     & 0.463 s      & 6.93  & 21       & 8.89e-12 & 3.33e-16 \\ \hline \hline
626 cage13            & 5.560 s     & 0.663 s      & 8.39  & 26       & 3.29e-11 & 1.59e-14 \\
627 crashbasis        & 25.802 s    & 3.511 s      & 7.35  & 135      & 6.81e-11 & 4.61e-15 \\
628 FEM\_3D\_thermal2 & 13.281 s    & 1.572 s      & 8.45  & 64       & 3.88e-09 & 1.82e-12 \\
629 language          & 12.553 s    & 1.760 s      & 7.13  & 89       & 2.11e-10 & 1.60e-10 \\
630 poli\_large       & 8.515 s     & 1.053 s      & 8.09  & 69       & 5.05e-11 & 6.59e-12 \\
631 torso3            & 31.463 s    & 3.681 s      & 8.55  & 175      & 2.69e-10 & 2.66e-14 \\ \hline
632 \end{tabular}
633 \caption{Performances of the parallel GMRES algorithm using a compressed storage format of the sparse
634 vectors for solving large sparse linear systems associated to band matrices on a cluster of 24 CPU cores vs.
635 a cluster of 12 GPUs.}
636 \label{tab:05}
637 \end{center}
638 \end{table}
639
640 \subsection{Hypergraph partitioning}
641 \label{sec:06.02}
642 In this section, we use another structure of the sparse matrices. We are interested in sparse matrices
643 whose nonzero values are distributed along their large bandwidths. We developed in C programming
644 language a generator of sparse matrices having five bands (see Figure~\ref{fig:07}). The principle of
645 this generator is the same as the one presented in Section~\ref{sec:05.02}. However, the copies made from the
646 initial sparse matrix, chosen from the Davis collection, are placed on the main diagonal and on two
647 off-diagonals on the left and right of the main diagonal. Table~\ref{tab:06} shows the main characteristics
648 of sparse matrices of size 25 million of rows and generated from those of the Davis collection. We can
649 see in the fourth column that the bandwidths of these matrices are as large as their sizes.
650
651 \begin{figure}[h!]
652 \centering
653   \includegraphics[width=100mm,keepaspectratio]{Figures/generation_1}
654 \caption{Example of the generation of a large sparse matrix having five bands by four computing nodes.}
655 \label{fig:07}
656 \end{figure}
657
658 \begin{table}[!h]
659 \begin{center}
660 \begin{tabular}{|c|c|r|r|} 
661 \hline
662 Matrix type                 & Name              & \# nonzeros   & Bandwidth \\ \hline \hline
663 \multirow{6}{*}{Symmetric}  & 2cubes\_sphere    & 829 082 728   & 24 999 999     \\
664                             & ecology2          & 254 892 056   & 25 000 000     \\ 
665                             & finan512          & 556 982 339   & 24 999 973     \\ 
666                             & G3\_circuit       & 257 982 646   & 25 000 000     \\
667                             & shallow\_water2   & 200 798 268   & 25 000 000     \\
668                             & thermal2          & 359 340 179   & 24 999 998     \\ \hline \hline
669 \multirow{6}{*}{Asymmetric} & cage13            & 879 063 379   & 24 999 998     \\
670                             & crashbasis        & 820 373 286   & 24 999 803     \\
671                             & FEM\_3D\_thermal2 & 1 194 012 703 & 24 999 998     \\
672                             & language          & 155 261 826   & 24 999 492     \\
673                             & poli\_large       & 106 680 819   & 25 000 000     \\
674                             & torso3            & 872 029 998   & 25 000 000     \\ \hline
675 \end{tabular}
676 \caption{Main characteristics of the sparse matrices having five band and generated from the sparse matrices of the Davis collection.}
677 \label{tab:06}
678 \end{center}
679 \end{table}
680
681 In Table~\ref{tab:07} we give the performances of the parallel GMRES algorithm on the CPU and GPU
682 clusters for solving large linear systems associated to the sparse matrices shown in Table~\ref{tab:06}.
683 We can notice from the ratios given in the fourth column that solving sparse linear systems associated
684 to matrices having large bandwidth on the GPU cluster is as fast as on the CPU cluster. This is due 
685 to the large total communication volume necessary to synchronize the computations over the cluster.
686 In fact, the naive partitioning row-by-row or column-by-column of this type of sparse matrices links
687 a GPU node to many neighboring nodes and produces a significant number of data dependencies between
688 the different GPU nodes.   
689
690 \begin{table}[!h]
691 \begin{center}
692 \begin{tabular}{|c|c|c|c|c|c|c|} 
693 \hline
694 Matrix            & $\Time{cpu}$ & $\Time{gpu}$ & $\tau$ & \# $\Iter$& $\Prec$ & $\Delta$   \\ \hline \hline
695 2cubes\_sphere    & 15.963 s    & 7.250 s      & 2.20  & 58     & 6.23e-16 & 3.25e-19 \\
696 ecology2          & 3.549 s     & 2.176 s      & 1.63  & 21     & 4.78e-15 & 1.06e-15 \\
697 finan512          & 3.862 s     & 1.934 s      & 1.99  & 17     & 3.21e-14 & 8.43e-17 \\
698 G3\_circuit       & 4.636 s     & 2.811 s      & 1.65  & 22     & 1.08e-14 & 1.77e-16 \\
699 shallow\_water2   & 2.738 s     & 1.539 s      & 1.78  & 17     & 5.54e-23 & 3.82e-26 \\
700 thermal2          & 5.017 s     & 2.587 s      & 1.94  & 21     & 8.25e-14 & 4.34e-18 \\ \hline \hline
701 cage13            & 9.315 s     & 3.227 s      & 2.89  & 26     & 3.38e-13 & 2.08e-16 \\
702 crashbasis        & 35.980 s    & 14.770 s     & 2.43  & 127    & 1.17e-12 & 1.56e-17 \\
703 FEM\_3D\_thermal2 & 24.611 s    & 7.749 s      & 3.17  & 64     & 3.87e-11 & 2.84e-14 \\
704 language          & 16.859 s    & 9.697 s      & 1.74  & 89     & 2.17e-12 & 1.70e-12 \\
705 poli\_large       & 10.200 s    & 6.534 s      & 1.56  & 69     & 5.14e-13 & 1.63e-13 \\
706 torso3            & 49.074 s    & 19.397 s     & 2.53  & 175    & 2.69e-12 & 2.77e-16 \\ \hline
707 \end{tabular}
708 \caption{Performances of the parallel GMRES algorithm using a compressed storage format of the sparse
709 vectors for solving large sparse linear systems associated to matrices having five bands on a cluster
710 of 24 CPU cores vs. a cluster of 12 GPUs.}
711 \label{tab:07}
712 \end{center}
713 \end{table}
714
715 We propose to use a hypergraph partitioning method which is well adapted to numerous structures 
716 of sparse matrices~\cite{Cat99}. Indeed, it can well model the communications between the computing
717 nodes especially for the asymmetric and rectangular matrices. It gives in most cases good reductions
718 of the total communication volume. Nevertheless, it is more expensive in terms of execution time and
719 memory space consumption than the partitioning method based on graphs.  
720
721 The sparse matrix $A$ of the linear system to be solved is modelled as a hypergraph
722 $\mathcal{H}=(\mathcal{V},\mathcal{E})$ as follows:
723 \begin{itemize}
724 \item each matrix row $i$ ($0\leq i<n$) corresponds to a vertex $v_i\in\mathcal{V}$,
725 \item each matrix column $j$ ($0\leq j<n$) corresponds to a hyperedge $e_j\in\mathcal{E}$, such that:
726 $\forall a_{ij}$ is a nonzero value of the matrix $A$, $v_i\in pins[e_j]$,
727 \item $w_i$ is the weight of vertex $v_i$,
728 \item $c_j$ is the cost of hyperedge $e_j$.  
729 \end{itemize}
730 A $K$-way partitioning of a hypergraph $\mathcal{H}=(\mathcal{V},\mathcal{E})$ is defined as a set 
731 of $K$ pairwise disjoint non-empty subsets (or parts) of the vertex set $\mathcal{V}$: $\mathcal{P}=\{\mathcal{V}_1,\ldots,\mathcal{V}_k\}$,
732 such that $\mathcal{V}=\displaystyle\cup_{k=1}^K\mathcal{V}_{k}$. Each computing node is in charge of
733 a vertex subset. Figure~\ref{fig:08} shows an example of a hypergraph partitioning of a sparse matrix
734 of size $(9\times 9)$ into three parts. The circles and squares correspond, respectively, to the vertices
735 and hyperedges of the hypergraph. The solid squares define the cut hyperedges connecting at least two
736 different parts. The connectivity $\lambda_j$ denotes the number of different parts spanned by the cut
737 hyperedge $e_j$.
738
739 \begin{figure}
740 \centering
741   \includegraphics[width=130mm,keepaspectratio]{Figures/hypergraph}
742 \caption{A hypergraph partitioning of a sparse matrix between three computing nodes.}
743 \label{fig:08}
744 \end{figure}
745
746 The cut hyperedges model the communications between the different GPU computing nodes in the cluster,
747 necessary to perform the SpMV multiplication. Indeed, each hyperedge $e_j$ defines a set of atomic
748 computations $b_i\leftarrow b_i+a_{ij}x_j$ of the SpMV multiplication which needs the $j^{th}$ element
749 of  vector $x$. Therefore pins of hyperedge $e_j$ ($pins[e_j]$) denote the set of matrix rows requiring
750 the same vector element $x_j$. For example in Figure~\ref{fig:08}, hyperedge $e_9$ whose pins are:
751 $pins[e_9]=\{v_2,v_5,v_9\}$ represents matrix rows 2, 5 and 9 requiring the vector element $x_9$
752 to compute in parallel the atomic operations: $b_2\leftarrow b_2+a_{29}x_9$, $b_5\leftarrow b_5+a_{59}x_9$
753 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
754 be sent to the neighboring nodes 1 and 2.
755
756 The hypergraph partitioning allows to reduce the total communication volume while maintaining the computational
757 load balance between the computing nodes. Indeed, it minimizes at best the following sum:
758 \begin{equation}
759 \mathcal{X}(\mathcal{P}) = \displaystyle\sum_{e_j\in\mathcal{E}_C} c_j(\lambda_j-1),
760 \end{equation}
761 where $\mathcal{E}_C$ is the set of the cut hyperedges issued from the partitioning $\mathcal{P}$, $c_j$
762 and $\lambda_j$ are, respectively, the cost and the connectivity of the cut hyperedge $e_j$. In addition,
763 the hypergraph partitioning is constrained to maintain the load balance between the $K$ parts:
764 \begin{equation}
765 W_k\leq (1+\epsilon)\Wavg\mbox{,~}(1\leq k\leq K)\mbox{~and~}(0<\epsilon<1),
766 \end{equation}
767 where $W_k$ is the sum of the vertex weights in the subset $\mathcal{V}_k$, $\Wavg$ is the average part's
768 weight and $\epsilon$ is the maximum allowed imbalanced ratio.
769
770 The hypergraph partitioning is a NP-complete problem but software tools using heuristics are developed, for
771 example: hMETIS~\cite{Kar98}, PaToH~\cite{Cata99} and Zoltan~\cite{Dev06}. Due to the large sizes of the
772 linear systems to be solved, we use a parallel hypergraph partitioning which must be performed by at least 
773 two MPI processes. The hypergraph model $\mathcal{H}$ of the sparse matrix is split into $p$ (number of computing
774 nodes) sub-hypergraphs $\mathcal{H}_k=(\mathcal{V}_k,\mathcal{E}_k)$, $0\leq k<p$, then the parallel partitioning
775 is applied by using the MPI communication routines.
776
777 Table~\ref{tab:08} shows the performances of the parallel GMRES algorithm for solving the linear systems
778 associated to the sparse matrices presented in Table~\ref{tab:06}. In the experiments, we have used the
779 compressed storage format of the sparse vectors and the parallel hypergraph partitioning developed in the
780 Zoltan tool~\cite{ref20,ref21}. The parameters of the hypergraph partitioning are initialized as follows:
781 \begin{itemize}
782 \item The weight $w_i$ of each vertex $v_i$ is set to the number of the nonzero values on the matrix row $i$,
783 \item For simplicity's sake, the cost $c_j$ of each hyperedge $e_j$ is set to 1,
784 \item The maximum imbalanced ratio $\epsilon$ is limited to 10\%.  
785 \end{itemize} 
786 We can notice from Table~\ref{tab:08} that the execution times on the cluster of 12 GPUs are significantly
787 improved compared to those presented in Table~\ref{tab:07}. The hypergraph partitioning applied on the large
788 sparse matrices having large bandwidths have improved the execution times on the GPU cluster by about 65\%.
789
790 \begin{table}[!h]
791 \begin{center}
792 \begin{tabular}{|c|c|c|c|c|c|c|} 
793 \hline
794 Matrix            & $\Time{cpu}$ & $\Time{gpu}$ & $\tau$  & \# $\Iter$ & $\Prec$     & $\Delta$   \\ \hline \hline
795 2cubes\_sphere    & 16.430 s    & 2.840 s      & 5.78 & 58     & 6.23e-16 & 3.25e-19 \\
796 ecology2          & 3.152 s     & 0.367 s      & 8.59 & 21     & 4.78e-15 & 1.06e-15 \\
797 finan512          & 3.672 s     & 0.723 s      & 5.08 & 17     & 3.21e-14 & 8.43e-17 \\
798 G3\_circuit       & 4.468 s     & 0.971 s      & 4.60 & 22     & 1.08e-14 & 1.77e-16 \\ 
799 shallow\_water2   & 2.647 s     & 0.312 s      & 8.48 & 17     & 5.54e-23 & 3.82e-26 \\ 
800 thermal2          & 4.190 s     & 0.666 s      & 6.29 & 21     & 8.25e-14 & 4.34e-18 \\ \hline \hline
801 cage13            & 8.077 s     & 1.584 s      & 5.10 & 26     & 3.38e-13 & 2.08e-16 \\
802 crashbasis        & 35.173 s    & 5.546 s      & 6.34 & 127    & 1.17e-12 & 1.56e-17 \\
803 FEM\_3D\_thermal2 & 24.825 s    & 3.113 s      & 7.97 & 64     & 3.87e-11 & 2.84e-14 \\
804 language          & 16.706 s    & 2.522 s      & 6.62 & 89     & 2.17e-12 & 1.70e-12 \\
805 poli\_large       & 12.715 s    & 3.989 s      & 3.19 & 69     & 5.14e-13 & 1.63e-13 \\
806 torso3            & 48.459 s    & 6.234 s      & 7.77 & 175    & 2.69e-12 & 2.77e-16 \\ \hline
807 \end{tabular}
808 \caption{Performances of the parallel GMRES algorithm using a compressed storage format of the sparse
809 vectors and a hypergraph partitioning method for solving large sparse linear systems associated to matrices
810 having five bands on a cluster of 24 CPU cores vs. a cluster of 12 GPUs.}
811 \label{tab:08}
812 \end{center}
813 \end{table}
814
815 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 without 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.
816
817 \begin{table}
818 \begin{center}
819 \begin{tabular}{|c|c|c|c|c|} 
820 \hline
821 \multirow{3}{*}{Matrix} & Total comm. vol. & Total comm. vol. & Total comm. vol.              & Time of hypergraph \\
822                         & using row-by row & using compressed & using hypergraph partitioning & partitioning \\
823                         & partitioning     & format           & and compressed format         & in minutes \\ \hline \hline
824 2cubes\_sphere          & 182 061 791      & 25 360 543       & 240 679                       & 68.98         \\
825 ecology2                & 181 267 000      & 26 044 002       & 73 021                        & 4.92          \\
826 finan512                & 182 090 692      & 26 087 431       & 900 729                       & 33.72         \\
827 G3\_circuit             & 192 244 835      & 31 912 003       & 5 366 774                     & 11.63         \\
828 shallow\_water2         & 181 729 606      & 25 105 108       & 60 899                        & 5.06          \\ 
829 thermal2                & 191 350 306      & 30 012 846       & 1 077 921                     & 17.88         \\ \hline \hline
830 cage13                  & 183 970 606      & 28 254 282       & 3 845 440                     & 196.45        \\
831 crashbasis              & 182 931 818      & 29 020 060       & 2 401 876                     & 33.39         \\
832 FEM\_3D\_thermal2       & 182 503 894      & 25 263 767       & 250 105                       & 49.89         \\
833 language                & 183 055 017      & 27 291 486       & 1 537 835                     & 9.07          \\
834 poli\_large             & 181 381 470      & 25 053 554       & 7 388 883                     & 5.92          \\
835 torso3                  & 183 863 292      & 25 682 514       & 613 250                       & 61.51        \\ \hline       
836 \end{tabular}
837 \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.}
838 \label{tab:09}
839 \end{center}
840 \end{table}
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856 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. Furthermore, we can notice that the GPU computation times on Tables~\ref{tab:11} and~\ref{tab:12} are about 10\% lower than those on Table~\ref{tab:10}. Indeed, the compression of the vectors and the reordering of matrix columns allow to perform coalesced accesses to the GPU memory and thus accelerate the sparse matrix-vector multiplication.  
857
858 \begin{table}
859 \begin{center}
860 \begin{tabular}{|c||c|c|c||c|c|c|} 
861 \hline
862 \multirow{2}{*}{Matrix} & \multicolumn{3}{c||}{GPU version} & \multicolumn{3}{c|}{CPU version}  \\ \cline{2-7}
863                   & $\Time{comput}$ & $\Time{comm}$ & $\Ratio$ & $\Time{comput}$ & $\Time{comm}$ & $\Ratio$ \\ \hline \hline
864 2cubes\_sphere    & 37.067 s       & 1434.512 s   & {\bf 0.026}   & 312.061 s      & 3453.931 s   & {\bf 0.090}\\
865 ecology2          & 4.116 s        & 501.327 s    & {\bf 0.008}   & 60.776 s       & 1216.607 s   & {\bf 0.050}\\
866 finan512          & 7.170 s        & 386.742 s    & {\bf 0.019}   & 72.464 s       & 932.538 s    & {\bf 0.078}\\
867 G3\_circuit       & 4.797 s        & 537.343 s    & {\bf 0.009}   & 66.011 s       & 1407.378 s   & {\bf 0.047}\\
868 shallow\_water2   & 3.620 s        & 411.208 s    & {\bf 0.009}   & 51.294 s       & 973.446 s    & {\bf 0.053}\\ 
869 thermal2          & 6.902 s        & 511.618 s    & {\bf 0.013}   & 77.255 s       & 1281.979 s   & {\bf 0.060}\\ \hline \hline
870 cage13            & 12.837 s       & 625.175 s    & {\bf 0.021}   & 139.178 s      & 1518.349 s   & {\bf 0.092}\\
871 crashbasis        & 48.532 s       & 3195.183 s   & {\bf 0.015}   & 623.686 s      & 7741.777 s   & {\bf 0.081}\\
872 FEM\_3D\_thermal2 & 37.211 s       & 1584.650 s   & {\bf 0.023}   & 370.297 s      & 3810.255 s   & {\bf 0.097}\\
873 language          & 22.912 s       & 2242.897 s   & {\bf 0.010}   & 286.682 s      & 5348.733 s   & {\bf 0.054}\\
874 poli\_large       & 13.618 s       & 1722.304 s   & {\bf 0.008}   & 190.302 s      & 4059.642 s   & {\bf 0.047}\\
875 torso3            & 74.194 s       & 4454.936 s   & {\bf 0.017}   & 897.440 s      & 10800.787 s  & {\bf 0.083}\\ \hline       
876 \end{tabular}
877 \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.}
878 \label{tab:10}
879 \end{center}
880 \end{table}
881
882
883 \begin{table}
884 \begin{center}
885 \begin{tabular}{|c||c|c|c||c|c|c|} 
886 \hline
887 \multirow{2}{*}{Matrix} & \multicolumn{3}{c||}{GPU version} & \multicolumn{3}{c|}{CPU version}  \\ \cline{2-7}
888                   & $\Time{comput}$ & $\Time{comm}$ & $\Ratio$ & $\Time{comput}$ & $\Time{comm}$ & $\Ratio$ \\ \hline \hline
889 2cubes\_sphere    & 27.386 s       & 154.861 s   & {\bf 0.177}   & 342.255 s      & 42.100 s   & {\bf 8.130}\\
890 ecology2          & 3.822 s        & 53.131 s    & {\bf 0.072}   & 69.956 s       & 15.019 s   & {\bf 4.658}\\
891 finan512          & 6.366 s        & 41.155 s    & {\bf 0.155}   & 79.592 s       & 8.604 s    & {\bf 9.251}\\
892 G3\_circuit       & 4.543 s        & 63.132 s    & {\bf 0.072}   & 76.540 s       & 27.371 s   & {\bf 2.796}\\
893 shallow\_water2   & 3.282 s        & 43.080 s    & {\bf 0.076}   & 58.348 s       & 8.088 s    & {\bf 7.214}\\ 
894 thermal2          & 5.986 s        & 57.100 s    & {\bf 0.105}   & 87.682 s       & 28.544 s   & {\bf 3.072}\\ \hline \hline
895 cage13            & 10.227 s       & 70.388 s    & {\bf 0.145}   & 152.718 s      & 30.785 s   & {\bf 4.961}\\
896 crashbasis        & 41.527 s       & 369.071 s   & {\bf 0.113}   & 701.040 s      & 158.916 s  & {\bf 4.411}\\
897 FEM\_3D\_thermal2 & 28.691 s       & 167.140 s   & {\bf 0.172}   & 403.510 s      & 50.935 s   & {\bf 7.922}\\
898 language          & 22.408 s       & 242.589 s   & {\bf 0.092}   & 333.119 s      & 64.409 s   & {\bf 5.172}\\
899 poli\_large       & 13.710 s       & 179.208 s   & {\bf 0.077}   & 215.934 s      & 30.903 s   & {\bf 6.987}\\
900 torso3            & 58.455 s       & 480.315 s   & {\bf 0.122}   & 993.609 s      & 152.173 s  & {\bf 6.529}\\ \hline       
901 \end{tabular}
902 \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.}
903 \label{tab:11}
904 \end{center}
905 \end{table}
906
907
908 \begin{table}
909 \begin{center}
910 \begin{tabular}{|c||c|c|c||c|c|c|} 
911 \hline
912 \multirow{2}{*}{Matrix} & \multicolumn{3}{c||}{GPU version} & \multicolumn{3}{c|}{CPU version}  \\ \cline{2-7}
913                   & $\Time{comput}$ & $\Time{comm}$ & $\Ratio$ & $\Time{comput}$ & $\Time{comm}$ & $\Ratio$ \\ \hline \hline
914 2cubes\_sphere    & 28.440 s       & 7.768 s      & {\bf 3.661}   & 327.109 s      & 63.788 s   & {\bf 5.128}\\
915 ecology2          & 3.652 s        & 0.757 s      & {\bf 4.823}   & 63.632 s       & 13.520 s   & {\bf 4.707}\\
916 finan512          & 7.579 s        & 4.569 s      & {\bf 1.659}   & 74.120 s       & 22.505 s   & {\bf 3.294}\\
917 G3\_circuit       & 4.876 s        & 8.745 s      & {\bf 0.558}   & 72.280 s       & 28.395 s   & {\bf 2.546}\\
918 shallow\_water2   & 3.146 s        & 0.606 s      & {\bf 5.191}   & 52.903 s       & 11.177 s   & {\bf 4.733}\\ 
919 thermal2          & 6.473 s        & 4.325 s      & {\bf 1.497}   & 81.171 s       & 20.907 s   & {\bf 3.882}\\ \hline \hline
920 cage13            & 11.676 s       & 7.723 s      & {\bf 1.512}   & 145.755 s      & 46.547 s   & {\bf 3.131}\\
921 crashbasis        & 42.799 s       & 29.399 s     & {\bf 1.456}   & 650.386 s      & 203.918 s  & {\bf 3.189}\\
922 FEM\_3D\_thermal2 & 29.875 s       & 8.915 s      & {\bf 3.351}   & 382.887 s      & 93.252 s   & {\bf 4.106}\\
923 language          & 20.991 s       & 11.197 s     & {\bf 1.875}   & 310.679 s      & 82.480 s   & {\bf 3.767}\\
924 poli\_large       & 13.817 s       & 102.760 s    & {\bf 0.134}   & 197.508 s      & 151.672 s  & {\bf 1.302}\\
925 torso3            & 57.469 s       & 16.828 s     & {\bf 3.415}   & 926.588 s      & 242.721 s  & {\bf 3.817}\\ \hline       
926 \end{tabular}
927 \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.}
928 \label{tab:12}
929 \end{center}
930 \end{table}
931
932 \begin{figure}
933 \centering
934   \includegraphics[width=120mm,keepaspectratio]{Figures/weak}
935 \caption{Weak scaling of the parallel GMRES algorithm on a GPU cluster.}
936 \label{fig:09}
937 \end{figure}
938
939  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.\\
940
941  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 communications 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 communications. 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 communications 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.
942
943
944  
945 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 parallel algorithms.
946
947 %%--------------------%%
948 %%      SECTION 7     %%
949 %%--------------------%%
950 \section{Conclusion and perspectives}
951 \label{sec:07}
952 In this paper, we have aimed at harnessing the computing power of a GPU cluster for 
953 solving large sparse linear systems. We have implemented the parallel algorithm of the 
954 GMRES iterative method. We have used a heterogeneous parallel programming based on the
955 CUDA language to program the GPUs and the MPI parallel environment to distribute the
956 computations between the GPU nodes on the cluster.
957
958 The experiments have shown that solving large sparse linear systems is more efficient 
959 on a cluster of GPUs than on a cluster of CPUs. However, the efficiency of a GPU cluster
960 is ensured as long as the spatial and temporal localization of the data is well managed. 
961 The data dependency scheme on a GPU cluster is related to the sparse structures of the
962 matrices (positions of the nonzero values) and the number of the computing nodes. We have
963 shown that a large number of communications between the GPU computing nodes affects 
964 considerably the performances of the parallel GMRES algorithm on the GPU cluster. Therefore,
965 we have proposed to reorder the columns of the sparse local sub-matrices on each GPU node
966 and to use a compressed storage format for the sparse vector involved in the parallel
967 sparse matrix-vector multiplication. This solution allows to minimize the communication
968 overheads. In addition, we have shown that it is interesting to choose a partitioning method
969 according to the structure of the sparse matrix. This reduces the total communication
970 volume between the GPU computing nodes.
971
972 In future works, it would be interesting to implement and study the scalability of the
973 parallel GMRES algorithm on large GPU clusters (hundreds or thousands of GPUs) or on geographically
974 distant GPU clusters. In this context, other methods might be used to reduce communication
975 and to improve the performances of the parallel GMRES algorithm as the multisplitting methods.
976 The recent GPU hardware and software architectures provide the GPU-Direct system which allows
977 two GPUs, placed in the same machine or in two remote machines, to exchange data without using
978 CPUs. This improves the data transfers between GPUs. Finally, it would be interesting to implement
979 other iterative methods on GPU clusters for solving large sparse linear or non linear systems.
980
981 \paragraph{Acknowledgments}
982 This paper is based upon work supported by the R\'egion de Franche-Comt\'e.
983
984 \bibliography{bib}
985 \bibliographystyle{abbrv}
986 \end{document}