]> 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 Almost of the software applications  are traditionally programmed as a sequential programs according to the Von Neumann report in 1993 \cite{ref50}. The structure of the 
15 program code is understandable by the human brain as a series of instructions that execute one after the other. From many years until a short time, the users of the sequential applications are moving their thinking   towards that these applications must run faster with each new generation of microprocessors. This idea is no longer valid nowadays, because the recent release of the microprocessors have many computing units embedded in one chip and these programs are only run over one computing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.
16 Consequently, the traditional applications not have 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 the 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 the new applications side by side to  the new parallel architectures \cite{ref51}. Therefore, parallel applications and parallel architectures are closely tied together. It is hard to think about any of a parallel applications without thinking of the parallel hardware that executing them.
17 For example, the energy consumption of the parallel system mainly depends on both of the parallel application and the parallel architecture executing this application. Indeed, the energy consumption model or any measurement system depends on many specifications, some of them are concerting  the parallel platform such as the frequency of the processor, power consumption of the processor and  communication model.  The others are concerting the parallel application such as the computation and communication times of the application. 
18  
19 In this work, the iterative parallel applications, which is the most popular type of the parallel applications, are interested and running them over different parallel architectures to optimize their energy consumptions is the main goal. 
20 As a result, this chapter is aimed to give a brief overview for a parallel hardware architectures,  parallel iterative applications and the energy model from the other authors used to measure the energy consumption of these applications. 
21 The reminder of this chapter is organized as follows: section \ref{ch1:2}  is  devoted 
22 to describe the types of  parallelism and the types of the parallel platforms. It is also gives some information about the parallel programming models.  Section \ref{ch1:3} explains both the synchronous and asynchronous parallel iterative methods and comparing them. Section \ref{ch1:4}, presents the well accepted energy model from the state of the art that can be used to measure the energy consumption of the parallel iterative applications when changing the frequency of the processor. Finally,  section \ref{ch1:5} summaries this chapter.
23
24
25 \section{Parallel Computing  Architectures} 
26 \label{ch1:2}
27 The process of the simultaneous application of the calculations is called the parallel computing.
28 It has 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}. 
29 Mainly, solving the sub-problems of the main problem in a parallel computing are carried out on multiple parallel processors.
30 Indeed, the parallel processors architecture is a computer system composed of many processing elements connected via network model in addition to the software tools required to make the processing units work together \cite{ref1}.
31 Consequently, parallel computing architecture consist of software and hardware resources. 
32 The hardware resources are the processing units and the memory model in addition to the network system connecting them. The software resources include the specific operating system, the programming language and the compiler, or the runtime libraries. Furthermore, parallel computing can have different levels of parallelism, which can perform in software or hardware. There are five types of parallelism as follows:
33 \begin{itemize}
34
35 \item \textbf{Bit-level parallelism (BLP)}: The appearance of very-large-scale integration (VLSI) in 1970s has been considered the first approach towards the parallel computing. It is used to increase the number of bits  in word size  being processed by a processor as in the figure~\ref{fig:ch1:1}. Year after year, the number of bits is 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 is given more parallelism level and  thus less instructions to be executed by the processor at the same time.
36  
37 \begin{figure}[h!]
38 \centering
39 \includegraphics[scale=1]{fig/ch1/bits-para.pdf}
40 \caption{Bit-level parallelism }
41 \label{fig:ch1:1}
42 \end{figure}
43
44 \item \textbf{Data-level parallelism (DLP)}:Data parallelism is the process of distributing the data vector between different parallel processors and each one performs the same operation 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, see figure \ref{fig:ch1:2}. As an example about the applications  of this type of parallelism are the vectors multiplication, image and signal processing. 
45
46 \begin{figure}[h!]
47 \centering
48 \includegraphics[scale=1]{fig/ch1/data-para.pdf}
49 \caption{Data-level parallelism }
50 \label{fig:ch1:2}
51 \end{figure}
52
53 \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, 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 instruction $I_1$ and $I_2$, they are independent if there is no control and data dependency between them.
54  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.
55 Figure~\ref{fig:ch1:3} demonstrates four instructions each one has four steps denoted as  fetch, decode, execute and write which are implemented in a hardware units by pipeline. 
56
57 \begin{figure}[h!]
58 \centering
59 \includegraphics[scale=1]{fig/ch1/pipelines.pdf}
60 \caption{Instruction-level parallelism by pipelines}
61 \label{fig:ch1:3}
62 \end{figure}
63
64
65
66 \item \textbf{Thread-level parallelism (TLP)}: It is also known as a task-level parallelism.
67 According to the Moore’s law \cite{ref9}, the processor can have a number of transistors by a double 
68 each two years to increase the frequency of the processor and thus its performance.  Beside that, cache and main memories sizes are must increased together to satisfy this increased. 
69 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 can be increased significantly the heat dissipation. As a result, the programmers sub divided 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 have a multiple or individual thread dedicated for each task. A thread can be defined as a part of a parallel program which shares processor resources with other threads. 
70
71 \begin{figure}[h!]
72 \centering
73 \includegraphics[scale=1]{fig/ch1/thread-para.pdf}
74 \caption{Thread-level parallelism}
75 \label{fig:ch1:4}
76 \end{figure}
77
78 Therefore, we can consider the execution time of a sequential program composed of 
79 $N$ tasks as the sum of the execution times of all tasks as follows:
80
81 \begin{equation}
82 \label{ch1:eq1}
83     Sequential~execution~time = \sum_{i=1}^{N} T_i
84 \end{equation}
85
86 Whereas, if the 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 the maximum execution time (the slowest task) as follows:
87
88  
89 \begin{equation}
90 \label{ch1:eq2}
91     Parallel~execution~time = \max_{i=1,\dots,N} T_i
92 \end{equation}
93
94
95 \item \textbf{Loop-level parallelism (LLP)}:
96 The numerical algorithms and many other algorithms are executed iteratively the same program portion, the computations, 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 $(i-1)$ iteration. 
97 While, 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}. Thus, 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 this 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 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 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 a well know  examples of this type. 
141 As an example about the applications executed over this architecture are the 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 multiple 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 instruction  and data local 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 the MIMD machines: the share memory and 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 communication network model. The  multi-core processors, local
163 clusters and grid systems are an examples for the MIMD machine.
164 Many of applications have 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, the 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 a 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 the number of cores approximately doubling 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 a graphical processing unit (GPU). A current exemplar of GPU  is the NVIDIA  GeForce TITAN Z with 5700 cores in 2015 \cite{ref17}. While the general-purpose microprocessors (CPU) has less number of the cores, for example the TILE-MX processor from Tilera   has 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 is communicated 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 handles 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 it is also 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 far away 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, operating system, local network latency and bandwidth. Figure \ref{fig:ch1:12} presents an example of the grid composed from three heterogeneous local clusters located in a different sites which are connected throw wide area network.  Furthermore, the grid can be referred to an infrastructure  applies the integration and the collaboration by using a 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 show 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 
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 is used               
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                       are used for programming our algorithms and applications which called 
287                       inside both 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 allows 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 
297                       than MPI, easier to 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 linear algebra messages 
304                  communication model which is applied effectively over distributed memory architectures.
305                  The primary goal of using 
306                  BLACS is mapping a liner set or processors or any distributed machines into
307                  a two dimensional array or grid, which is offer an easy tool for building a
308                  linear algebra applications. 
309                  
310   \end{itemize} 
311   
312 \item \textbf{Grid programming models}
313   \begin{itemize}
314    \item \textbf{Gridsolve} \cite{ref28}  is the first middleware for grid  and 
315                 high performance computing that offers a good tool to solve a complex
316                 scientific applications using distinct distributed machines. It applied the
317                 fault tolerance and load balancing features to ensure the reliability of the
318                 applications  when running over a geographically distributed resources. 
319                 It works with different programming languages such as C,C++, Java and Fortran. 
320                 
321    \item \textbf{GLOBAS} \cite{ref29,ref30} is the most widely standardization tool kit
322                 for grid computing. It permits the users to share their computing resources securely. 
323                 While the GLOBAS toolkit is allowed to work with grid, it offers a fault 
324                 detection mechanism to ensure the delivery of the messages. 
325                 The first version of Globus toolkit appeared
326                 in 1998 and now the sixth version is available \cite{ref31}. 
327                        
328
329   \item \textbf{Legion} \cite{ref32,ref33} is an object-based and meta-systems software project
330                 at the University of Virginia on November 1997. 
331                 It implements many features such as security, portability and fault tolerance.
332                 Moreover, it is created to support a wide degree of parallelism throw an easy 
333                 programming tools to built the parallel applications.
334               
335         
336   \end{itemize}
337  
338 \item \textbf{Multi-core CPU programming models} 
339   \begin{itemize}
340    \item \textbf{OpenMP}  \cite{ref34} is parallel programming tool for shared memory 
341                 architectures. The main goal of using this programming model is to provide 
342                 a standard and portable API (application programming interface) for writing 
343                 shared memory parallel programs. It can be used with programming languages such 
344                 as C, C++ and Fortran to support different types of shared memory platforms 
345                 such as multi-core processors.
346                 OpenMP implements multi-threading, which is a method of parallel programming 
347                 that organized by using master thread to control a set of slave threads. Each
348                 thread can be executed in parallel by allocating it to a processor.  
349                 Moreover, OpenMP can be  used with MPI to support hybrid platforms that have 
350                 shared and distributed memory models in the same time.
351                 
352   \item \textbf{Cilk} \cite{ref13,ref35} is a linguistic and runtime technology for algorithmic 
353                 multi-threaded programming originally developed at MIT. 
354                 It is allowed the programmer to focus on building the program in a structural way 
355                 to discover the inherent parallelism. Many specification are used in Cilk 
356                 such as the load balancing, synchronization and communication protocols. 
357                 
358                 
359                 
360             
361                 
362    \item \textbf{TBB} \cite{ref36} is for Threading Building Blocks, is a software library used with 
363                 C++ programming language for multi-core parallel programming developed by Intel.
364                 It woks on the principle of dividing the computations into many tasks that can be 
365                 executed in  
366                 parallel. It also has a management library to schedule the parallel task execution. 
367                 The difference between OpenMP and TBB, is the latter uses a task-based scheduling 
368                 mechanism. Furthermore, TBB is more popular with C++ programming language than 
369                 others languages. It is designed to work with any compiler environments, and thus 
370                 it is easily ported to a new platform. Consequently, TBB has been ported to a 
371                 different types of operating systems and processors. While, it has limited
372                 support to vector processing architecture and then it connected with OpenMP  
373                 and Cilk to support this  platform.
374   \end{itemize}
375   
376   
377   
378 \item \textbf{GPU programming models} 
379   \begin{itemize}
380    \item \textbf{CUDA} \cite{ref37} Modern graphical processing units (GPUs) have been increasing  chip-level  
381                        parallelism.  Current  NVIDIA  GPUs  are  many-core processor having thousands
382                        of core.  According to this massively cores parallelism, the NVIDIA in 2007 developed
383                        a parallel programming  language called CUDA , which is for Compute Unified Device  
384                        Architecture.  A CUDA program has two parts, the first one is called a host which is a
385                        set of threads that execute sequentially over the CPU. The second part is called the
386                        kernels, which are a set of a threads that can be executed in a parallel over the GPU.
387  
388    \item \textbf{OpenCL}\cite{ref38} is for Open Computing Language. It is a parallel 
389                        programming language dedicated for heterogeneous platform composed 
390                        of CPUs and GPUs. The first release is initially developed by Apple  
391                        in 2008. Functions executed on an OpenCL device is called kernel, 
392                        which can be portably executes on any computing hardware such as CPU or GPU cores. 
393                        This parallel programming language can support the homogeneous shared memory 
394                        platforms and the multi-core processors, by using one core for control 
395                        and the others for computing.
396                          
397    \item \textbf{HLSL} \cite{ref39} is for High Level Shading Language, is the shader 
398                        programming language for Direct3D, which is a part of
399                        Microsoft’s DirectX API. It supports the shader construction with 
400                        C-like syntax, types, expressions, statements, and functions and it 
401                        provides a graphical pipeline parallelism.
402                        The last version of HLSL is v5.0 for DirectX 11, which adds a new general-purpose GPU
403                        functions like CUDA. Recently, the new OpenCL version starts to replace CUDA 
404                        as a multi-platform GPU language.
405                                    
406   \end{itemize}
407  
408 \end{itemize}
409
410
411 \section{Iterative Methods} 
412 \label{ch1:3}
413 Numerical methods are a scientific computations for solving linear and non-linear problems.
414 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:
415
416 \begin{equation}
417   \label{eq:linear}
418  A x = b
419 \end{equation}
420
421 Where $A$ is a two dimensional matrix of size $N \times N$, $x$ is the unknown vector,
422 and $b$ is a vector of constant, each of size $N$ . There are two types of solution methods for solving this linear system.
423 The first method is called \textbf{Direct methods}, which is a finite number of steps depending on the 
424 size  of the linear system to give the exact solution. If the problem size is very big this methods are expensive or their
425 solutions are impossible in some cases.  The second type is called \textbf{Iterative methods}, which is computed 
426 many times the same block of the operations starting from the initial vector until reaching to the acceptable 
427 approximation  of the exact solution. However, the iterative methods are faster than direct methods and can be 
428 applied in parallel. Moreover, iterative methods can be used to solve both of the linear and non-linear equations.
429 In our work, we are interested in parallelizing the iterative methods because they are more popular and effective than  direct ones.
430
431 The sequential iterative algorithm is typically organized as a series of steps essentially  of the form:
432
433 \begin{equation}
434   \label{eq:iter}
435    X^{(k+1)} \longleftarrow F(X^k) 
436 \end{equation}
437
438 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}.
439
440
441
442 \begin{algorithm}[h!]
443 \begin{algorithmic}[1]
444   
445     \State Initialize the vector $X^0$ randomly  
446     \For {$k:=1$  to \textit{convergence}}
447     
448       \State $X^{(k+1)} = F(X^k)$ 
449    \EndFor
450    \end{algorithmic}
451    \caption{The iterative sequential algorithm}
452   \label{sia}
453    
454 \end{algorithm}
455
456 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 vectors of the last two successive iterations as follows:
457
458  \begin{equation}
459   \label{eq:res}
460    R = \max_{i=1, \dots, N}  \abs{X_i^{(k+1)} - X_i^k}
461 \end{equation}  
462 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.
463
464 \subsection{Synchronous Parallel Iterative method} 
465 \label{ch1:3:1}
466 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, $X^k=(X_1^k,\dots,X_M^k)$. 
467 Each sub-vector can be solved  independently one computing units as follows:
468
469 \begin{equation}
470   \label{eq:subvector}
471    X_i^{k+1}= F_i(X_1^k,\dots,X_M^k)  \hspace{1cm} where \hspace{0.2cm} i=1,\dots, M
472 \end{equation}
473
474 Where $X_i^k$ is the sub-vector executed over the $i^{th}$ computing unit at the iteration $k$.
475
476 \begin{algorithm}[h!]
477 \begin{algorithmic}[1]
478   
479   \State Initialize the sub-vectors $(X_1^0,\dots,X_M^0)$ randomly  
480     \For {$k:=1$  step $1$ to \textit{convergence}}
481        \For {$i:=1$   to \textit{M}}
482         \State $X^{(k+1)} = F(X^k)$
483       \EndFor
484     \EndFor  
485
486    
487    \end{algorithmic}
488    \caption{The synchronous parallel iterative algorithm}
489   \label{spia}
490 \end{algorithm}
491
492
493
494
495
496 The algorithm \ref{spia}, represents the synchronous parallel iterative algorithm. In contrast to 
497 sequential iterative algorithm, algorithm \ref{spia}, stops its iterations when the convergence condition  is satisfied. It computes the residual value $R$ as follows: 
498
499 \begin{equation}
500  \label{eq:res_syn}
501    R = \max_{i=1, \dots, M}  (\max_{j=1, \dots, m}\abs{X_{ij}^{(k+1)} - X_{ij}^k})
502 \end{equation}
503 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
504 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 reduce to one maximum  value represented by the  global residual, which is represent the global maximum errors overall maximum local errors from $M$ computing units. Where $m$ is the size of the $i$  sub-vector.
505 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.
506
507
508 \begin{figure}[h!]
509 \centering
510 \includegraphics[scale=0.75]{fig/ch1/sisc.pdf}
511 \caption{The SICS Model}
512 \label{fig:ch1:15}
513 \end{figure}
514
515
516 In synchronous iterative algorithm, computing processors needs to communicate with each other to 
517 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 
518 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 used 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 is wasted 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.
519 For this reason, this algorithm is effectively implemented over a local cluster where a high speed local network is exist to reduce these idle times.  
520
521
522 \begin{figure}[h!]
523 \centering
524 \includegraphics[scale=0.75]{fig/ch1/siac.pdf}
525 \caption{The SIAS Model}
526 \label{fig:ch1:16}
527 \end{figure}
528
529 The communications of the synchronous iterative algorithm can be implemented asynchronously. Therefore, this algorithm is called the synchronous iteration and asynchronous 
530 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.
531 Moreover, each computing unit not has to wait for its neighbours to receive the data messages 
532 that its has sent, while it only waits for receiving the  data from them. This can be implemented in SISC algorithm by replacing the synchronous send of the messages by asynchronous ones and keeps 
533 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
534 with computations, see figure \ref{fig:ch1:16}. The idle times are not totally eliminated  because the
535 fast computing nodes have to wait for slow ones to send their data messages. 
536 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.
537
538
539  
540 \subsection{Asynchronous Parallel Iterative method} 
541 \label{ch1:3:2}
542 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
543 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 
544 for data delivery from each other, there are not existence for the idle times at all between the iterations, see figure \ref{fig:ch1:17}. As shown in this figure, the fast processors can perform more iterations than the others at the same time. 
545 The asynchronous iterative algorithm uses asynchronous communications and called  \textbf{AIAC} algorithm. As same as in 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. 
546 However, there are two mechanisms to update the data vectors in AIAC algorithm:
547  \begin{itemize}
548  \item  The local vectors can be updated randomly on the order of $M$ computing units.
549         This leads to some of these local vectors to not update at a certain time. 
550  \item  According to the time period $t$, each computing unit checks if one of the its 
551         dependencies components have been updated. If the computing node detects any update 
552         case, it updates its own local vector data using the last received data messages.
553         Otherwise, it does nothing at the time $t$.
554  \end{itemize}
555
556
557 \begin{figure}[h!]
558 \centering
559 \includegraphics[scale=0.75]{fig/ch1/aiac.pdf}
560 \caption{The AIAC Model}
561 \label{fig:ch1:17}
562 \end{figure}
563
564 The global convergence of the parallel iterative method depend on the scientific application.
565 For more information about the convergence detection techniques of the asynchronous iterative methods,
566 we refer to \cite{ref40,ref41,ref42,ref43} for more details. 
567
568
569 The implementation of the AIAC method is not easy, but it gives many advantages over the traditional synchronous iterative method:
570
571 \begin{itemize}
572 \item It prevents the existence of the  idle times because each processor not has to wait 
573       for the others to receive the data messages. Then, no idle times between each two  
574       successive iterations.
575       
576 \item Less sensitive for the heterogeneous communications and nodes' computing powers. In a 
577       heterogeneous platform, the fast nodes not have to wait for the slow ones and so it 
578       performs more iterations than them. While in the traditional synchronous iterative 
579       methods, the fast computing nodes perform the same number of iterations as the slow ones
580       because they are blocked together. 
581
582 \item The loss of the data messages is totally tolerant because each computing unit is not 
583       blocked with the others. If the message is lost, the destination node not has to wait  
584       for this data message and it uses the last received data to perform its iteration  
585       independently.
586       
587 \item In the distributed grid architecture, the local clusters from different sites are 
588       connected via slow network with a high latency. The use of the AIAC model reduces the
589       delay of sending the data message over such slow network link and thus the performance 
590       of the applications is improved.
591 \end{itemize}
592
593
594 In addition to the difficulty of applying the asynchronous iterative method, it has some 
595 disadvantages as follows:
596
597 \begin{itemize}
598 \item It is not compatible to all types of the iterative applications because some of these 
599       applications need to receive the data messages from its neighbours at each iteration.   
600       Therefore, they required a fix number of iterations to converge. Otherwise, the 
601       application is perform  infinity number of iterations  and then all of the system 
602       is crash. 
603  
604 \item The application of the asynchronous iterative method requires more iterations compared 
605       to the synchronous ones to converge  when it is executed over the local cluster. 
606       The increase in the number of  the iterations may increases proportionally 
607       the execution time of the application. 
608       Especially, the local computing cluster uses a high speed network, then running the 
609       synchronous version over such platform is quicker to converge.
610     
611 \item While the process not receive the new data messages at each iteration, the mechanism of 
612        synchronous iterative methods for detecting the global convergence cannot be used for 
613       asynchronous ones. Therefore, in AIAC algorithm a process can performs many iterations    
614       without receiving any data messages from its neighbours. The absence of receiving new 
615       data messages makes the data component not vary at the computing units and thus it detect 
616       a false local convergence. This mean that the local residual value is less than the   
617       required threshold. This fake convergence is conflicted at the reception of the first data message 
618       because the local subsystem will locally diverges after computing the next iteration. 
619       Therefore, special mechanisms are required for detecting the global convergence of a parallel 
620       iterative algorithm implemented according to the asynchronous iteration model.
621
622
623 \end{itemize}
624
625 Generally, the interested readers can find more details about both of synchronous and asynchronous 
626 iterative methods in \cite{ref44,ref45}.
627
628 In our works, we are interested to implement both of a synchronous and asynchronous 
629 iterative methods for solving different problems over local homogeneous cluster, local heterogeneous cluster and distributed grid. Then, the process of optimizing their energy consumptions and performance is the main objective of this work as shown in the coming chapters. 
630
631
632 \section{The energy consumption model of the parallel applications } 
633 \label{ch1:4}
634
635 Many researchers~\cite{ref46,ref47,ref48,ref49} divide the power consumed by a processor into
636 two power metrics: the static and the dynamic power.  While the first one is
637 consumed as long as the computing unit is on, the latter is only consumed during
638 computation times.  The dynamic power $P_{dyn}$ is related to the switching
639 activity $\alpha$, load capacitance $C_L$, the supply voltage $V$ and
640 operational frequency $F$, as shown in EQ~(\ref{eq:pd}).
641 \begin{equation}
642   \label{eq:pd}
643   P_\textit{dyn} = \alpha \cdot C_L \cdot V^2 \cdot F
644 \end{equation}
645 The static power $P_{static}$ captures the leakage power as follows:
646 \begin{equation}
647   \label{eq:ps}
648    P_\textit{static}  = V \cdot N_{trans} \cdot K_{design} \cdot I_{leak}
649 \end{equation}
650 Where V is the supply voltage, $N_{trans}$ is the number of transistors,
651 $K_{design}$ is a design dependent parameter and $I_{leak}$ is a
652 technology-dependent parameter.  
653
654
655 The dynamic voltage and frequency scaling technique (\textbf{DVFS}) is a process that is allowed in modern processors to reduce the dynamic
656 power by scaling down the voltage and frequency.  Its main objective is to
657 reduce the overall energy consumption~\cite{ref77}.  The operational frequency $F$
658 depends linearly on the supply voltage $V$ as follows:
659 \begin{equation} 
660 \label{eq:v}
661 V = \beta \cdot F
662 \end{equation}
663
664  Where $\beta$ is some of constant.  This equation is used to study the change of the dynamic
665 voltage with respect to various frequency values in~\cite{ref47}.  The reduction
666 process of the frequency can be expressed by the scaling factor $S$ which is the
667 ratio between the maximum and the new frequency as in EQ~(\ref{eq:s}).
668 \begin{equation}
669   \label{eq:s}
670  S = \frac{F_\textit{max}}{F_\textit{new}}
671 \end{equation}
672 The value of the scaling factor $S$ is greater than 1 when changing the
673 frequency of the CPU to any new frequency value~(\emph{P-state}) in the
674 governor.  The CPU governor is an interface driver supplied by the operating
675 system's kernel to lower a core's frequency \cite{ref8}.  
676
677 Depending on the equation \ref{eq:s}, the new frequency $F_{new}$ can be calculates as follows:
678
679 \begin{equation}
680   \label{eq:fnew}
681   F_\textit{new}= S^{-1} \cdot  F_\textit{max}
682 \end{equation}
683
684
685 Replacing $V$  in \ref{eq:pd} as in \ref{eq:v} gives the following equation of the dynamic power consumption
686 as a function of the constant $\beta$ instead of $V$: 
687
688 \begin{equation}
689   \label{eq:pd-beta}
690    P_{dyn}= \alpha \cdot C_L \cdot (\beta \cdot F) ^2 \cdot  F  =\alpha \cdot C_L \cdot \beta^2 \cdot  F^3
691 \end{equation}
692
693 Replacing $F_{new}$ in \ref{eq:pd-beta} as in \ref{eq:fnew} gives the following equation for dynamic power consumption:
694
695 \begin{multline}
696   \label{eq:pdnew}
697    P_{dynNew} = \alpha \cdot C_L \cdot \beta^2 \cdot  F_{new}^3 = 
698    \alpha \cdot C_L \cdot \beta^2 \cdot  F_{max}^3 \cdot S^{-3} =
699    \alpha \cdot C_L \cdot (\beta \cdot  F_{max})^2 \cdot F_{max} \cdot S^{-3} \\
700    {} =\alpha \cdot C_L \cdot V^2 \cdot F_{max} \cdot S^{-3} = P_{dyn} \cdot S^{-3}
701 \end{multline}
702
703 Where $P_{dynNew}$  and $P_{dyn}$ are the  dynamic power consumed with the
704 new frequency and the maximum frequency respectively.
705
706 According to (\ref{eq:pdnew}) the dynamic power is reduced by a factor of
707 $S^{-3}$ when reducing the frequency of a processor by a factor of $S$.
708 The energy consumption is measured in Joule, and can be calculated by
709 multiplying the power consumption, measured in watts, by the  execution time of the program as follows:
710
711 \begin{equation}
712   \label{eq:E}
713   Energy = Power \cdot T
714 \end{equation}
715
716 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:
717
718 \begin{equation}
719   \label{eq:Edyn}
720    E_{dynNew} = P_{dyn} \cdot S^{-3} \cdot (T \cdot S)= S^{-2} \cdot P_{dyn} \cdot  T
721 \end{equation}
722
723
724 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:
725 \begin{equation}
726   \label{eq:Estatic}
727    E_{static} = S \cdot  P_{static}  \cdot T
728 \end{equation}
729
730
731 Therefore, the energy consumption of the individual task running over one processor can be computed as follows:
732 \begin{equation}
733  \label{eq:Eind}
734   E_{ind} =  E_{dynNew} + E_{static} = S^{-2} \cdot P_{dyn} \cdot  T + S \cdot  P_{static}  \cdot T
735 \end{equation}
736
737  
738 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 
739 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}).
740
741 \begin{equation}
742   \label{eq:energy}
743   E_\textit{~all~tasks} = P_\textit{dyn} \cdot S_1^{-2} \cdot
744     \left( T_1 + \sum_{i=2}^{N} \frac{T_i^3}{T_1^2} \right) +
745     P_\textit{static} \cdot T_1 \cdot S_1 \cdot N
746  \hfill
747 \end{equation}
748
749 Where $N$ is the number of parallel nodes, $T_i$  for $i=1,\dots,N$ are
750 the execution times of the sorted tasks.  Therefore, $T1$ is
751 the time of the slowest task, and $S_1$ its scaling factor which should be the
752 highest because they are proportional to the time values $T_i$. 
753 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. 
754
755 There are two drawbacks of this energy model as follows:
756 \begin{itemize}
757 \item The message passing iterative program consists of the communication and computation times.
758       This energy model is assumed that the dynamic power consumes during both these times.
759       While the processor during the communication times involved remain idle and only consumes the static 
760       power, for more details see \cite{ref53}. 
761
762
763 \item It is not well adapted to a heterogeneous architectures when there are different 
764       types of the processors, which are consumed different dynamic and static powers. Then, this model is 
765       not able to measured the energy consumption of all the parallel system  because it depends on 
766       one value of the static and dynamic powers.
767 \end{itemize}
768
769 Therefore, one of the more important goals of this work is to develop an energy models that 
770 take into account 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 are local or distributed computing clusters.  
771
772 \section{Conclusion}
773 \label{ch1:5}
774 In this chapter, we have presented different types of parallelism levels that can be implemented in  software and hardware techniques. Furthermore, the types of the parallel architectures are demonstrated and classified according to how the computing units are connected to a memory model.  
775 Both of the shared and distributed platforms are demonstrated and depending on them we have categorized the parallel programming models. 
776 The two types of parallel iterative methods, the synchronous and asynchronous iterative methods, are described. 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. 
777 The energy optimization of running these two types of the parallel iterative methods over distributed platforms is the objective of this work. Consequently, 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 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 the heterogeneous architectures when there are different types of the processors, which are consumed different dynamic and static powers.
778
779 However, in the next chapters of this thesis a new energy consumption models are developed, which they use for modeling and measuring the energy consumptions by a parallel iterative methods running on both homogeneous and heterogeneous architectures.