]> AND Private Git Repository - ThesisAhmed.git/blob - CHAPITRE_01.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
adding the first chapter
[ThesisAhmed.git] / CHAPITRE_01.tex
1 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
2 %%                          %%
3 %%       CHAPITRE 01        %%
4 %%                          %%
5 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
6
7 \chapter{Parallel Architectures and  Iterative Applications}
8 \label{ch1}
9 %% Introduction
10 %\lettrine[lines=2]{A}{u} 
11
12 \section{Introduction}
13 \label{ch1:1}
14 Traditionally, most of the software applications are structured as sequential programs according to the Von Neumann report in 1993 \cite{ref50}. The structure of the program code is understandable by the human brain as a series of instructions that executed one after the other. From many years until a short time,
15 with each new generation of microprocessors the users of the sequential applications have believed that these applications run faster over them.
16 Nowadays, this idea is no longer valid  because the recent release of the microprocessors have many computing units embedded in one chip and these programs are only run over one computing unit sequentially.
17 Consequently,  traditional applications  have not improved their performance a lot over the new architectures, whereas the new applications run faster over them in a parallel. The parallel application is executed over all  available computing units at the same time to improve its performance. Furthermore, the concurrency revolution has been referred to the drastically improvement in the performance of  new applications side by side to  new parallel architectures \cite{ref51}. Therefore, parallel applications and parallel architectures are closely tied together. It is hard to think about any of parallel applications without thinking of the parallel hardware executed them.
18 For example, the energy consumption of the parallel system mainly depends on both of the parallel application and the parallel architecture executes this application. Indeed, an energy consumption model or any measurement system depends on many specifications, some of them are concerning  parallel hardware features such as the frequency of the processor, the power consumption of the processor and the communication model.  The others are concerning the parallel application such as the computation and communication times of the application. 
19  
20 In this work, the iterative parallel applications are interested and running them over different parallel architectures to optimize their energy consumptions is the main goal. 
21 As a result, this chapter is aimed to give a brief overview of parallel hardware architectures,  parallel iterative applications and an energy model from the other authors used to measure the energy consumption of these applications. 
22 The reminder of this chapter is organized as follows: section \ref{ch1:2}  is  devoted 
23 to describing  types of  parallelism and  types of  parallel platforms. It also gives some information about  parallel programming models.  Section \ref{ch1:3} explains both of a synchronous and asynchronous parallel iterative methods and comparing them. Section \ref{ch1:4}, presents a well accepted energy model from the state of the art that can be used to measure the energy consumption of parallel iterative applications when changing the frequency of the processor. Finally, section \ref{ch1:5} summaries this chapter.
24
25
26 \section{Parallel Computing  Architectures} 
27 \label{ch1:2}
28 The process of the simultaneous execution of calculations is called the parallel computing.
29 Its main principle refer to the ability of dividing the large problem into smaller sub-problems that can be solved  at the same time \cite{ref2}. 
30 Mainly, solving  sub-problems of the main problem in a parallel computing are carried out on multiple parallel processors.
31 Indeed, the  parallel processors architecture is a computer system composed of many processing elements connected via network model in addition to  software tools required to make the processing units work together \cite{ref1}.
32 Consequently, the parallel computing architecture consist of a software and hardware resources. 
33 Hardware resources are  processing units and the memory model in addition to the network system connecting them. Software resources include the specific operating system, the programming language and the compiler, or the runtime libraries. Furthermore, the parallel computing can have different levels of parallelism that can be performed in a software or a hardware level. There are five types of parallelism as follows:
34 \begin{itemize}
35
36 \item \textbf{Bit-level parallelism (BLP)}: The appearance of the very-large-scale integration (VLSI) in 1970s has been considered the first step towards the parallel computing. It is used to increase the number of bits  in the word size  being processed by a processor as in the figure~\ref{fig:ch1:1}. For many successive years, the number of bits have increased starting from 4-bit microprocessors reaching until 64 bit microprocessors. For example, the recent  x86-64 architecture becomes the most familiar architecture nowadays. Therefore, the biggest word size gives more parallelism level and  thus less instructions to be executed by a processor at the same time.
37  
38 \begin{figure}[h!]
39 \centering
40 \includegraphics[scale=1]{fig/ch1/bits-para.pdf}
41 \caption{Bit-level parallelism }
42 \label{fig:ch1:1}
43 \end{figure}
44
45 \item \textbf{Data-level parallelism (DLP)}: Data parallelism is a process of distributing the data vector between different parallel processors and each one performs same operations on its data sub-vector. Therefore, many arithmetic operations can be performed on the same data vector in a simultaneous manner. This type of parallelism can be used in many programs, especially from the area of scientific computing. Usually, data-parallel operations are only provided for arrays operations, for example see figure \ref{fig:ch1:2}. As an example about the applications use this type of parallelism are vectors multiplication, image and signal processing. 
46
47 \begin{figure}[h!]
48 \centering
49 \includegraphics[scale=1]{fig/ch1/data-para.pdf}
50 \caption{Data-level parallelism }
51 \label{fig:ch1:2}
52 \end{figure}
53
54 \item \textbf{Instruction-level parallelism (ILP)}: Generally, the sequential program composed of many instructions. These instructions can be executed in a parallel at the same time, if each of them is independent from the others. In particular, the parallelism can be achieved in the instruction level by using  pipeline. It means all the independent instructions of the program are overlapped the execution of each  others. For example, if we have two instructions $I_1$ and $I_2$, they are independent if there is no control and data dependency between them.
55 In pipeline stages, the execution of each instruction is divided into multiple steps that can be overlapped with the steps of other instructions by the pipeline hardware unit.
56 Figure~\ref{fig:ch1:3} demonstrates four instructions each one has four steps denoted as  fetch, decode, execute and write, which are implemented in hardware units by pipeline. 
57
58 \begin{figure}[h!]
59 \centering
60 \includegraphics[scale=1]{fig/ch1/pipelines.pdf}
61 \caption{Instruction-level parallelism by pipelines}
62 \label{fig:ch1:3}
63 \end{figure}
64
65
66
67 \item \textbf{Thread-level parallelism (TLP)}: It is also known as a task-level parallelism.
68 According to the Moore’s law \cite{ref9}, the processor can have number of transistors by a double 
69 each two years to increase the frequency of the processor and thus its performance.  Besides, cache and main memories sizes are must increased together to satisfy this increased. 
70 But, this leads to some limits come from two main reasons, the first one is when the cache size is drastically increased leading to a larger access time. The second  is related to the big increase in the number of the transistors per CPU that can be increased significantly the heat dissipation. As a result,  programmers subdivided their programs into multiple tasks which can be executed in parallel over distributed processors or shared multi-cores processors to improve the performance of the program, see figure~\ref{fig:ch1:4}. Each processor can has a multiple or an individual thread dedicated for each task. A thread can be defined as a part of the parallel program which shares processor resources with other threads. 
71
72 \begin{figure}[h!]
73 \centering
74 \includegraphics[scale=1]{fig/ch1/thread-para.pdf}
75 \caption{Thread-level parallelism}
76 \label{fig:ch1:4}
77 \end{figure}
78
79 Therefore, we can consider the execution time of a sequential program composed of 
80 $N$ tasks as sum of the execution times of all tasks as follows:
81
82 \begin{equation}
83 \label{ch1:eq1}
84     Sequential~execution~time = \sum_{i=1}^{N} T_i
85 \end{equation}
86
87 Whereas, if tasks are executed synchronously over multiple processing units in a parallel, the execution time of the program is the execution time of the task that has  maximum execution time (the slowest task) as follows:
88
89 \begin{equation}
90 \label{ch1:eq2}
91     Parallel~execution~time = \max_{i=1,\dots,N} T_i
92 \end{equation}
93
94 \item \textbf{Loop-level parallelism (LLP)}:
95 The numerical algorithms and many other algorithms are executed iteratively the same program portion,  computation, using different forms of the loop statements allowed in the programming languages. At each iteration, the program need to scan a large data structure such as an array structure to make the arithmetic calculations. Inside the loop structure there are many instructions, which are independent or dependent. In a sequential loop execution the $i$ iteration must be executed after the completion of 
96 $(i-1)$ iteration. 
97 Whereas, if each iteration is independent from the others, then all the iterations are distributed over many  processors to be executed in a parallel,
98 for example see figure\ref{fig:ch1:5}. In the parallel programming languages this type of a loop is  called $parallel~loop$.
99
100 \begin{figure}[h!]
101 \centering
102 \includegraphics[scale=0.8]{fig/ch1/loop-para.pdf}
103 \caption{Loop-level parallelism}
104 \label{fig:ch1:5}
105 \end{figure}
106
107 The execution time of the parallel loop portion can be computed as 
108 the execution time of a sequential loop portion has $N_{iter}$ iterations divided by the number of the processing units $N_{processors}$ as follows:
109
110 \begin{equation}
111 \label{ch1:eq3}
112  Parallel~loop~time = \frac{Sequential~loop~time}{N_{processors}}
113                   =\frac{\sum_{i=1}^{N_{iter}} Time~of~iter_i}               
114                    {N_{processors}}
115 \end{equation}
116
117 For more detail about the levels of parallelism see \cite{ref3,ref4,ref6,ref7}.
118 \end{itemize}
119
120 \subsection{Types of Parallel platforms} 
121 \label{ch1:2:1}
122 The main goal behind using a parallel computers is to solve bigger problem faster.
123 A collection of processing elements composing them must to work together to perform the final solution of the main problem. However, many different architectures have been proposed  
124 and classified according to the parallelism in the instruction and data
125 streams. In 1966, Michel Flynn has been proposed a simple model of categorizing all computers that still useful until know \cite{ref10}. His taxonomy considered the data and the operations performed on these data to produce four types of computer systems as follows:
126
127 \begin{itemize}
128  
129 \item \textbf{Single instruction, single data (SISD) stream}: A single processor executes a single instruction stream executing one data stream stored in an individual memory model, see figure \ref{fig:ch1:6}. As an example of this type is the  conventional sequential computer system according to the Von Neumann model, it is also called the Uniprocessors.
130 \begin{figure}[h!]
131 \centering
132 \includegraphics[scale=1]{fig/ch1/sisd.pdf}
133 \caption{SISD machine architecture}
134 \label{fig:ch1:6}
135 \end{figure}
136  
137 \item \textbf{Single instruction, multiple data (SIMD) stream}: All the processors execute the same instructions on different data. 
138 Each processor stores the data in its local memory, the processor communicates with each others typically via a simple communication model, see figure \ref{fig:ch1:7}. Many scientific and engineering
139 applications are suitable to this type of parallel scheme.
140 Vector and array processors are well know  examples of this type. 
141 As an example about the applications executed over this architecture are  graphics processing, video compression and medical image analysis applications.
142
143 \begin{figure}[h!]
144 \centering
145 \includegraphics[scale=1]{fig/ch1/simd.pdf}
146 \caption{SIMD machine architecture}
147 \label{fig:ch1:7}
148 \end{figure}
149
150 \item \textbf{Multiple instruction, single data (MISD) stream}: Many operations from multiple processing elements are executed over the same data stream. Each processing element has its local memory to store the private program instructions  applied  to unique global memory data stream as in figure \ref{fig:ch1:8}. While the MISD machine is not commonly used,  there are some interesting uses such as the systolic arrays and dataflow machines.
151
152 \begin{figure}[h!]
153 \centering
154 \includegraphics[scale=1]{fig/ch1/misd.pdf}
155 \caption{MISD machine architecture}
156 \label{fig:ch1:8}
157 \end{figure}
158
159
160 \item \textbf{Multiple instruction, Multiple data (MIMD) stream}: There are multiple processing elements each of which has a separate instructions  and  local data memories.
161 At any time, different processing elements may be executing different instructions on different data fragment, see figure \ref{fig:ch1:9}. There are two types of MIMD machines: the share memory and the massage passing MIMD machines. 
162 In the share memory architectures, a processors are communicated via a share memory model, while in the message passing architecture each processor has its own local memory and all processors communicate via a communication network model. The  multi-core processors, local
163 clusters and grid systems are an examples for  MIMD machine.
164 Many applications have been conducted over this architecture 
165 such as computer-aided design, computer-aided manufacturing, simulation, modeling, iterative applications and so on.
166
167  \begin{figure}[h!]
168 \centering
169 \includegraphics[scale=1]{fig/ch1/mimd.pdf}
170 \caption{MIMD machine architecture}
171 \label{fig:ch1:9}
172 \end{figure}
173 \end{itemize}
174  For more details about this architectural taxonomy see \cite{ref11,ref5,ref13,ref14}.
175
176 The work of this thesis is dedicated to MIMD machines architecture. Therefore, we discuss in
177 this chapter some of the commonly used parallel architectures that belong to MIMD machines.
178 As explained before,  MIMD architectures can be classified into two types, the shared memory and the distributed message passing ones. Furthermore, these classifications are based on 
179 how MIMD processors access the memory model. The shared MIMD machines communication topology can be bus-based, extended or hierarchical type. Whereas, the distributed memory MIMD machines may have hypercube or mesh inter connected networks. In the following are some well known MIMD parallel computing platforms:
180
181 \begin{itemize}
182 \item \textbf{Multi-core processors}:
183 The multi-core processor is a single chip component with two or more processing units.
184 These processing units are called cores, which connected with each other via main memory model as in the figure \ref{fig:ch1:10}. Each individual core has its cache memory to store its data and execute different data or instructions stream in parallel. Moreover, each core can have  one or more threads to execute a specific programming task as shown in the thread-level parallelism. Historically, the multi-cores of the CPU began as two-core processors, with increase in the number of cores approximately by double with each semiconductor process generation \cite{ref12}. The very quick improvements in the performance and thus the increase in the number of cores  is devoted in the graphical processing unit (GPU). A current exemplar of GPU  is the NVIDIA  GeForce TITAN Z with 5700 cores in year of 2015 \cite{ref17}. While the general-purpose microprocessors (CPU) has less number of the cores, for example the TILE-MX processor from Tilera had 100 cores in the same year \cite{ref16}.
185 For more details about the multi-core processors see \cite{ref15}.
186
187 \begin{figure}[h!]
188 \centering
189 \includegraphics[scale=1]{fig/ch1/multicores.pdf}
190 \caption{Multi-core processor architecture}
191 \label{fig:ch1:10}
192 \end{figure}
193
194
195 \item \textbf{Local Cluster}:
196  is generally collection of independent  computers that are connected
197 to each other  via standard network switches and cables, which is a high speed  
198 local area networks (LAN) with low latency and big bandwidth. Moreover, each node is distributed from each other and it communicates with other nodes  using distributed massage passing model. All the nodes in the cluster must be controlled by one node called the master node, which is a specific node uses to handle the scheduling and management of the other nodes as shown in the figure \ref{fig:ch1:11}. Usually, the hardware specifications of all nodes are homogeneous in term of the computing power and memory and thus it is called tightly-coupled fashion. Also, each computing node in the cluster has the same copy of the operating system. See \cite{ref18, ref19} for more information about the cluster and its applications.
199
200 \begin{figure}[h!]
201 \centering
202 \includegraphics[scale=1]{fig/ch1/cluster.pdf}
203 \caption{Local cluster architecture}
204 \label{fig:ch1:11}
205 \end{figure}
206
207
208 \item \textbf{Grid (Distributed clusters)}:
209 Grid is a collection of local computing clusters from different sites connected via wide area network (WAN), which can be appeared virtually to the benefit users as a complete computing system  \cite{ref20}. 
210 In particular, different local clusters composing the grid are geographically faraway from each others. Usually, each local cluster composed from homogeneous nodes, which are different from the nodes of the others cluster located in different sites. These nodes can be different in the hardware and software  specifications such as the computing power, memory size, operating system, local network latency and bandwidth. Figure \ref{fig:ch1:12} presents an example of the grid composed of three heterogeneous local clusters located in  different sites which are connected throw a wide area network.  Furthermore, the grid can be referred to an infrastructure  applies the integration and the collaboration by using  collection  of different computers, networks, databases servers  and scientific devices belong to  many companies and universities. Therefore, wide heterogeneous computing resources are allowed to many users simultaneously. While the only bottleneck of the grid is the high latency communications between the nodes from different sites. The grid is also called the loosely-coupled fashion platform. However, the fault tolerance  is required to guarantee the process of sending and receiving  the messages between the computing nodes and thus keeps all the messages from the lost.
211
212 \begin{figure}[h!]
213 \centering
214 \includegraphics[scale=0.85]{fig/ch1/grid.pdf}
215 \caption{Grid architecture}
216 \label{fig:ch1:12}
217 \end{figure}
218
219
220 \begin{figure}[h!]
221 \centering
222 \includegraphics[scale=1]{fig/ch1/grid5000.pdf}
223 \caption{Grid5000's sites distribution in France and Luxembourg}
224 \label{fig:ch1:13}
225 \end{figure}
226 \end{itemize}
227
228
229 Grid'5000 \cite{ref21} can be considered as a good example for this distributed platform. 
230 It is a large-scale testbed that consists of ten sites distributed
231 all over metropolitan France and Luxembourg. These sites are: Grenoble, Lille, Luxembourg, Lyon, Nancy, Reims, Rennes , Sophia, Toulouse, Bordeaux. Figure \ref{fig:ch1:13} shows the geographical distribution of grid'5000 sites over France and Luxembourg. All the sites are connected together via a  special long distance network called RENATER, which is the French
232 National Telecommunication Network for Technology. Each site in the grid is
233 composed of a few heterogeneous computing clusters and each cluster contains
234 many homogeneous nodes. In total, Grid'5000 has about one thousand heterogeneous nodes and eight thousand cores. In each site, the clusters and their nodes
235 are connected via high speed local area networks. Two types of local networks
236 are used, Ethernet or Infiniband networks, which have different characteristics
237 in terms of bandwidth and latency.
238 Grid'5000 is dedicated as a test-bed for grid computing and thus users can book the required nodes from different sites. It  allows the user to deploy his configured image of the operating system over the reserved nodes. Therefore, many software tools are available to the user to control and manage the reservation and deployment processes from his local machine. For example, OAR \cite{ref22} is a  batch scheduler used to manage the heterogeneous resources of the grid'5000.
239
240
241
242 \subsection{Parallel programming Models} 
243 \label{ch1:2:2}
244 There are many parallel programming languages and libraries have been developed 
245 to explore the computing power of the parallel architectures. In this section,
246 the parallel programming languages are divided into two main types, 
247 which is the shared and the distributed programming models. Moreover, these two types are divided  into two subcategories according to the support level for the number of computing units composing them.
248 Figure \ref{fig:ch1:14} presents this classification hierarchy of the parallel programming 
249 models. It is also showed three parallel languages examples for each subcategory.
250
251
252 \begin{figure}[h!]
253 \centering
254 \includegraphics[scale=0.75]{fig/ch1/classification.pdf}
255 \caption{The classification of the parallel Programming Models}
256 \label{fig:ch1:14}
257 \end{figure}
258
259
260 Many programming interfaces and libraries have been developed to compile and run the 
261 parallel applications over the parallel architectures. In the following are 
262 some examples for each type of the parallel programming models:
263
264 \begin{itemize}
265 \item \textbf{Local cluster programming models}
266   \begin{itemize}
267     \item \textbf{MPI} \cite{ref23} is the Message Passing Interface and it considers a 
268                       standardization 
269                       dedicated for message passing in distributed memory environment.
270                       The first version of MPI designated by a group of researchers in
271                       1991. It is a library,  not a language and its subroutines 
272                       can be called from many programming languages such as C, Fortran and 
273                       Java. The programmes that users write in these languages are 
274                       compiled with ordinary compilers and linked with the MPI library.  
275                       Its library functions are not only for peer to peer operations throw 
276                       send and receive messages, but it allowed many others collective 
277                       operations such as gathering and reduction operations. MPI user feel
278                       free form the network topology, synchronization and communication
279                       functionality between  group of processes. Furthermore, it has an
280                       asynchronous point to point operations, which make the computations 
281                       to overlap with communications. While MPI is not devoted to a grid,
282                        \textbf{MPICH}  is one of the most 
283                       popular implementations of MPI dedicated for grid computing. It uses
284                       as an extended version for MPI, which implements a fault tolerance  
285                       \cite{ref52}. In this work, both of MPI and MPICH programming libraries 
286                       have used for programming our algorithms and applications which called 
287                       inside both of Fortran and C programming languages.  
288                       
289    \item \textbf{PVM} \cite{ref25} is for Parallel Virtual Machine,  which is a collection 
290                       of software tools and libraries to allow users working over a   
291                       heterogeneous set of machines to operate as a single high performance 
292                       parallel platform. It is dedicated for a group of machine that are 
293                       distributed and heterogeneous in the operating system environments. 
294                       The PVM system is elementarily for parallel programming to be used with 
295                       C, C++, and Fortran  languages. 
296                       It is considered more robust in fault tolerance than MPI, easier to 
297                       add or delete the crashed nodes in the host pool 
298                       \cite{ref26}. While MPI has more communication messages support and asynchronous 
299                       operations which are not allowed in PVM. 
300                       
301                       
302    \item \textbf{BLACS} \cite{ref27} is for Basic Linear Algebra Communication Subprograms.                 
303                  It has a collection of libraries that used to built a linear algebra messages 
304                  communication model which is applied effectively over distributed memory architectures.
305                  The primary goal of using BLACS is mapping a liner set or processors or any distributed 
306                  machines into two dimensional array or grid, which offers an easy tool for building a
307                  linear algebra applications. 
308                  
309   \end{itemize} 
310   
311 \item \textbf{Grid programming models}
312   \begin{itemize}
313    \item \textbf{Gridsolve} \cite{ref28}  is the first middleware for a grid  and the
314                 high performance computing that offers a good tool to solve a complex
315                 scientific applications using distinct distributed machines. It applies the
316                 fault tolerance and load balancing features to ensure the reliability of the
317                 applications  when running over a geographically distributed resources. 
318                 It works with different programming languages such as C,C++, Java and Fortran. 
319                 
320    \item \textbf{GLOBAS} \cite{ref29,ref30} is the most widely standardization tool kit
321                 for a grid computing. It permits the users to share their computing resources securely. 
322                 While the GLOBAS toolkit is allowed to work with a grid, it offers a fault 
323                 detection mechanism to ensure the delivery of the messages. 
324                 The first version of Globus toolkit appeared
325                 in 1998 and now the sixth version is available \cite{ref31}. 
326                        
327
328   \item \textbf{Legion} \cite{ref32,ref33} is an object-based and meta-systems software project
329                 at the University of Virginia on November 1997. 
330                 It implements many features such as security, portability and fault tolerance.
331                 Moreover, it is created to support a wide degree of parallelism throw an easy 
332                 programming tools to built the parallel applications.
333               
334         
335   \end{itemize}
336  
337 \item \textbf{Multi-core CPU programming models} 
338   \begin{itemize}
339    \item \textbf{OpenMP}  \cite{ref34} is a  parallel programming tool for shared memory 
340                 architectures. The main goal of using this programming model is to provide 
341                 a standard and portable API (application programming interface) for writing 
342                 shared memory parallel programs. It can be used with programming languages such 
343                 as C, C++ and Fortran to support different types of shared memory platforms 
344                 such as multi-core processors.
345                 OpenMP uses multi-threading, which is a method of parallel programming 
346                 that uses a master thread to control set of slave threads. Each
347                 thread can be executed in a parallel by allocating it to a processor.  
348                 Moreover, OpenMP can be  used with MPI to support hybrid platforms that have 
349                 shared and distributed memory models at the same time.
350                 
351   \item \textbf{Cilk} \cite{ref13,ref35} is a linguistic and runtime technology for algorithmic 
352                 multi-threaded programming originally developed at MIT. 
353                 It allows the programmer to focus on building the program in a structured way 
354                 to discover the inherent parallelism. Many specifications are used in Cilk 
355                 such as the load balancing, synchronization and communication protocols. 
356                 
357                 
358                 
359             
360                 
361    \item \textbf{TBB} \cite{ref36} is for Threading Building Blocks, is a software library used with 
362                 C++ programming language for multi-core parallel programming developed by Intel.
363                 It woks on the principle of dividing the computations into many tasks that can be 
364                 executed in a parallel. 
365                 It also has a management library to schedule the parallel task execution. 
366                 The difference between OpenMP and TBB, is the latter uses a task-based scheduling 
367                 mechanism. Furthermore, TBB is more popular with C++ programming language than 
368                 others languages. It is designed to work with any compiler environments, and thus 
369                 it is easily ported to a new platform. Hence, TBB has been ported to 
370                 different types of operating systems and processors. While, it has limited
371                 support to vector processing architecture and then it is connected with OpenMP  
372                 and Cilk to support this  platform.
373   \end{itemize}
374   
375   
376   
377 \item \textbf{GPU programming models} 
378   \begin{itemize}
379    \item \textbf{CUDA} \cite{ref37} Modern graphical processing units (GPUs) have increased its chip-level  
380                        parallelism.  Current  NVIDIA  GPUs  are  many-cores processor having thousands
381                        of core.  According to this massively cores parallelism, the NVIDIA in 2007 developed
382                        a parallel programming  language called CUDA , which is for Compute Unified Device  
383                        Architecture.  A CUDA program has two parts, the first one is called a host which is a
384                        set of threads that executed sequentially over the CPU. The second part is called the
385                        kernels, which are a set of threads that can be executed in a parallel over the GPUs.
386  
387    \item \textbf{OpenCL}\cite{ref38} is for Open Computing Language. It is a parallel 
388                        programming language dedicated for heterogeneous platform composed 
389                        of CPUs and GPUs. The first release initially developed by Apple  
390                        in 2008. Functions executed on an OpenCL device is called kernel, 
391                        which can be portably executes on any computing hardware such as CPU or GPU cores. 
392                        This parallel programming language supports the homogeneous shared memory 
393                        platforms and the multi-core processors by using one core for control 
394                        and the others for computing.
395                          
396    \item \textbf{HLSL} \cite{ref39} is for High Level Shading Language, is the shader 
397                        programming language for Direct3D, which is a part of
398                        Microsoft’s DirectX API. It supports the shader design with 
399                        C language syntax, types, expressions, statements, and functions and it 
400                        provides a graphical pipeline parallelism.
401                        The last version of HLSL is version 5.0 for DirectX 11, which adds a new 
402                        general-purpose GPU functions like CUDA. Recently, the new OpenCL 
403                        version starts to replace CUDA as a multi-platform GPU language.
404                                    
405   \end{itemize}
406  
407 \end{itemize}
408
409
410 \section{Iterative Methods} 
411 \label{ch1:3}
412 Numerical methods are a scientific computations for solving linear and non-linear problems.
413 Almost of the numerical problems can be represented by mathematical equation form with relations between its components. For example, solving linear equations which is well known in the scientific  area is generally expressed in the following form:
414
415 \begin{equation}
416   \label{eq:linear}
417  A x = b
418 \end{equation}
419
420 Where $A$ is a two dimensional matrix of size $N \times N$, $x$ is the unknown vector,
421 and $b$ is a vector of constant, each of size $N$. There are two types of solution methods for solving this linear system.
422 The first method is called \textbf{Direct methods}, which is a finite number of steps depending on the 
423 size  of the linear system to give the exact solution. If the problem size is very big this methods are expensive or their
424 solutions are impossible in some cases.  The second type is called \textbf{Iterative methods}, which is computed 
425 many times the same block of the operations starting from the initial vector until reaching to the acceptable 
426 approximation  of the exact solution. However, the iterative methods are faster than direct methods and can be 
427 applied in parallel. Moreover, iterative methods can be used to solve both of the linear and non-linear equations.
428 In our work, we are interested in parallelizing the iterative methods because they are more popular and effective than  direct ones.
429
430 The sequential iterative algorithm is typically organized as a series of steps essentially  of the form:
431
432 \begin{equation}
433   \label{eq:iter}
434    X^{(k+1)} \longleftarrow F(X^k) 
435 \end{equation}
436
437 Where $F$ is one or set of operations applied to the data vector $X^k$ to produce the new data vector $X^{(k+1)}$. This operation $F$ is applied sequentially many times until convergence condition is satisfy as in the   algorithm \ref{sia}.
438
439
440
441 \begin{algorithm}[h!]
442 \begin{algorithmic}[1]
443   
444     \State Initialize the vector $X^0$ randomly  
445     \For {$k:=1$  to \textit{convergence}}
446     
447       \State $X^{(k+1)} = F(X^k)$ 
448    \EndFor
449    \end{algorithmic}
450    \caption{The iterative sequential algorithm}
451   \label{sia}
452    
453 \end{algorithm}
454
455 The sequential iterative algorithm at each iteration computes the value of the relative error, which is called the residual that denoted as $R$. This error value is the maximum difference  between the  data components of the vectors of the last two successive iterations as follows:
456
457  \begin{equation}
458   \label{eq:res}
459    R = \max_{i=1, \dots, N}  \abs{X_i^{(k+1)} - X_i^k}
460 \end{equation}  
461 Where $N$ is the size of the vector $X$. Then, the iterative sequential algorithm stops its iterations if the maximum error between the last two successive solutions vectors, as in \ref{eq:res}, is less than or equal to the some threshold value. Otherwise, it replaces the new vector $X^{(k+1)}$ with the old vector $X^k$ and computes the new iteration.
462
463 \subsection{Synchronous Parallel Iterative method} 
464 \label{ch1:3:1}
465 The sequential iterative algorithm \ref{sia}, can be parallelized by executing it on many computing units. To solve this algorithm on $M$ computing units, first the elements of the problem vector $X$ must be subdivided into $M$ sub-vectors, $X^k=(X_1^k,\dots,X_M^k)$. 
466 Each sub-vector can be solved  independently on one computing unit as follows:
467
468 \begin{equation}
469   \label{eq:subvector}
470    X_i^{k+1}= F_i(X_1^k,\dots,X_M^k)  \hspace{1cm} where \hspace{0.2cm} i=1,\dots, M
471 \end{equation}
472
473 Where $X_i^k$ is the sub-vector executed over the $i^{th}$ computing unit at the iteration $k$.
474
475 \begin{algorithm}[h!]
476 \begin{algorithmic}[1]
477   
478   \State Initialize the sub-vectors $(X_1^0,\dots,X_M^0)$ randomly  
479     \For {$k:=1$  step $1$ to \textit{convergence}}
480        \For {$i:=1$   to \textit{M}}
481         \State $X^{(k+1)} = F(X^k)$
482       \EndFor
483     \EndFor  
484
485    
486    \end{algorithmic}
487    \caption{The synchronous parallel iterative algorithm}
488   \label{spia}
489 \end{algorithm}
490
491
492 The algorithm \ref{spia}, represents the synchronous parallel iterative algorithm. Similarly to 
493 the sequential iterative algorithm \ref{spia}, this algorithm stops its iterations when the convergence condition  is satisfied and it computes the residual value $R$ as follows: 
494
495 \begin{equation}
496  \label{eq:res_syn}
497    R = \max_{i=1, \dots, M}  (\max_{j=1, \dots, m}\abs{X_{ij}^{(k+1)} - X_{ij}^k})
498 \end{equation}
499 This algorithm need to satisfy some convergence condition which  is called the  global convergence condition. In order to detect the global convergence overall computing units, first we need to compute
500 at each iteration the local residual and store it in the local variable at the computing unit $i$. Then at the end of each iteration, all the local residuals  from $M$ computing units must be reduced to one maximum  value represented by the  global residual, which represents the global maximum errors overall maximum local errors from $M$ computing units. Where $m$ is the size of the $i$  sub-vector.
501 For example, in MPI this operation is directly applied using a high level communication procedure  called \textit{AllReduce}. The goal of this communication procedure is to apply the reduction operation on all local variables computed by the computing units.
502
503
504 \begin{figure}[h!]
505 \centering
506 \includegraphics[scale=0.75]{fig/ch1/sisc.pdf}
507 \caption{The SICS Model}
508 \label{fig:ch1:15}
509 \end{figure}
510
511
512 In synchronous iterative algorithm, computing processors needs to communicate with each others to 
513 exchange data at each iteration. Algorithm \ref{spia} can be used synchronous iterations and synchronous communications and denoted as \textbf{SISC} model.  At each iteration, the computing processor waits until 
514 it has receive all the data computed at the previous iteration from the other processors to perform the next iteration. This type of communication model uses if there are a dependencies between the parallel tasks. Figure \ref{fig:ch1:15}, shows that using SICS model in a heterogeneous platform may results in a big periods  of the idle times represented by the white dashed spaces between two successive iterations. Indeed, this happens when the fast computing processor waits for the slow ones to finish their iterations to be able to synchronously send its data to them. This operation wastes a big amount of the computing power of the faster processors and thus their energy consumptions. The increased in the level of the heterogeneity between the computing powers of the computing processors may increased propositionally these idle times.
515 Accordingly, this algorithm is effectively implemented over a local cluster where a high speed local network is used to reduce these idle times.  
516
517
518 \begin{figure}[h!]
519 \centering
520 \includegraphics[scale=0.75]{fig/ch1/siac.pdf}
521 \caption{The SIAS Model}
522 \label{fig:ch1:16}
523 \end{figure}
524
525 Furthermore, the communications of the synchronous iterative algorithm can be implemented asynchronously. Therefore, this algorithm is called the synchronous iteration and asynchronous 
526 communication algorithm and denoted as \textbf{SIAC} algorithm. The main principle of this algorithm is to use a synchronized iterations while exchanging the data between the computing units asynchronously.
527 Moreover, each computing unit not has to wait for its neighbours to receive the data messages 
528 that its has sent, while it only waits for receiving the  data from them. This can be implemented in SISC algorithm programmed in MPI by replacing the synchronous send of the messages by asynchronous ones and keeps 
529 the synchronous receive of the data messages. The only advantage of this technique is to reduce the idle times between the iterations by making the communications to overlap partially
530 with computations, see figure \ref{fig:ch1:16}. The idle times are not totally eliminated  because the
531 fast computing nodes still have to wait for slow ones to send their data messages. 
532 Both of the SISC and SIAC algorithms are not tolerate to the loss of data messages. Consequently, if one node is crashed,  all the other computing nodes are blocked together and all the system is crashed.
533
534
535  
536 \subsection{Asynchronous Parallel Iterative method} 
537 \label{ch1:3:2}
538 The asynchronous iterations mean that all processors perform their iterations without considering the works of the other processors. Each processor not has to wait for receiving
539 the data messages from the others processors and continue computing the next iteration depending on its own data received at a specific time. While all processors not have to wait 
540 for data delivery from each other, there are not existence for the idle times at all between the iterations as in figure \ref{fig:ch1:17}.  This figure indicates that the fast processors can perform more iterations than the others at the same time. 
541 Hence, the asynchronous iterative algorithm uses asynchronous communications  is called  \textbf{AIAC} algorithm. Likewise the SISC algorithm, the AIAC algorithm subdivides the global Vectors $X$ into $M$ sub-vectors between the computing units. The main different between the two algorithm is that these $M$ sub-vectors are not updated at each iteration in the AIAC algorithm because both of the iterations and communications are asynchronous. 
542 However, there are two mechanisms to update the data vectors in AIAC algorithm as follows:
543  \begin{itemize}
544  \item  The local vectors can be updated randomly on the order of $M$ computing units.
545         This leads to some of these local vectors to not update at a certain time. 
546  \item  According to the time period $t$, each computing unit checks if one of the its 
547         dependencies components have been updated. If the computing node detects any update 
548         case, it updates its own local vector data using the last received data messages.
549         Otherwise, it does nothing at the time $t$.
550  \end{itemize}
551
552
553 \begin{figure}[h!]
554 \centering
555 \includegraphics[scale=0.75]{fig/ch1/aiac.pdf}
556 \caption{The AIAC Model}
557 \label{fig:ch1:17}
558 \end{figure}
559
560 The global convergence of the parallel iterative method depend on the scientific application.
561 For more information about the convergence detection techniques of the asynchronous iterative methods,
562 we refer to \cite{ref40,ref41,ref42,ref43} for more details. 
563
564
565 The implementation of the AIAC method is not easy, but it gives many advantages over the traditional synchronous iterative method:
566
567 \begin{itemize}
568 \item It prevents the existence of the  idle times because each processor not has to wait 
569       for the others to receive the data messages. Then, there is no idle times between each two  
570       successive iterations.
571       
572 \item Less sensitive for the heterogeneous communications and nodes' computing powers. In 
573       heterogeneous platform, the fast nodes not have to wait for the slow ones and so it 
574       performs more iterations than them. While in the traditional synchronous iterative 
575       methods, the fast computing nodes perform the same number of iterations as the slow ones
576       because they are blocked together. 
577
578 \item The loss of the data messages is totally tolerant because each computing unit is not 
579       blocked with the others. If the message is lost, the destination node not has to wait  
580       for this data message and it uses the last received data to perform its iteration  
581       independently.
582       
583 \item In the distributed grid architecture, the local clusters from different sites are 
584       connected via slow network with a high latency. On the other hand, the use of the AIAC model 
585       reduces the delay of sending the data message over such slow network link and thus the performance 
586       of the applications is improved.
587 \end{itemize}
588
589
590 In addition to the difficulty of applying the asynchronous iterative method, it has some 
591 disadvantages as follows:
592
593 \begin{itemize}
594 \item It is not compatible to all types of the iterative applications because some of these 
595       applications need to receive the data messages from its neighbours at each iteration.   
596       Therefore, they required a fix number of iterations to converge. Otherwise, the 
597       application is perform  infinity number of iterations  and then all of the system 
598       is crash. 
599  
600 \item The application of an asynchronous iterative method requires more iterations compared 
601       to the synchronous ones to converge  when it is executed over the local cluster. 
602       The increase in the number of  the iterations may increases proportionally 
603       the execution time of the application. 
604       Especially, the local computing cluster uses a high speed network, then running the 
605       synchronous version over such platform is quicker to converge.
606     
607 \item While the process not receive the new data messages at each iteration, the mechanism of 
608        synchronous iterative methods for detecting the global convergence cannot be used for 
609       asynchronous ones. Therefore, in AIAC algorithm a process can performs many iterations    
610       without receiving any data messages from its neighbours. The absence of receiving new 
611       data messages makes the data component not vary at the computing units and thus it detect 
612       a false local convergence. This mean that the local residual value is less than the   
613       required threshold. This fake convergence is conflicted at the reception of the first data message 
614       because the local subsystem will locally diverges after computing the next iteration. 
615       Therefore, special mechanisms are required for detecting the global convergence of a parallel 
616       iterative algorithm implemented according to the asynchronous iteration model.
617
618
619 \end{itemize}
620
621 Generally, the interested readers can find more details about both of synchronous and asynchronous 
622 iterative methods in \cite{ref44,ref45}.
623
624 In our works, we are interested to implement both of a synchronous and asynchronous 
625 iterative methods for solving different problems over local homogeneous cluster, local heterogeneous cluster and distributed grid. Accordingly, the process of optimizing their energy consumptions and performance is the main objective of this work as shown in the next chapters. 
626
627
628 \section{The energy consumption model of the parallel applications } 
629 \label{ch1:4}
630
631 Many researchers~\cite{ref46,ref47,ref48,ref49} divide the power consumed by a processor into
632 two power metrics: the static and the dynamic power.  The first one is
633 consumed as long as the computing unit is on, the latter is only consumed during
634 computation times.  The dynamic power $P_{dyn}$ is related to the switching
635 activity $\alpha$, load capacitance $C_L$, the supply voltage $V$ and
636 operational frequency $F$, as shown in EQ~(\ref{eq:pd}).
637 \begin{equation}
638   \label{eq:pd}
639   P_\textit{dyn} = \alpha \cdot C_L \cdot V^2 \cdot F
640 \end{equation}
641 The static power $P_{static}$ captures the leakage power as follows:
642 \begin{equation}
643   \label{eq:ps}
644    P_\textit{static}  = V \cdot N_{trans} \cdot K_{design} \cdot I_{leak}
645 \end{equation}
646 Where V is the supply voltage, $N_{trans}$ is the number of transistors,
647 $K_{design}$ is a design dependent parameter and $I_{leak}$ is a
648 technology-dependent parameter.  
649
650
651 The dynamic voltage and frequency scaling technique (\textbf{DVFS}) is a process that is allowed in modern processors to reduce the dynamic
652 power by scaling down the voltage and frequency.  Its main objective is to
653 reduce the overall energy consumption of the CPU~\cite{ref77}.  The operational frequency $F$
654 depends linearly on the supply voltage $V$ as follows:
655 \begin{equation} 
656 \label{eq:v}
657 V = \beta \cdot F
658 \end{equation}
659
660  Where $\beta$ is some of constant.  This equation is used to study the change of the dynamic
661 voltage with respect to various frequency values in~\cite{ref47}.  The reduction
662 process of the frequency can be expressed by the scaling factor $S$ which is the
663 ratio between the maximum and the new frequency as in EQ~(\ref{eq:s}).
664 \begin{equation}
665   \label{eq:s}
666  S = \frac{F_\textit{max}}{F_\textit{new}}
667 \end{equation}
668 The value of the scaling factor $S$ is greater than 1 when changing the
669 frequency of the CPU to any new frequency value~(\emph{P-state}) in the
670 governor.  The CPU governor is an interface driver supplied by the operating
671 system's kernel to lower a core's frequency \cite{ref8}.  
672
673 Depending on the equation \ref{eq:s}, the new frequency $F_{new}$ can be calculates as follows:
674
675 \begin{equation}
676   \label{eq:fnew}
677   F_\textit{new}= S^{-1} \cdot  F_\textit{max}
678 \end{equation}
679
680
681 Replacing $V$  in \ref{eq:pd} as in \ref{eq:v} gives the following equation of the dynamic power consumption
682 as a function of the constant $\beta$ instead of $V$: 
683
684 \begin{equation}
685   \label{eq:pd-beta}
686    P_{dyn}= \alpha \cdot C_L \cdot (\beta \cdot F) ^2 \cdot  F  =\alpha \cdot C_L \cdot \beta^2 \cdot  F^3
687 \end{equation}
688
689 Replacing $F_{new}$ in \ref{eq:pd-beta} as in \ref{eq:fnew} gives the following equation for dynamic power consumption:
690
691 \begin{multline}
692   \label{eq:pdnew}
693    P_{dynNew} = \alpha \cdot C_L \cdot \beta^2 \cdot  F_{new}^3 = 
694    \alpha \cdot C_L \cdot \beta^2 \cdot  F_{max}^3 \cdot S^{-3} =
695    \alpha \cdot C_L \cdot (\beta \cdot  F_{max})^2 \cdot F_{max} \cdot S^{-3} \\
696    {} =\alpha \cdot C_L \cdot V^2 \cdot F_{max} \cdot S^{-3} = P_{dyn} \cdot S^{-3}
697 \end{multline}
698
699 Where $P_{dynNew}$  and $P_{dyn}$ are the  dynamic power consumed with the
700 new frequency and the maximum frequency respectively.
701
702 According to (\ref{eq:pdnew}) the dynamic power is reduced by a factor of
703 $S^{-3}$ when reducing the frequency of a processor by a factor of $S$.
704 The energy consumption is measured in Joule, and can be calculated by
705 multiplying the power consumption, measured in watts, by the  execution time of the program as follows:
706
707 \begin{equation}
708   \label{eq:E}
709   Energy = Power \cdot T
710 \end{equation}
711
712 According to the equation \ref{eq:E}, the dynamic energy consumption of the program executed in the time $T$ over one processor is the dynamic power multiply by the execution time. Moreover, the frequency scaling factor $S$ increases the execution time of the processor linearly, then the new dynamic energy consumption can be computed as follows:
713
714 \begin{equation}
715   \label{eq:Edyn}
716    E_{dynNew} = P_{dyn} \cdot S^{-3} \cdot (T \cdot S)= S^{-2} \cdot P_{dyn} \cdot  T
717 \end{equation}
718
719
720 According to \cite{ref46,ref47}, the static power consumption $P_{static}$  is not changes when the frequency of the processors is scaled down. Therefore, the static energy consumption can be computed as follows:
721 \begin{equation}
722   \label{eq:Estatic}
723    E_{static} = S \cdot  P_{static}  \cdot T
724 \end{equation}
725
726
727 Therefore, the energy consumption of the individual task running over one processor 
728 is the sum of both static and dynamic energies that  can be computed as follows:
729 \begin{equation}
730  \label{eq:Eind}
731   E_{ind} =  E_{dynNew} + E_{static} = S^{-2} \cdot P_{dyn} \cdot  T + S \cdot  P_{static}  \cdot T
732 \end{equation}
733
734  
735 Depending on \ref{eq:Eind}, the total energy consumption of $N$  parallel task  running on $N$ processors is the summation  of the individual energies consumed by all processors. This model is developed and used by  Rauber and Rünger~\cite{ref47}. They modeled 
736 the total energy consumption for a parallel tasks running on a homogeneous platform by sorting the execution time of the all parallel tasks in a descending order, then their model can be  written as a function of the scaling factor $S$, as in EQ~(\ref{eq:energy}).
737
738 \begin{equation}
739   \label{eq:energy}
740   E_\textit{~all~tasks} = P_\textit{dyn} \cdot S_1^{-2} \cdot
741     \left( T_1 + \sum_{i=2}^{N} \frac{T_i^3}{T_1^2} \right) +
742     P_\textit{static} \cdot T_1 \cdot S_1 \cdot N
743  \hfill
744 \end{equation}
745
746 Where $N$ is the number of parallel tasks, $T_i$  for $i=1,\dots,N$ are
747 the execution times of the sorted tasks.  Therefore, $T1$ is
748 the time of the slowest task, and $S_1$ its scaling factor which should be the
749 highest because they are proportional to the time values $T_i$. 
750 Finally, model \ref{eq:energy}  can be used to measure the energy consumed by any parallel application such as the iterative parallel applications with respect to the new scaled frequency value. 
751
752 There are two drawbacks of this energy model as follows:
753 \begin{itemize}
754 \item The message passing iterative program consists of the communication and computation times.
755       This energy model is assumed that the dynamic power consumes during both these times.
756       While the processor during the communication times involved remain idle and only consumes the static 
757       power, for more details see \cite{ref53}. 
758
759
760 \item It is not well adapted to a heterogeneous architectures when there are different 
761       types of the processors, which are consumed different dynamic and static powers. Then, this model is 
762       not able to measured the energy consumption of all the parallel system  because it depends on 
763       one value for each of the static and dynamic powers.
764 \end{itemize}
765
766 Therefore, one of the more important goals of this work is to develop an energy models that 
767 has be taken into consideration the communication times in addition to computation times to modelize and measure the energy consumptions of the parallel iterative methods. These models are dedicated to all parallel architectures such as the homogeneous and heterogeneous platforms, which may be local or distributed computing clusters.  
768
769 \section{Conclusion}
770 \label{ch1:5}
771 In this chapter, three sections have been presented for describing the parallel hardware architectures, parallel iterative applications and the energy consumption model used to measure the energies of these applications. 
772 In the first section, different types of parallelism levels that can be implemented in a software and hardware techniques have explained. Furthermore, the types of the parallel architectures are demonstrated and classified according to how the computing units are connected to a memory model.  
773 Both of the shared and distributed platforms are demonstrated and depending on them the parallel programming models have categorized. 
774 In the second section, the two types parallel iterative methods are described as synchronous and asynchronous iterative methods. The synchronous iterative methods are well implemented over local homogeneous cluster with a high speed network link, while the asynchronous iterative methods are more conventional to implement over the distributed heterogeneous clusters. 
775 Finally in the third section, the energy consumption model used for measuring the energy consumption of the parallel applications from the related literature is  described. This model  cannot be used for all types of parallel architectures. Indeed, it assumes  measuring the dynamic power during both of the communication and computation times, while the processor involved remains idle during the communication times and  only consumes the static power. Moreover, it is not well adapted to  heterogeneous architectures when there are different types of the processors, which are consumed different dynamic and static powers at the same time.
776
777 However, in the next chapters of this thesis a new energy consumption models are developed, and how these
778 energy models are used for modeling and measuring the energy consumptions by parallel iterative methods running on both homogeneous and heterogeneous architectures.  Furthermore, these energy models use in a methods for optimizing  both of the energy consumption and the performance of the iterative message passing applications.