]> AND Private Git Repository - book_gpu.git/blob - BookGPU/Chapters/chapter6/PartieSync.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
new
[book_gpu.git] / BookGPU / Chapters / chapter6 / PartieSync.tex
1 \section{General scheme of synchronous code with computation/communication
2   overlapping in GPU clusters}\label{ch6:part1}
3
4 %Notre     chapitre     précédent      sur     l'optimisation     des     schémas
5 %parallèles~\cite{ChVCV13}.
6
7 \subsection{Synchronous parallel algorithms on GPU clusters}
8
9 %\subsubsection{Considered parallel algorithms and implementations}
10
11 \noindent {\bf Considered parallel algorithms and implementations}
12 \medskip
13
14 This section focuses on synchronous parallel algorithms implemented with
15 overlapping computations and communications\index{overlap!computation and communication}. Parallel synchronous algorithms are
16 easier to implement, debug, and maintain than asynchronous ones (see
17 Section~\ref{ch6:part2}). Usually, they follow a BSP-like parallel
18 scheme\index{BSP parallel scheme} (Bulk Synchronous Parallel model),
19 alternating local computation steps and communication steps
20 (see~\cite{Valiant:BSP}). Their execution is usually deterministic, except
21 for stochastic algorithms that contain random number generations. Even in
22 this case, their execution can be controlled during debug steps, allowing the
23 user to track and to fix bugs quickly.
24
25 However, depending on the properties of the algorithm, it is sometimes possible to
26 overlap computations and communications. If processes exchange data
27 that is not needed for the
28 computation immediately following, it is possible to implement such
29 an overlap. We have investigated the efficiency of this approach in previous
30 works~\cite{GUSTEDT:2007:HAL-00280094:1,ChVCV13}, using standard parallel
31 programming tools to achieve the implementation.
32
33 The normalized and well-known Message Passing Interface (MPI\index{MPI}) includes some asynchronous
34 point-to-point communication routines, that should allow the implementation of some
35 communication/computation overlap. However, current MPI implementations do not achieve
36 this goal efficiently; effective overlapping with MPI requires a group of
37 dedicated threads (in our case implemented with OpenMP\index{OpenMP}) for the basic
38 synchronous communications while another group of threads executes computations
39 in parallel.
40 % Finally, with explicit OpenMP
41 % threads executing MPI communications or various computations, we succeeded to
42 % decrease the execution time.
43 Nevertheless, communication and computation are not completely independent on
44 modern multicore architectures: they use shared hardware components such as the
45 interconnection bus and the RAM. Therefore, this approach saves only up to $20\%$
46 of the expected time on such a platform. This picture changes on clusters
47 equipped with GPUs. Indeed, GPUs effectively allow independence of computations they
48 perform and communications done on the mainboard (CPU, interconnection bus, RAM, network
49 card). We save up to $100\%$ of the expected time on our GPU cluster, as we
50 will expose in the next section.
51
52
53 %\subsubsection{Specific interests for GPU clusters}
54
55 \bigskip
56 \noindent {\bf Specific interests in GPU clusters}
57 \medskip
58
59 In a computing node, a GPU is a kind of scientific coprocessor, usually located
60 on an auxiliary board, with its own memory. So, once data are transferred
61 from the CPU memory to the GPU memory, GPU computations can be achieved on
62 the GPU board, totally in parallel with any CPU activities (such as internode cluster
63 communications). The CPU and the GPU access their respective memories and do not
64 interfere with each other, so they can achieve a very good overlap\index{overlap!computation
65 and computation} of their activities (better than two CPU cores).
66
67 But using a GPU on a computing node requires the transfer of data from the CPU to
68 the GPU memory, as well as the transfer of the computation results back from the GPU to the
69 CPU. Transfer times are not excessive, but depending on the application
70 they still can be significant compared to the GPU computation times. So, sometimes it
71 can be interesting to overlap the internode cluster communications with both the
72 CPU/GPU data transfers and the GPU computations. We can identify four main
73 parallel programming schemes on a GPU cluster:
74
75 \begin{enumerate}
76 \item parallelizing only internode CPU communications with GPU computations,
77   and achieving CPU/GPU data transfers before and after this parallel step,
78 \item parallelizing internode CPU communications with a (sequential) sequence
79   of CPU/GPU data transfers and GPU computations,
80 \item parallelizing internode CPU communications with a streamed sequence of
81   CPU/GPU data transfers and GPU computations,
82 \item parallelizing internode CPU communications with CPU/GPU data transfers
83   and with GPU computations, interleaving computation-communication
84   iterations.
85 \end{enumerate}
86
87
88 \subsection{Native overlap of CPU communications and GPU computations}
89
90 \begin{figure}[t]
91   \centering
92   \includegraphics{Chapters/chapter6/figures/Sync-NativeOverlap.pdf}
93   \caption{Native overlap of internode CPU communications with GPU computations.}
94   \label{fig:ch6p1overlapnative}
95 \end{figure}
96
97 Using CUDA\index{CUDA}, GPU kernel executions are nonblocking, and GPU/CPU data
98 transfers\index{CUDA!data transfer}
99 are blocking or nonblocking operations. All GPU kernel executions and CPU/GPU
100 data transfers are associated to "streams,"\index{CUDA!stream} and all operations on a same stream
101 are serialized. When transferring data from the CPU to the GPU, then running GPU
102 computations, and finally transferring results from the GPU to the CPU, there is
103 a natural synchronization and serialization if these operations are achieved on
104 the same stream. GPU developers can choose to use one (default) or several
105 streams. In this first scheme of overlapping, we consider parallel codes using
106 only one GPU stream.
107
108 ``Nonblocking  GPU  kernel  execution''  means  a CPU  routine  runs  a  parallel
109 execution of a GPU computing kernel, and the CPU routine continues its execution
110 (on the CPU) while the GPU kernel  is running (on the GPU). Then the CPU routine
111 can initiate some  communications with some other CPUs,  and so it automatically
112 overlaps  the  internode  CPU  communications  with the  GPU  computations  (see
113 \Fig{fig:ch6p1overlapnative}). This overlapping is natural when programming with
114 CUDA  and MPI:  it is  easy to  deploy, but  does not  overlap the  CPU/GPU data
115 transfers.
116
117 \Lst{algo:ch6p1overlapnative} introduces the generic code of a MPI+CUDA
118 implementation, natively and implicitly overlapping MPI communications with CUDA
119 GPU computations. 
120
121
122 %\begin{algorithm}[t]
123 %  \caption{Generic scheme implicitly overlapping MPI communications with CUDA GPU
124 %   computations}\label{algo:ch6p1overlapnative}
125 %\pagebreak
126 \begin{Listing}{algo:ch6p1overlapnative}{generic scheme implicitly overlapping MPI communications with CUDA GPU computations}
127 // Input data and result variables and arrays (example with
128 // float datatype, 1D input arrays, and scalar results)
129 float *cpuInputTabAdr, *gpuInputTabAdr;
130 float *cpuResTabAdr, *gpuResAdr;
131
132 // CPU and GPU array allocations
133 cpuInputTabAdr = malloc(sizeof(float)*N);
134 cudaMalloc(&gpuInputTabAdr,sizeof(float)*N);
135 cpuResTabAdr = malloc(sizeof(float)*NbIter);
136 cudaMalloc(&gpuResAdr,sizeof(float));
137
138 // Definition of the grid of blocks of GPU threads
139 dim3 Dg, Db;
140 Dg.x = ...
141 ...
142
143 // Indexes of source and destination MPI processes
144 int dest = ...
145 int src = ...
146
147 // Computation loop (using the GPU)
148 for (int i = 0; i < NbIter; i++) {
149   cudaMemcpy(gpuInputTabAdr, cpuInputTabAdr, // Data transfer:
150              sizeof(float)*N,                // CPU --> GPU (sync. op)
151              cudaMemcpyHostToDevice);
152   gpuKernel_k1<<<Dg,Db>>>();                 // GPU comp. (async. op)
153   MPI_Sendrecv_replace(cpuInputTabAdr,       // MPI comms. (sync. op)
154                        N,MPI_FLOAT,
155                        dest, 0, src, 0, ...);
156   // IF there is (now) a result to transfer from the GPU to the CPU:
157   cudaMemcpy(cpuResTabAdr + i, gpuResAdr,    // Data transfer:
158              sizeof(float),                  // GPU --> CPU (sync. op)
159              cudaMemcpyDeviceToHost);
160 }
161 ...
162 \end{Listing}
163 %\end{algorithm}
164
165
166
167 Some input data and output results arrays and variables are
168 declared and allocated from line~3 through 10, and a computation loop is
169 implemented from line~22 through 34. At each iteration:
170 \begin{itemize}
171 \item \texttt{cudaMemcpy} on line~23 transfers data from the CPU memory
172   to the GPU memory. This is a basic and synchronous data transfer.
173 \item \texttt{gpuKernel\_k1<<<Dg,Db>>>} on line~26 starts GPU computation
174   (running a GPU kernel on the grid of blocks of threads defined in lines~13 to
175   15). This is a standard GPU kernel run; it is an asynchronous operation. The
176   CPU can continue to run its code.
177 \item \texttt{MPI\_Sendrecv\_replace} on line~27 achieves some blocking
178   internode communications, overlapping GPU computations started just previously.
179 \item If needed, \texttt{cudaMemcpy} on line~31 transfers the iteration result from
180   one variable in the GPU memory to one array index in the CPU memory (in this example the CPU
181   collects all iteration results in an array). This operation is started after
182   the end of the MPI communication (previous instruction) and after the end of
183   the GPU kernel execution. CUDA insures an implicit synchronization of all
184   operations involving the same GPU stream, like the default stream in this
185   example. The transfer of the results has to wait until the GPU kernel execution is finished.
186   If there is no results transfer implemented, the next operation on the GPU
187   will wait until the GPU kernel execution has ended.
188 \end{itemize}
189
190 This implementation is the easiest one involving the GPU. It achieves an
191 implicit overlap of internode communications and GPU computations with no explicit
192 multithreading required on the CPU. However, CPU/GPU data transfers are
193 achieved serially and not overlapped.
194
195
196 \subsection{Overlapping with sequences of transfers and computations}
197
198 %\subsubsection{Overlapping with a sequential GPU sequence}
199
200 \noindent {\bf Overlapping with a sequential GPU sequence}
201 \medskip
202
203 \begin{figure}[t]
204   \centering
205   \includegraphics[width=\columnwidth]{Chapters/chapter6/figures/Sync-SeqSequenceOverlap.pdf}
206   \caption{Overlap of internode CPU communications with a sequence of CPU/GPU data transfers and GPU
207   computations.}
208   \label{fig:ch6p1overlapseqsequence}
209 \end{figure}
210
211 When CPU/GPU data transfers are not negligible compared to GPU computations, it
212 can be interesting to overlap internode CPU computations with a \emph{GPU
213   sequence}\index{GPU sequence} including CPU/GPU data transfers and GPU computations (see
214 \Fig{fig:ch6p1overlapseqsequence}). Algorithmic issues of this approach are basic,
215 but their implementation requires explicit CPU multithreading and
216 synchronization, and CPU data buffer duplication. We need to implement two
217 threads, one starting and achieving MPI communications and the other running
218 the \emph{GPU sequence}. OpenMP allows an easy and portable implementation of
219 this overlapping strategy. However, it remains more complex to develop and to
220 maintain than the previous strategy (overlapping only internode CPU
221 communications and GPU computations) and should be adopted only when CPU/GPU
222 data transfer times are not negligible.
223
224 \Lst{algo:ch6p1overlapseqsequence} introduces the generic code of a
225 MPI+OpenMP+CUDA implementation, explicitly overlapping MPI communications with
226 GPU sequences. 
227
228 %\begin{algorithm}
229 %  \caption{Generic scheme explicitly overlapping MPI communications with
230 %    sequences of CUDA CPU/GPU transfers and CUDA GPU
231 %    computations}\label{algo:ch6p1overlapseqsequence}
232 \begin{Listing}{algo:ch6p1overlapseqsequence}{generic scheme explicitly overlapping MPI communications with sequences of CUDA CPU/GPU transfers and CUDA GPU computations}
233 // Input data and result variables and arrays (example with
234 // float datatype, 1D input arrays, and scalar results)
235 float *cpuInputTabAdrCurrent, *cpuInputTabAdrFuture, *gpuInputTabAdr;
236 float *cpuResTabAdr, *gpuResAdr;
237
238 // CPU and GPU array allocations
239 cpuInputTabAdrCurrent = malloc(sizeof(float)*N);
240 cpuInputTabAdrFuture = malloc(sizeof(float)*N);
241 cudaMalloc(&gpuInputTabAdr,sizeof(float)*N);
242 cpuResTabAdr = malloc(sizeof(float)*NbIter);
243 cudaMalloc(&gpuResAdr,sizeof(float));
244
245 // Definition of the grid of blocks of GPU threads
246 dim3 Dg, Db;
247 Dg.x = ...
248 ...
249
250 // Indexes of source and destination MPI processes
251 int dest = ...
252 int src = ...
253
254 // Set the number of OpenMP threads (to create) to 2
255 omp_set_num_threads(2);
256 // Create threads and start the parallel OpenMP region
257 #pragma omp parallel
258 {
259   // Buffer pointers (thread local variables)
260   float *current = cpuInputTabAdrCurrent;
261   float *future = cpuInputTabAdrFuture;
262   float *tmp;
263
264   // Computation loop (using the GPU)
265   for (int i = 0; i < NbIter; i++) {
266
267     // - Thread 0: achieves MPI communications
268     if (omp_get_thread_num() == 0) {
269       MPI_Sendrecv(current,                  // MPI comms. (sync. op)
270                    N, MPI_FLOAT, dest, 0,
271                    future,
272                    N, MPI_FLOAT, dest, 0, ...);
273
274     // - Thread 1: achieves the GPU sequence (GPU computations and
275     //             CPU/GPU data transfers)
276     } else if (omp_get_thread_num() == 1) {
277       cudaMemcpy(gpuInputTabAdr, current,    // Data transfer:
278                  sizeof(float)*N,            // CPU --> GPU (sync. op)
279                  cudaMemcpyHostToDevice);
280       gpuKernel_k1<<<Dg,Db>>>();             // GPU comp. (async. op)
281     // IF there is (now) a result to transfer from the GPU to the CPU:
282       cudaMemcpy(cpuResTabAdr + i, gpuResAdr,// Data transfer:
283                  sizeof(float),              // GPU --> CPU (sync. op)
284                  cudaMemcpyDeviceToHost);
285     }
286
287     // - Wait until both threads have achieved their iteration tasks
288     #pragma omp barrier
289     // - Each thread permutes its local buffer pointers
290     tmp = current;
291     current = future;
292     future = tmp;
293   } // End of computation loop
294 } // End of OpenMP parallel region
295 ...
296 \end{Listing}
297 %\end{algorithm}
298
299 Lines~25--62 implement the OpenMP parallel region,
300 around the computation loop (lines~33--61). For efficient performances it is
301 important to create and destroy threads only one time (not at each iteration):
302 the parallel region has to surround the computation loop. Lines~3--11
303 consist of declaration and allocation of input data arrays and result arrays and
304 variables, as in the previous algorithm (\Lst{algo:ch6p1overlapnative}). However, we implement two input data buffers on the
305 CPU (current and future version). As we aim to overlap internode MPI
306 communications and GPU sequence, including CPU to GPU data transfer of current
307 input data array, we need to store the received new input data array in a
308 separate buffer. Then, the current input data array will be safely read on the
309 CPU and copied into the GPU memory.
310
311 The thread creations\index{OpenMP!thread creation} are easily achieved with one OpenMP directive (line~25). 
312 Then each thread defines and initializes \emph{its} local buffer pointers,
313 and enters \emph{its} computing loop (lines~28--33). Inside the computing
314 loop, a test on the thread number makes it possible to run a different code in each
315 thread. Lines~37--40 implement the MPI synchronous communication run by
316 thread number $0$. Lines~45--52 implement the GPU sequence run by thread
317 $1$: CPU to GPU data transfer, GPU computation, and GPU to CPU result
318 transfer (if needed). Details of the three operations of this sequence have not changed
319 from the previous overlapping strategy.
320
321 At the end of \Lst{algo:ch6p1overlapseqsequence}, an OpenMP synchronization
322 barrier\index{OpenMP!barrier} on line~56 forces the  OpenMP threads to wait until
323 MPI
324 communications and GPU sequence are achieved. %, and do not need to access the current input data buffer.
325 Then, each thread permutes its local buffer pointers (lines~58--60),
326 and is ready to enter the next iteration, processing the new current input
327 array.
328
329 %\subsubsection{Overlapping with a streamed GPU sequence}
330
331 \bigskip
332 %\pagebreak
333 \noindent {\bf Overlapping with a streamed GPU sequence}
334 \medskip
335
336 Depending on the algorithm implemented, it is sometimes possible to split the
337 GPU computation into several parts processing distinct data. Then, we can
338 speedup the GPU sequence using several CUDA streams\index{CUDA!stream}. The goal is
339 to overlap CPU/GPU data transfers with GPU computations\index{overlap!GPU data transfers with GPU computation} inside the GPU
340   sequence. Compared to the previous overlapping strategy, we have to split the
341 initial data transfer into a set of $n$ asynchronous and smaller data transfers,
342 and  split the initial GPU kernel call into a set of $n$ calls to the same GPU
343 kernel. Usually, these smaller calls are deployed with fewer GPU threads
344 (i.e., associated to a smaller grid of blocks of threads). Then, the first GPU
345 computations can start as soon as the first data transfer has been achieved, and
346 next transfers can be done in parallel with next GPU computations (see
347 \Fig{fig:ch6p1overlapstreamsequence}).
348
349 \begin{figure}[t]
350   \centering
351   \includegraphics[width=\columnwidth]{Chapters/chapter6/figures/Sync-StreamSequenceOverlap.pdf}
352   \caption{Overlap of internode CPU communications with a streamed sequence of CPU/GPU data
353   transfers and GPU computations.}
354   \label{fig:ch6p1overlapstreamsequence}
355 \end{figure}
356
357 NVIDIA advises  starting all asynchronous CUDA data transfers and then calling
358 all CUDA kernel executions, using up to $16$ streams \cite{cudabestpractices}.
359 Then, the CUDA driver and
360 runtime optimize the global execution of these operations. So, we accumulate two
361 overlapping mechanisms. The former is controlled by CPU multithreading and
362 overlaps MPI communications and the streamed GPU sequence. The latter is
363 controlled by CUDA programming and overlaps CPU/GPU data transfers and GPU
364 computations. Again, OpenMP allows the easy implementation of the CPU multithreading
365 and  waiting for the end of both CPU threads before executing the next instructions
366 of the code.
367
368 \Lst{algo:ch6p1overlapstreamsequence} introduces the generic MPI+OpenMP+CUDA
369 code,  explicitly overlapping MPI communications with
370 streamed GPU sequences\index{GPU sequence!streamed}.
371
372 %\begin{algorithm}
373 %  \caption{Generic scheme explicitly overlapping MPI communications with streamed sequences of CUDA
374 %  CPU/GPU transfers and CUDA GPU computations}\label{algo:ch6p1overlapstreamsequence}
375 \begin{Listing}{algo:ch6p1overlapstreamsequence}{generic scheme explicitly overlapping MPI communications with streamed sequences of CUDA CPU/GPU transfers and CUDA GPU computations}
376 // Input data and result variables and arrays (example with
377 // float datatype, 1D input arrays, and scalar results)
378 float *cpuInputTabAdrCurrent, *cpuInputTabAdrFuture, *gpuInputTabAdr;
379 float *cpuResTabAdr, *gpuResAdr;
380 // CPU and GPU array allocations (allocates page-locked CPU memory)
381 cudaHostAlloc(&cpuInputTabAdrCurrent,sizeof(float)*N,cudaHostAllocDefault);
382 cudaHostAlloc(&cpuInputTabAdrFuture,sizeof(float)*N,cudaHostAllocDefault);
383 cudaMalloc(&gpuInputTabAdr,sizeof(float)*N);
384 cpuResTabAdr = malloc(sizeof(float)*NbIter);
385 cudaMalloc(&gpuResAdr,sizeof(float));
386 // Stream declaration and creation
387 cudaStream_t TabS[NbS];
388 for(int s = 0; s < NbS; s++)
389   cudaStreamCreate(&TabS[s]);
390 // Definition of the grid of blocks of GPU threads
391 ...
392 // Set the number of OpenMP threads (to create) to 2
393 omp_set_num_threads(2);
394 // Create threads and start the parallel OpenMP region
395 #pragma omp parallel
396 {
397   // Buffer pointers (thread local variables)
398   float *current = cpuInputTabAdrCurrent;
399   float *future = cpuInputTabAdrFuture;
400   float *tmp;
401   // Stride of data processed per stream
402   int stride = N/NbS;
403   // Computation loop (using the GPU)
404   for (int i = 0; i < NbIter; i++) {
405     // - Thread 0: achieves MPI communications
406     if (omp_get_thread_num() == 0) {
407       MPI_Sendrecv(current,             // MPI comms. (sync. op)
408                    N, MPI_FLOAT, dest, 0,
409                    future,
410                    N, MPI_FLOAT, dest, 0, ...);
411     // - Thread 1: achieves the streamed GPU sequence (GPU 
412     //   computations and CPU/GPU data transfers)
413     } else if (omp_get_thread_num() == 1) {
414       for (int s = 0; s < NbS; s++) {   // Start all data transfers:
415         cudaMemcpyAsync(gpuInputTabAdr + s*stride, // CPU --> GPU
416                         current + s*stride,        // (async. ops)
417                         sizeof(float)*stride,
418                         cudaMemcpyHostToDevice,
419                         TabS[s]);
420       }
421       for (int s = 0; s < NbS; s++) { // Start all GPU comps. (async.)
422         gpuKernel_k1<<<Dg, Db, 0, TabS[s]>>>(gpuInputTabAdr + s*stride);
423       }
424       cudaThreadSynchronize();          // Wait all threads are ended
425    // IF there is (now) a result to transfer from the GPU to the CPU:
426       cudaMemcpy(cpuResTabAdr,          // Data transfers:
427                  gpuResAdr,             // GPU --> CPU (sync. op)
428                  sizeof(float),
429                  cudaMemcpyDeviceToHost);
430     }
431     // - Wait until both threads have achieved their iteration tasks
432     #pragma omp barrier
433     // - Each thread permutes its local buffer pointers
434     tmp = current; current = future; future = tmp;
435   } // End of computation loop
436 } // End of OpenMP parallel region
437 ...
438 // Destroy the streams
439 for(int s = 0; s < NbS; s++)
440   cudaStreamDestroy(TabS[s]);
441 ...
442 \end{Listing}
443 %\end{algorithm}
444
445 Efficient usage of CUDA streams requires  executing
446 asynchronous CPU/GPU data transfers, which implies reading page-locked
447 data\index{page-locked data} in CPU memory. So, CPU
448 memory allocations on lines~6 and 7 are implemented with \texttt{cudaHostAlloc} instead of
449 the basic \texttt{malloc} function. Then, $NbS$ \emph{streams} are created on lines~12--14.
450 Usually we create $16$ streams: the maximum number supported by CUDA.
451
452 An OpenMP parallel region\index{OpenMP!parallel region} including two threads is implemented on lines~18--61 of
453 \Lst{algo:ch6p1overlapstreamsequence}, as in the previous algorithm (see
454 \Lst{algo:ch6p1overlapseqsequence}). Code of thread $0$ achieving MPI communication is unchanged, but
455 code of thread $1$ is now using streams. Following NVIDIA recommandations, we first implement
456 a loop starting $NbS$ asynchronous data transfers (lines~39--45): transferring $N/NbS$ data on
457 each stream. Then we  implement a second loop (lines~46--48), starting asynchronous
458 executions of $NbS$ grids of blocks of GPU threads (one per stream). Data transfers and kernel
459 executions on the same stream are synchronized by CUDA and the GPU. So, each kernel execution will
460 start after its data has been transferred into the GPU memory, and the GPU
461 scheduler ensures the start of
462 some kernel executions as soon as the first data transfers are achieved. Then, next data transfers
463 will be overlapped with GPU computations. After the kernel calls, on the different streams,
464 we wait for the end of all GPU threads previously run, calling an explicit synchronization
465 function on line~49. This synchronization is not mandatory, but it will make the implementation more
466 robust and will facilitate the debugging steps: all GPU computations run by the OpenMP thread number
467 $1$ will be achieved before this thread enters a new loop iteration, or before the computation
468 loop has ended.
469
470 If a partial result has to be transferred from GPU to CPU memory  at the end of each loop iteration
471 (for example, the result of one \emph{reduction} per iteration), this transfer is achieved
472 synchronously on  the default stream (no particular stream is specified) on lines~51--54.
473 Availability of the result values is ensured by the synchronization implemented on line~49.
474 However, if a partial result has to be transferred onto the CPU on each stream, then $NbS$ asynchronous data
475 transfers could be started in parallel (one per stream) and should be implemented before the
476 synchronization operation on line~49. The end of the computation loop includes a synchronization
477 barrier of the two OpenMP threads, waiting until they have finished accessing the different data
478 buffers in the current iteration. Then, each OpenMP thread exchanges its local buffer pointers, as
479 in the previous algorithm. After the computation loop, we have added the
480 destruction of the CUDA streams (lines~64--65).
481
482 In  conclusion,  CUDA  streams\index{CUDA!stream}   have  been  used  to  extend
483 \Lst{algo:ch6p1overlapseqsequence}     with     respect     to    its     global
484 scheme. \Lst{algo:ch6p1overlapstreamsequence}  still creates an  OpenMP parallel
485 region, with two CPU threads, one  in charge of MPI communications and the other
486 managing data  transfers and GPU computations. Unfortunately,  using GPU streams
487 requires  the ability  to split  a  GPU computation  into independent  subparts,
488 working on  independent subsets of  data.  \Lst{algo:ch6p1overlapstreamsequence}
489 is not so generic as \Lst{algo:ch6p1overlapseqsequence}.
490
491
492 \subsection{Interleaved communications-transfers-computations\\overlapping}
493
494 Many algorithms do not support splitting data transfers and kernel calls, and
495 cannot exploit CUDA streams, for example, when each GPU thread requires access to
496 some data spread in the global set of transferred data. Then, it is possible to
497 overlap internode CPU communications, CPU/GPU data transfers, and GPU
498 computations, if the algorithm achieves \emph{computation-communication
499   iterations} and if we can interleave these iterations. At iteration $k$: CPUs
500 exchange data $D_k$, each CPU/GPU couple transfers data $D_k$, and each GPU
501 achieves computations on data $D_{k-1}$ (see
502 \Fig{fig:ch6p1overlapinterleaved}). Compared to the previous strategies, this
503 strategy requires twice as many CPU data buffers
504 and twice as many GPU buffers.
505
506 \begin{figure}[t]
507   \centering
508   \includegraphics{Chapters/chapter6/figures/Sync-CompleteInterleaveOverlap.pdf}
509   \caption{Complete overlap of internode CPU communications, CPU/GPU data transfers, and GPU
510   computations, interleaving computation-communication iterations.}
511   \label{fig:ch6p1overlapinterleaved}
512 \end{figure}
513
514 \Lst{algo:ch6p1overlapinterleaved} introduces the generic code of a
515 MPI+OpenMP+CUDA implementation, explicitly interleaving
516 computation-communication iterations and overlapping MPI communications, CUDA CPU/GPU
517 transfers, and CUDA GPU computations. 
518
519 %\begin{algorithm}
520 %  \caption{Generic scheme explicitly overlapping MPI communications, CUDA CPU/GPU transfers and CUDA
521 %  GPU computations, interleaving computation-communication iterations}\label{algo:ch6p1overlapinterleaved}
522 \begin{Listing}{algo:ch6p1overlapinterleaved}{generic scheme explicitly overlapping MPI communications, CUDA CPU/GPU transfers, and CUDA GPU computations, interleaving computation-communication iterations}
523 // Input data and result variables and arrays (example with
524 // float datatype, 1D input arrays, and scalar results)
525 float *cpuInputTabAdrCurrent, *cpuInputTabAdrFuture;
526 float *gpuInputTabAdrCurrent, *gpuInputTabAdrFuture;
527 float *cpuResTabAdr, *gpuResAdr;
528
529 // CPU and GPU array allocations
530 cpuInputTabAdrCurrent = malloc(sizeof(float)*N);
531 cpuInputTabAdrFuture = malloc(sizeof(float)*N);
532 cudaMalloc(&gpuInputTabAdrCurrent,sizeof(float)*N);
533 cudaMalloc(&gpuInputTabAdrFuture,sizeof(float)*N);
534 cpuResTabAdr = malloc(sizeof(float)*NbIter);
535 cudaMalloc(&gpuResAdr,sizeof(float));
536
537 // Definition of the grid of blocks of GPU threads
538 dim3 Dg, Db; Dg.x = ...
539 // Indexes of source and destination MPI processes
540 int dest, src; dest = ...
541
542 // Set the number of OpenMP threads (to create) to 2
543 omp_set_num_threads(3);
544 // Create threads and start the parallel OpenMP region
545 #pragma omp parallel
546 {
547   // Buffer pointers (thread local variables)
548   float *cpuCurrent = cpuInputTabAdrCurrent;
549   float *cpuFuture  = cpuInputTabAdrFuture;
550   float *gpuCurrent = gpuInputTabAdrCurrent;
551   float *gpuFuture  = gpuInputTabAdrFuture;
552   float *tmp;
553
554   // Computation loop on NbIter + 1 iterations
555   for (int i = 0; i < NbIter + 1; i++) {
556     // - Thread 0: achieves MPI communications
557     if (omp_get_thread_num() == 0) {
558       if (i < NbIter) {
559         MPI_Sendrecv(cpuCurrent,            // MPI comms. (sync. op)
560                      N, MPI_FLOAT, dest, 0,
561                      cpuFuture,
562                      N, MPI_FLOAT, dest, 0, ...);
563       }
564     // - Thread 1: achieves the CPU/GPU data transfers
565     } else if (omp_get_thread_num() == 1) {
566       if (i < NbIter) {
567         cudaMemcpy(gpuFuture, cpuCurrent,   // Data transfer:
568                    sizeof(float)*N,         // CPU --> GPU (sync. op)
569                    cudaMemcpyHostToDevice);
570       }
571     // - Thread 2: achieves the GPU computations and result transfer
572     } else if (omp_get_thread_num() == 2) {
573       if (i > 0) {
574         gpuKernel_k1<<<Dg,Db>>>(gpuCurrent);// GPU comp. (async. op)
575         // IF there is (now) a result to transfer from GPU to CPU:
576         cudaMemcpy(cpuResTabAdr + (i-1),    // Data transfer:
577                    gpuResAdr, sizeof(float),// GPU --> CPU (sync. op)
578                    cudaMemcpyDeviceToHost);
579       }
580     }
581     // - Wait until both threads have achieved their iteration tasks
582     #pragma omp barrier
583     // - Each thread permutes its local buffer pointers
584     tmp = cpuCurrent; cpuCurrent = cpuFuture; cpuFuture = tmp;
585     tmp = gpuCurrent; gpuCurrent = gpuFuture; gpuFuture = tmp;
586   } // End of computation loop
587 } // End of OpenMP parallel region
588 ...
589 \end{Listing}
590 %\end{algorithm}
591
592 As in the previous algorithms, we declare two CPU input data arrays
593 (current and future version) on line~3. However, in this version we also declare two GPU input data arrays on line~4. On
594 lines~8--11, these four data arrays are allocated, using \texttt{malloc} and
595 \texttt{cudaMalloc}.
596 We do not need to allocate page-locked memory space. On lines~23--65 we
597 create an OpenMP parallel region, configured to run three threads (see line~21). Lines~26--30 are
598 declarations of thread local pointers on data arrays and variables (each thread will use its own
599 pointers). On line~33, the three threads enter a computation loop of \texttt{NbIter + 1}
600 iterations. We need to run one more iteration than with previous algorithms.
601
602 Lines~35--41 are the MPI communications, achieved by the thread number $0$. They send the
603 current CPU input data array to another CPU, and receive the future CPU input data array from
604 another CPU, like in previous algorithms. But this thread achieves communications only during the
605 \emph{first} \texttt{NbIter} iterations. Lines~43--48 are the CPU to GPU input data
606 transfers, achieved by thread number $1$. These data transfers are run in parallel with MPI
607 communications. They are run during the \emph{first} \texttt{NbIter} iterations and transfer
608 current CPU input data array into the future GPU data array. Lines~50--57
609 correspond to the code run by
610 thread number $2$. They start GPU computations, process the current GPU input data array, and if
611 necessary
612 transfer a GPU result to an index of the CPU result array. These GPU computations and result
613 transfers are run during the \emph{last} \texttt{NbIter} iterations: the GPU computations
614 have to wait until the first data transfer is ended before starting to process any data and cannot run
615 during the first iteration. So, the activity of the third thread is shifted by one iteration
616 compared to the activities of the other threads. Moreover, the address of the current GPU input data
617 array has to be passed as a parameter of the kernel call on line~52, in order
618 for the GPU threads to access
619 the right data array. As in previous algorithms the GPU result is copied to one index of the CPU
620 result array, in lines~54--56, but due to the shift of the third thread activity this index is
621 now \texttt{(i - 1)}.
622
623 Line~60 is a synchronization barrier\index{OpenMP!barrier} of the three OpenMP threads, followed by a pointer permutation
624 of local pointers on current and future data arrays, on line~62 and 63. Each
625 thread waits for the completion of other
626 threads to use the data arrays, and then permutes its data array pointers before 
627 entering a new loop iteration.
628
629 This complete overlap of MPI communications, CPU/GPU data transfers, and GPU computations is not
630 too complex to implement, and can be a solution when GPU computations are not adapted to use CUDA
631 streams: when GPU computations cannot be split into subparts working on independent subsets of input
632 data. However, this requires running one more iteration (a total of \texttt{NbIter + 1}
633 iterations). If the number of iterations is very small, it could be more interesting not to
634 attempt to overlap CPU/GPU data transfers and GPU computations, and to implement \Lst{algo:ch6p1overlapseqsequence}.
635
636
637 \subsection{Experimental validation}
638 \label{ch6:p1expes}
639 %\subsubsection{Experimentation testbed}
640
641 \noindent {\bf Experimentation testbed}
642 \medskip
643
644 Two clusters located at SUPELEC in Metz (France) have been used for the entire set of
645 experiments presented in this chapter:
646 %
647 \begin{itemize}
648
649 \item The first consists of 17 nodes with an Intel Nehalem quad-core processor
650   at 2.67Ghz, 6 Gb RAM, and an NVIDIA GeForce GTX480 GPU, each.
651
652 \item The second consists of 16 nodes with an Intel core2 dual-core processor at
653   2.67Ghz, 4 Gb RAM, and an NVIDIA GeForce GTX580 GPU, each.
654
655 \end{itemize}
656 %
657 Both clusters have a gigabit Ethernet interconnection network that is connected
658 through a Dell Power Object 5324 switch. The two switches are linked twice,
659 ensuring the interconnection of the two clusters.  The software environment
660 consists of a Linux Fedora 64bit OS (kernel v. 2.6.35), GNU C and C++ compilers
661 (v. 4.5.1), and the CUDA library (v. 4.2).
662
663 %\subsubsection{Validation of the synchronous approach}
664
665 \bigskip
666 \noindent {\bf Validation of the synchronous approach}
667 \medskip
668
669 \begin{figure}[t]
670   \centering
671   \includegraphics{Chapters/chapter6/curves/gpuSyncOverlap.pdf}
672   \caption{Experimental performances of different synchronous algorithms computing a
673     dense matrix product.}
674   \label{fig:ch6p1syncexpematrixprod}
675 \end{figure}
676
677 \label{ch6:p1block-cyclic}
678 We have tested our approach of synchronous parallel algorithms with a classic
679 block cyclic algorithm for dense matrix multiplication\index{matrix
680   multiplication!block cyclic}. This problem requires splitting two input matrices ($A$ and $B$) on a ring of
681 computing nodes and  establishing a circulation of the slices of $A$ matrix on the ring ($B$ matrix
682 partition does not evolve during all the run). Compared to our generic algorithms, there is no
683 partial result to transfer from GPU to CPU at the end of each computing iteration. The part of the
684 result matrix computed on each GPU is transferred onto the CPU at the end of the computation loop.
685
686 We have first implemented a synchronous version without any overlap of MPI communications, CPU/GPU
687 data transfers, and GPU computations. We have added some synchronizations in the native overlapping
688 version in order to avoid any overlap. We have measured the performance achieved on our cluster with
689 NVIDIA GTX480 GPUs and matrices sizes of 4096$\times$4096, and we have obtained the curves in \Fig{fig:ch6p1syncexpematrixprod} labeled
690 \emph{no-ovlp}. We observe that performance increases when the number of processor increases. Of course,
691 there is a significant increase in cost when comparing a single node (without any MPI communication) with
692 two nodes (starting to use MPI communications). But beyond two nodes we get a classical performance
693 curve.
694
695 Then, we implemented and tested \Lst{algo:ch6p1overlapnative}, labeled
696 \emph{ovlp-native} in \Fig{fig:ch6p1syncexpematrixprod}. The native
697 overlap of MPI communications with the asynchronous run of CUDA kernels appears efficient. When the
698 number of nodes increases the ratio of the MPI communications increases a lot (because the
699 computation times decrease a lot). So, there is not a lot of GPU computation
700 time that remains to be
701 overlapped, and both \emph{no-ovlp} and \emph{ovlp-native} tend to the same
702 limit. Already, the native overlap performed in \Lst{algo:ch6p1overlapnative}
703 achieves a high level of performance very quickly, using only four
704 nodes. Beyond four nodes, a faster interconnection network would be required for
705 a performance increase.
706
707 Finally, we implemented \Lst{algo:ch6p1overlapseqsequence}, overlapping MPI communications
708 with a GPU sequence including both CPU/GPU data transfers and GPU computations,
709 labeled \emph{ovlp-GPUsequence} in \Fig{fig:ch6p1syncexpematrixprod}. From four
710 up to sixteen nodes it achieves better performances than \emph{ovlp-native}: the
711 overlapping of MPI communications is wider and thus more efficient. However, this parallelization mechanism has more overhead: OpenMP threads
712 have to be created and synchronized. With only two nodes it is less efficient than the native
713 overlapping algorithm. Beyond two nodes, the CPU multithreading overhead seems compensated.
714 % No, it doesn't need the more implementation of time, but more implementation
715 % of code :)
716 \Lst{algo:ch6p1overlapseqsequence} requires more time for the implemention
717 and can be more complex to maintain, but such extra development cost is
718 justified if we are looking for better performance.
719
720
721 %%% Local Variables:
722 %%% mode: latex
723 %%% fill-column: 80
724 %%% ispell-dictionary: "american"
725 %%% mode: flyspell
726 %%% TeX-master: "../../BookGPU.tex"
727 %%% End: