]> AND Private Git Repository - book_gpu.git/blob - BookGPU/Chapters/chapter12/ch12.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
7cd99f4cb40ed02a56958468390c5988e245fc9b
[book_gpu.git] / BookGPU / Chapters / chapter12 / ch12.tex
1 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
2 %%                          %%
3 %%       CHAPTER 12         %%
4 %%                          %%
5 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
6  
7 \chapterauthor{}{}
8 \chapter{Solving sparse linear systems with GMRES and CG methods on GPU clusters}
9
10 %%--------------------------%%
11 %%       SECTION 1          %%
12 %%--------------------------%%
13 \section{Introduction}
14 \label{sec:01}
15 The sparse linear systems are used to model many scientific and industrial problems, such as the environmental simulations or
16 the industrial processing of the complex or non-Newtonian fluids. Moreover, the resolution of these problems often involves the
17 solving of such linear systems which is considered as the most expensive process in terms of time execution and memory space.
18 Therefore, solving sparse linear systems must be as efficient as possible in order to deal with problems of ever increasing size.
19
20 There are, in the jargon of numerical analysis, different methods of solving sparse linear systems that we can classify in two
21 classes: the direct and iterative methods. However, the iterative methods are often more suitable than their counterpart, direct
22 methods, for solving large sparse linear systems. Indeed, they are less memory consuming and easier to parallelize on parallel
23 computers than direct methods. Different computing platforms, sequential and parallel computers, are used for solving sparse
24 linear systems with iterative solutions. Nowadays, graphics processing units (GPUs) have become attractive for solving these
25 linear systems, due to their computing power and their ability to compute faster than traditional CPUs.
26
27 In Section~\ref{sec:02}, we describe the general principle of two well-known iterative methods: the conjugate gradient method and
28 the generalized minimal residual method. In Section~\ref{sec:03}, we give the main key points of the parallel implementation of both
29 methods on a cluster of GPUs. Then, in Section~\ref{sec:04}, we present the experimental results obtained on a CPU cluster and on
30 a GPU cluster, for solving sparse linear systems associated to matrices of different structures. Finally, in Section~\ref{sec:05},
31 we apply the hypergraph partitioning technique to reduce the total communication volume between the computing nodes and, thus, to
32 improve the execution times of the parallel algorithms of both iterative methods.   
33
34
35 %%--------------------------%%
36 %%       SECTION 2          %%
37 %%--------------------------%%
38 \section{Krylov iterative methods}
39 \label{sec:02}
40 Let us consider the following system of $n$ linear equations in $\mathbb{R}$: 
41 \begin{equation}
42 Ax=b,
43 \label{eq:01}
44 \end{equation}
45 where $A\in\mathbb{R}^{n\times n}$ is a sparse nonsingular square matrix, $x\in\mathbb{R}^{n}$ is the solution vector,
46 $b\in\mathbb{R}^{n}$ is the right-hand side and $n\in\mathbb{N}$ is a large integer number. 
47
48 The iterative methods for solving the large sparse linear system~(\ref{eq:01}) proceed by successive iterations of a same
49 block of elementary operations, during which an infinite number of approximate solutions $\{x_k\}_{k\geq 0}$ are computed.
50 Indeed, from an initial guess $x_0$, an iterative method determines at each iteration $k>0$ an approximate solution $x_k$
51 which, gradually, converges to the exact solution $x^{*}$ as follows:
52 \begin{equation}
53 x^{*}=\lim\limits_{k\to\infty}x_{k}=A^{-1}b.
54 \label{eq:02}
55 \end{equation}
56 The number of iterations necessary to reach the exact solution $x^{*}$ is not known beforehand and can be infinite. In
57 practice, an iterative method often finds an approximate solution $\tilde{x}$ after a fixed number of iterations and/or
58 when a given convergence criterion is satisfied as follows:   
59 \begin{equation}
60 \|b-A\tilde{x}\| < \varepsilon,
61 \label{eq:03}
62 \end{equation}
63 where $\varepsilon<1$ is the required convergence tolerance threshold. 
64
65 Some of the most iterative methods that have proven their efficiency for solving large sparse linear systems are those
66 called \textit{Krylov sub-space methods}~\cite{ref1}. In the present chapter, we describe two Krylov methods which are
67 widely used: the conjugate gradient method (CG) and the generalized minimal residual method (GMRES). In practice, the
68 Krylov sub-space methods are usually used with preconditioners that allow to improve their convergence. So, in what
69 follows, the CG and GMRES methods are used for solving the left-preconditioned sparse linear system:
70 \begin{equation}
71 M^{-1}Ax=M^{-1}b,
72 \label{eq:11}
73 \end{equation}
74 where $M$ is the preconditioning matrix.
75
76 %%****************%%
77 %%****************%%
78 \subsection{CG method}
79 \label{sec:02.01}
80 The conjugate gradient method is initially developed by Hestenes and Stiefel in 1952~\cite{ref2}. It is one of the well
81 known iterative method for solving large sparse linear systems. In addition, it can be adapted for solving nonlinear 
82 equations and optimization problems. However, it can only be applied to problems with positive definite symmetric matrices.
83
84 The main idea of the CG method is the computation of a sequence of approximate solutions $\{x_k\}_{k\geq 0}$ in a Krylov
85 sub-space of order $k$ as follows: 
86 \begin{equation}
87 x_k \in x_0 + \mathcal{K}_k(A,r_0),
88 \label{eq:04}
89 \end{equation}
90 such that the Galerkin condition must be satisfied:
91 \begin{equation}
92 r_k \bot \mathcal{K}_k(A,r_0),
93 \label{eq:05}
94 \end{equation}
95 where $x_0$ is the initial guess, $r_k=b-Ax_k$ is the residual of the computed solution $x_k$ and $\mathcal{K}_k$ the Krylov
96 sub-space of order $k$: \[\mathcal{K}_k(A,r_0) \equiv\text{span}\{r_0, Ar_0, A^2r_0,\ldots, A^{k-1}r_0\}.\]
97 In fact, CG is based on the construction of a sequence $\{p_k\}_{k\in\mathbb{N}}$ of direction vectors in $\mathcal{K}_k$
98 which are pairwise $A$-conjugate ($A$-orthogonal):
99 \begin{equation}
100 \begin{array}{ll}
101 p_i^T A p_j = 0, & i\neq j. 
102 \end{array} 
103 \label{eq:06}
104 \end{equation}
105 At each iteration $k$, an approximate solution $x_k$ is computed by recurrence as follows:  
106 \begin{equation}
107 \begin{array}{ll}
108 x_k = x_{k-1} + \alpha_k p_k, & \alpha_k\in\mathbb{R}.
109 \end{array} 
110 \label{eq:07}
111 \end{equation}
112 Consequently, the residuals $r_k$ are computed in the same way:
113 \begin{equation}
114 r_k = r_{k-1} - \alpha_k A p_k. 
115 \label{eq:08}
116 \end{equation}
117 In the case where all residuals are nonzero, the direction vectors $p_k$ can be determined so that the following recurrence 
118 holds:
119 \begin{equation}
120 \begin{array}{lll}
121 p_0=r_0, & p_k=r_k+\beta_k p_{k-1}, & \beta_k\in\mathbb{R}.
122 \end{array} 
123 \label{eq:09}
124 \end{equation}
125 Moreover, the scalars $\{\alpha_k\}_{k>0}$ are chosen so as to minimize the $A$-norm error $\|x^{*}-x_k\|_A$ over the Krylov
126 sub-space $\mathcal{K}_{k}$ and the scalars $\{\beta_k\}_{k>0}$ are chosen so as to ensure that the direction vectors are
127 pairwise $A$-conjugate. So, the assumption that matrix $A$ is symmetric and the recurrences~(\ref{eq:08}) and~(\ref{eq:09})
128 allow to deduce that:
129 \begin{equation}
130 \begin{array}{ll}
131 \alpha_{k}=\frac{r^{T}_{k-1}r_{k-1}}{p_{k}^{T}Ap_{k}}, & \beta_{k}=\frac{r_{k}^{T}r_{k}}{r_{k-1}^{T}r_{k-1}}.
132 \end{array}
133 \label{eq:10}
134 \end{equation}
135
136 \begin{algorithm}[!t]
137   %\SetLine
138   %\linesnumbered
139   Choose an initial guess $x_0$\;
140   $r_{0} = b - A x_{0}$\;
141   $convergence$ = false\;
142   $k = 1$\;
143   \Repeat{convergence}{
144     $z_{k} = M^{-1} r_{k-1}$\;
145     $\rho_{k} = (r_{k-1},z_{k})$\;
146     \eIf{$k = 1$}{
147       $p_{k} = z_{k}$\;
148     }{
149       $\beta_{k} = \rho_{k} / \rho_{k-1}$\;
150       $p_{k} = z_{k} + \beta_{k} \times p_{k-1}$\;
151     }
152     $q_{k} = A \times p_{k}$\;
153     $\alpha_{k} = \rho_{k} / (p_{k},q_{k})$\;
154     $x_{k} = x_{k-1} + \alpha_{k} \times p_{k}$\;
155     $r_{k} = r_{k-1} - \alpha_{k} \times q_{k}$\;
156     \eIf{$(\rho_{k} < \varepsilon)$ {\bf or} $(k \geq maxiter)$}{
157       $convergence$ = true\;
158     }{
159       $k = k + 1$\;
160     }
161   }
162 \caption{Left-preconditioned CG method}
163 \label{alg:01}
164 \end{algorithm}
165
166 Algorithm~\ref{alg:01} shows the main key points of the preconditioned CG method. It allows to solve the left-preconditioned
167 sparse linear system~(\ref{eq:11}). In this algorithm, $\varepsilon$ is the convergence tolerance threshold, $maxiter$ is the maximum
168 number of iterations and $(\cdot,\cdot)$ defines the dot product between two vectors in $\mathbb{R}^{n}$. At every iteration, a direction
169 vector $p_k$ is determined, so that it is orthogonal to the preconditioned residual $z_k$ and to the direction vectors $\{p_i\}_{i<k}$
170 previously determined (from line~$8$ to line~$13$). Then, at lines~$16$ and~$17$ , the iterate $x_k$ and the residual $r_k$ are computed
171 using formulas~(\ref{eq:07}) and~(\ref{eq:08}), respectively. The CG method converges after, at most, $n$ iterations. In practice, the CG
172 algorithm stops when the tolerance threshold $\varepsilon$ and/or the maximum number of iterations $maxiter$ are reached.
173
174 %%****************%%
175 %%****************%%
176 \subsection{GMRES method} 
177 \label{sec:02.02}
178 The iterative GMRES method is developed by Saad and Schultz in 1986~\cite{ref3} as a generalization of the minimum residual method
179 MINRES~\cite{ref4}. Indeed, GMRES can be applied for solving symmetric or nonsymmetric linear systems. 
180
181 The main principle of the GMRES method is to find an approximation minimizing at best the residual norm. In fact, GMRES
182 computes a sequence of approximate solutions $\{x_k\}_{k>0}$ in a Krylov sub-space $\mathcal{K}_k$ as follows:
183 \begin{equation}
184 \begin{array}{ll}
185 x_k \in x_0 + \mathcal{K}_k(A, v_1),& v_1=\frac{r_0}{\|r_0\|_2},
186 \end{array}
187 \label{eq:12}
188 \end{equation} 
189 so that the Petrov-Galerkin condition is satisfied:
190 \begin{equation}
191 \begin{array}{ll}
192 r_k \bot A \mathcal{K}_k(A, v_1).
193 \end{array}
194 \label{eq:13}
195 \end{equation}
196 GMRES uses the Arnoldi process~\cite{ref5} to construct an orthonormal basis $V_k$ for the Krylov sub-space $\mathcal{K}_k$
197 and an upper Hessenberg matrix $\bar{H}_k$ of order $(k+1)\times k$:
198 \begin{equation}
199 \begin{array}{ll}
200 V_k = \{v_1, v_2,\ldots,v_k\}, & \forall k>1, v_k=A^{k-1}v_1,
201 \end{array}
202 \label{eq:14}
203 \end{equation}
204 and
205 \begin{equation}
206 V_k A = V_{k+1} \bar{H}_k.
207 \label{eq:15}
208 \end{equation}
209
210 Then, at each iteration $k$, an approximate solution $x_k$ is computed in the Krylov sub-space $\mathcal{K}_k$ spanned by $V_k$
211 as follows:
212 \begin{equation}
213 \begin{array}{ll}
214 x_k = x_0 + V_k y, & y\in\mathbb{R}^{k}.
215 \end{array}
216 \label{eq:16}
217 \end{equation}
218 From both formulas~(\ref{eq:15}) and~(\ref{eq:16}) and $r_k=b-Ax_k$, we can deduce that:
219 \begin{equation}
220 \begin{array}{lll}
221   r_{k} & = & b - A (x_{0} + V_{k}y) \\
222         & = & r_{0} - AV_{k}y \\
223         & = & \beta v_{1} - V_{k+1}\bar{H}_{k}y \\
224         & = & V_{k+1}(\beta e_{1} - \bar{H}_{k}y),
225 \end{array}
226 \label{eq:17}
227 \end{equation}
228 such that $\beta=\|r_0\|_2$ and $e_1=(1,0,\cdots,0)$ is the first vector of the canonical basis of $\mathbb{R}^k$. So,
229 the vector $y$ is chosen in $\mathbb{R}^k$ so as to minimize at best the Euclidean norm of the residual $r_k$. Consequently,
230 a linear least-squares problem of size $k$ is solved:
231 \begin{equation}
232 \underset{y\in\mathbb{R}^{k}}{min}\|r_{k}\|_{2}=\underset{y\in\mathbb{R}^{k}}{min}\|\beta e_{1}-\bar{H}_{k}y\|_{2}.
233 \label{eq:18}
234 \end{equation}
235 The QR factorization of matrix $\bar{H}_k$ is used to compute the solution of this problem by using Givens rotations~\cite{ref1,ref3},
236 such that:
237 \begin{equation}
238 \begin{array}{lll}
239 \bar{H}_{k}=Q_{k}R_{k}, & Q_{k}\in\mathbb{R}^{(k+1)\times (k+1)}, & R_{k}\in\mathbb{R}^{(k+1)\times k},
240 \end{array}
241 \label{eq:19}
242 \end{equation}
243 where $Q_kQ_k^T=I_k$ and $R_k$ is an upper triangular matrix.
244
245 The GMRES method computes an approximate solution with a sufficient precision after, at most, $n$ iterations ($n$ is the size of the 
246 sparse linear system to be solved). However, the GMRES algorithm must construct and store in the memory an orthonormal basis $V_k$ whose
247 size is proportional to the number of iterations required to achieve the convergence. Then, to avoid a huge memory storage, the GMRES
248 method must be restarted at each $m$ iterations, such that $m$ is very small ($m\ll n$), and with $x_m$ as the initial guess to the
249 next iteration. This allows to limit the size of the basis $V$ to $m$ orthogonal vectors.
250
251 \begin{algorithm}[!t]
252   %\SetLine
253   %\linesnumbered
254   Choose an initial guess $x_0$\;
255   $convergence$ = false\;
256   $k = 1$\;
257   $r_{0} = M^{-1}(b-Ax_{0})$\;
258   $\beta = \|r_{0}\|_{2}$\;
259   \While{$\neg convergence$}{
260     $v_{1} = r_{0}/\beta$\;
261     \For{$j=1$ \KwTo $m$}{ 
262       $w_{j} = M^{-1}Av_{j}$\;
263       \For{$i=1$ \KwTo $j$}{
264         $h_{i,j} = (w_{j},v_{i})$\;
265         $w_{j} = w_{j}-h_{i,j}v_{i}$\;
266       }
267       $h_{j+1,j} = \|w_{j}\|_{2}$\;
268       $v_{j+1} = w_{j}/h_{j+1,j}$\;
269     }
270     Set $V_{m}=\{v_{j}\}_{1\leq j \leq m}$ and $\bar{H}_{m}=(h_{i,j})$ a $(m+1)\times m$ upper Hessenberg matrix\;
271     Solve a least-squares problem of size $m$: $min_{y\in\mathrm{I\!R}^{m}}\|\beta e_{1}-\bar{H}_{m}y\|_{2}$\;
272     $x_{m} = x_{0}+V_{m}y_{m}$\;
273     $r_{m} = M^{-1}(b-Ax_{m})$\;
274     $\beta = \|r_{m}\|_{2}$\;   
275     \eIf{ $(\beta<\varepsilon)$ {\bf or} $(k\geq maxiter)$}{
276       $convergence$ = true\;
277     }{
278       $x_{0} = x_{m}$\;
279       $r_{0} = r_{m}$\;
280       $k = k + 1$\;
281     }
282   }
283 \caption{Left-preconditioned GMRES method with restarts}
284 \label{alg:02}
285 \end{algorithm}
286
287 Algorithm~\ref{alg:02} shows the main key points of the GMRES method with restarts. It solves the left-preconditioned sparse linear
288 system~(\ref{eq:11}), such that $M$ is the preconditioning matrix. At each iteration $k$, GMRES uses the Arnoldi process (defined
289 from line~$7$ to line~$17$) to construct a basis $V_m$ of $m$ orthogonal vectors and an upper Hessenberg matrix $\bar{H}_m$ of size
290 $(m+1)\times m$. Then, it solves the linear least-squares problem of size $m$ to find the vector $y\in\mathbb{R}^{m}$ which minimizes
291 at best the residual norm (line~$18$). Finally, it computes an approximate solution $x_m$ in the Krylov sub-space spanned by $V_m$ 
292 (line~$19$). The GMRES algorithm is stopped when the residual norm is sufficiently small ($\|r_m\|_2<\varepsilon$) and/or the maximum
293 number of iterations ($maxiter$) is reached.
294
295 %%--------------------------%%
296 %%       SECTION 3          %%
297 %%--------------------------%%
298 \section{Parallel implementation on a GPU cluster}
299 \label{sec:03}
300 In this section, we present the parallel algorithms of both iterative CG and GMRES methods for GPU clusters.
301 The implementation is performed on a GPU cluster composed of different computing nodes, such that each node
302 is a CPU core managed by a MPI process and equipped with a GPU card. The parallelization of these algorithms
303 is carried out by using the MPI communication routines between the GPU computing nodes and the CUDA programming
304 environment inside each node. In what follows, the algorithms of the iterative methods are called iterative
305 solvers.
306
307 %%****************%%
308 %%****************%%
309 \subsection{Data partitioning}
310 \label{sec:03.01}
311 The parallel solving of the large sparse linear system~(\ref{eq:11}) requires a data partitioning between the computing
312 nodes of the GPU cluster. Let $p$ denotes the number of the computing nodes on the GPU cluster. The partitioning operation
313 consists in the decomposition of the vectors and matrices, involved in the iterative solver, in $p$ portions. Indeed, this
314 operation allows to assign to each computing node $i$:
315 \begin{itemize}
316 \item a portion of size $\frac{n}{p}$ elements of each vector,
317 \item a sparse rectangular sub-matrix $A_i$ of size $(\frac{n}{p},n)$ and,
318 \item a square preconditioning sub-matrix $M_i$ of size $(\frac{n}{p},\frac{n}{p})$, 
319 \end{itemize} 
320 where $n$ is the size of the sparse linear system to be solved. In the first instance, we perform a naive row-wise partitioning
321 (decomposition row-by-row) on the data of the sparse linear systems to be solved. Figure~\ref{fig:01} shows an example of a row-wise
322 data partitioning between four computing nodes of a sparse linear system (sparse matrix $A$, solution vector $x$ and right-hand
323 side $b$) of size $16$ unknown values. 
324
325 \begin{figure}
326 \centerline{\includegraphics[scale=0.35]{Chapters/chapter12/figures/partition}}
327 \caption{A data partitioning of the sparse matrix $A$, the solution vector $x$ and the right-hand side $b$ into four portions.}
328 \label{fig:01}
329 \end{figure}
330
331 %%****************%%
332 %%****************%%
333 \subsection{GPU computing}
334 \label{sec:03.02}
335 After the partitioning operation, all the data involved from this operation must be transferred from the CPU memories to the GPU
336 memories, in order to be processed by GPUs. We use two functions of the CUBLAS library (CUDA Basic Linear Algebra Subroutines),
337 developed by Nvidia~\cite{ref6}: \verb+cublasAlloc()+ for the memory allocations on GPUs and \verb+cublasSetVector()+ for the
338 memory copies from the CPUs to the GPUs.
339
340 An efficient implementation of CG and GMRES solvers on a GPU cluster requires to determine all parts of their codes that can be
341 executed in parallel and, thus, take advantage of the GPU acceleration. As many Krylov sub-space methods, the CG and GMRES methods
342 are mainly based on arithmetic operations dealing with vectors or matrices: sparse matrix-vector multiplications, scalar-vector
343 multiplications, dot products, Euclidean norms, AXPY operations ($y\leftarrow ax+y$ where $x$ and $y$ are vectors and $a$ is a
344 scalar) and so on. These vector operations are often easy to parallelize and they are more efficient on parallel computers when
345 they work on large vectors. Therefore, all the vector operations used in CG and GMRES solvers must be executed by the GPUs as kernels.
346
347 We use the kernels of the CUBLAS library to compute some vector operations of CG and GMRES solvers. The following kernels of CUBLAS
348 (dealing with double floating point) are used: \verb+cublasDdot()+ for the dot products, \verb+cublasDnrm2()+ for the Euclidean
349 norms and \verb+cublasDaxpy()+ for the AXPY operations. For the rest of the data-parallel operations, we code their kernels in CUDA.
350 In the CG solver, we develop a kernel for the XPAY operation ($y\leftarrow x+ay$) used at line~$12$ in Algorithm~\ref{alg:01}. In the
351 GMRES solver, we program a kernel for the scalar-vector multiplication (lines~$7$ and~$15$ in Algorithm~\ref{alg:02}), a kernel for
352 solving the least-squares problem and a kernel for the elements updates of the solution vector $x$.
353
354 The least-squares problem in the GMRES method is solved by performing a QR factorization on the Hessenberg matrix $\bar{H}_m$ with
355 plane rotations and, then, solving the triangular system by backward substitutions to compute $y$. Consequently, solving the least-squares
356 problem on the GPU is not interesting. Indeed, the triangular solves are not easy to parallelize and inefficient on GPUs. However,
357 the least-squares problem to solve in the GMRES method with restarts has, generally, a very small size $m$. Therefore, we develop
358 an inexpensive kernel which must be executed in sequential by a single CUDA thread. 
359
360 The most important operation in CG and GMRES methods is the sparse matrix-vector multiplication (SpMV), because it is often an
361 expensive operation in terms of execution time and memory space. Moreover, it requires to take care of the storage format of the
362 sparse matrix in the memory. Indeed, the naive storage, row-by-row or column-by-column, of a sparse matrix can cause a significant
363 waste of memory space and execution time. In addition, the sparsity nature of the matrix often leads to irregular memory accesses
364 to read the matrix nonzero values. So, the computation of the SpMV multiplication on GPUs can involve non coalesced accesses to
365 the global memory, which slows down even more its performances. One of the most efficient compressed storage formats of sparse
366 matrices on GPUs is HYB format~\cite{ref7}. It is a combination of ELLpack (ELL) and Coordinate (COO) formats. Indeed, it stores
367 a typical number of nonzero values per row in ELL format and remaining entries of exceptional rows in COO format. It combines
368 the efficiency of ELL due to the regularity of its memory accesses and the flexibility of COO which is insensitive to the matrix
369 structure. Consequently, we use the HYB kernel~\cite{ref8} developed by Nvidia to implement the SpMV multiplication of CG and
370 GMRES methods on GPUs. Moreover, to avoid the non coalesced accesses to the high-latency global memory, we fill the elements of
371 the iterate vector $x$ in the cached texture memory.
372
373 %%****************%%
374 %%****************%%
375 \subsection{Data communications}
376 \label{sec:03.03}
377 All the computing nodes of the GPU cluster execute in parallel the same iterative solver (Algorithm~\ref{alg:01} or Algorithm~\ref{alg:02})
378 adapted to GPUs, but on their own portions of the sparse linear system: $M^{-1}_iA_ix_i=M^{-1}_ib_i$, $0\leq i<p$. However in order to solve
379 the complete sparse linear system~(\ref{eq:11}), synchronizations must be performed between the local computations of the computing nodes
380 over the cluster. In what follows, two computing nodes sharing data are called neighboring nodes.
381
382 As already mentioned, the most important operation of CG and GMRES methods is the SpMV multiplication. In the parallel implementation of
383 the iterative methods, each computing node $i$ performs the SpMV multiplication on its own sparse rectangular sub-matrix $A_i$. Locally, it
384 has only sub-vectors of size $\frac{n}{p}$ corresponding to rows of its sub-matrix $A_i$. However, it also requires the vector elements
385 of its neighbors, corresponding to the column indices on which its sub-matrix has nonzero values (see Figure~\ref{fig:01}). So, in addition
386 to the local vectors, each node must also manage vector elements shared with neighbors and required to compute the SpMV multiplication.
387 Therefore, the iterate vector $x$ managed by each computing node is composed of a local sub-vector $x^{local}$ of size $\frac{n}{p}$ and a
388 sub-vector of shared elements $x^{shared}$. In the same way, the vector used to construct the orthonormal basis of the Krylov sub-space 
389 (vectors $p$ and $v$ in CG and GMRES methods, respectively) is composed of a local sub-vector and a shared sub-vector. 
390
391 Therefore, before computing the SpMV multiplication, the neighboring nodes over the GPU cluster must exchange between them the shared 
392 vector elements necessary to compute this multiplication. First, each computing node determines, in its local sub-vector, the vector
393 elements needed by other nodes. Then, the neighboring nodes exchange between them these shared vector elements. The data exchanges 
394 are implemented by using the MPI point-to-point communication routines: blocking sends with \verb+MPI_Send()+ and nonblocking receives
395 with \verb+MPI_Irecv()+. Figure~\ref{fig:02} shows an example of data exchanges between \textit{Node 1} and its neighbors \textit{Node 0},
396 \textit{Node 2} and \textit{Node 3}. In this example, the iterate matrix $A$ split between these four computing nodes is that presented
397 in Figure~\ref{fig:01}.
398
399 \begin{figure}
400 \centerline{\includegraphics[scale=0.30]{Chapters/chapter12/figures/compress}}
401 \caption{Data exchanges between \textit{Node 1} and its neighbors \textit{Node 0}, \textit{Node 2} and \textit{Node 3}.}
402 \label{fig:02}
403 \end{figure}
404
405 After the synchronization operation, the computing nodes receive, from their respective neighbors, the shared elements in a sub-vector
406 stored in a compressed format. However, in order to compute the SpMV multiplication, the computing nodes operate on sparse global vectors
407 (see Figure~\ref{fig:02}). In this case, the received vector elements must be copied to the corresponding indices in the global vector.
408 So as not to need to perform this at each iteration, we propose to reorder the columns of each sub-matrix $\{A_i\}_{0\leq i<p}$, so that
409 the shared sub-vectors could be used in their compressed storage formats. Figure~\ref{fig:03} shows a reordering of a sparse sub-matrix
410 (sub-matrix of \textit{Node 1}). 
411
412 \begin{figure}
413 \centerline{\includegraphics[scale=0.30]{Chapters/chapter12/figures/reorder}}
414 \caption{Columns reordering of a sparse sub-matrix.}
415 \label{fig:03}
416 \end{figure}
417
418 A GPU cluster is a parallel platform with a distributed memory. So, the synchronizations and communication data between GPU nodes are
419 carried out by passing messages. However, GPUs can not communicate between them in direct way. Then, CPUs via MPI processes are in charge
420 of the synchronizations within the GPU cluster. Consequently, the vector elements to be exchanged must be copied from the GPU memory
421 to the CPU memory and vice-versa before and after the synchronization operation between CPUs. We have used the CBLAS communication subroutines
422 to perform the data transfers between a CPU core and its GPU: \verb+cublasGetVector()+ and \verb+cublasSetVector()+. Finally, in addition
423 to the data exchanges, GPU nodes perform reduction operations to compute in parallel the dot products and Euclidean norms. This is implemented
424 by using the MPI global communication \verb+MPI_Allreduce()+.
425
426
427 %%--------------------------%%
428 %%       SECTION 4          %%
429 %%--------------------------%%
430 \section{Experimental results}
431 \label{sec:04}
432 In this section, we present the performances of the parallel CG and GMRES linear solvers obtained on a cluster of $12$ GPUs. Indeed, this GPU
433 cluster of tests is composed of six machines connected by $20$Gbps InfiniBand network. Each machine is a Quad-Core Xeon E5530 CPU running at
434 $2.4$GHz and providing $12$GB of RAM with a memory bandwidth of $25.6$GB/s. In addition, two Tesla C1060 GPUs are connected to each machine via
435 a PCI-Express 16x Gen 2.0 interface with a throughput of $8$GB/s. A Tesla C1060 GPU contains $240$ cores running at $1.3$GHz and providing a
436 global memory of $4$GB with a memory bandwidth of $102$GB/s. Figure~\ref{fig:04} shows the general scheme of the GPU cluster that we used in
437 the experimental tests.
438
439 \begin{figure}
440 \centerline{\includegraphics[scale=0.25]{Chapters/chapter12/figures/cluster}}
441 \caption{General scheme of the GPU cluster of tests composed of six machines, each with two GPUs.}
442 \label{fig:04}
443 \end{figure}
444
445 Linux cluster version 2.6.39 OS is installed on CPUs. C programming language is used for coding the parallel algorithms of both methods on the
446 GPU cluster. CUDA version 4.0~\cite{ref9} is used for programming GPUs, using CUBLAS library~\cite{ref6} to deal with vector operations in GPUs
447 and, finally, MPI routines of OpenMPI 1.3.3 are used to carry out the communications between CPU cores. Indeed, the experiments are done on a
448 cluster of $12$ computing nodes, where each node is managed by a MPI process and it is composed of one CPU core and one GPU card.
449
450 All tests are made on double-precision floating point operations. The parameters of both linear solvers are initialized as follows: the residual
451 tolerance threshold $\varepsilon=10^{-12}$, the maximum number of iterations $maxiter=500$, the right-hand side $b$ is filled with $1.0$ and the
452 initial guess $x_0$ is filled with $0.0$. In addition, we limited the Arnoldi process used in the GMRES method to $16$ iterations ($m=16$). For
453 the sake of simplicity, we have chosen the preconditioner $M$ as the main diagonal of the sparse matrix $A$. Indeed, it allows to easily compute
454 the required inverse matrix $M^{-1}$ and it provides a relatively good preconditioning for not too ill-conditioned matrices. In the GPU computing,
455 the size of thread blocks is fixed to $512$ threads. Finally, the performance results, presented hereafter, are obtained from the mean value over
456 $10$ executions of the same parallel linear solver and for the same input data.
457
458 To get more realistic results, we tested the CG and GMRES algorithms on sparse matrices of the Davis's collection~\cite{ref10}, that arise in a wide
459 spectrum of real-world applications. We chose six symmetric sparse matrices and six nonsymmetric ones from this collection. In Figure~\ref{fig:05},
460 we show structures of these matrices and in Table~\ref{tab:01} we present their main characteristics which are the number of rows, the total number
461 of nonzero values (nnz) and the maximal bandwidth. In the present chapter, the bandwidth of a sparse matrix is defined as the number of matrix columns
462 separating the first and the last nonzero value on a matrix row.
463
464 \begin{figure}
465 \centerline{\includegraphics[scale=0.30]{Chapters/chapter12/figures/matrices}}
466 \caption{Sketches of sparse matrices chosen from the Davis's collection.}
467 \label{fig:05}
468 \end{figure}
469
470 \begin{table}
471 \centering
472 \begin{tabular}{|c|c|c|c|c|}
473 \hline
474 {\bf Matrix type}             & {\bf Matrix name} & {\bf \# rows} & {\bf \# nnz} & {\bf Bandwidth} \\ \hline \hline
475
476 \multirow{6}{*}{Symmetric}    & 2cubes\_sphere    & $101,492$     & $1,647,264$  & $100,464$ \\
477
478                               & ecology2          & $999,999$     & $4,995,991$  & $2,001$   \\ 
479
480                               & finan512          & $74,752$      & $596,992$    & $74,725$  \\ 
481
482                               & G3\_circuit       & $1,585,478$   & $7,660,826$  & $1,219,059$ \\
483             
484                               & shallow\_water2   & $81,920$      & $327,680$    & $58,710$ \\
485
486                               & thermal2          & $1,228,045$   & $8,580,313$  & $1,226,629$ \\ \hline \hline
487             
488 \multirow{6}{*}{Nonsymmetric} & cage13            & $445,315$     & $7,479,343$  & $318,788$\\
489
490                               & crashbasis        & $160,000$     & $1,750,416$  & $120,202$ \\
491
492                               & FEM\_3D\_thermal2 & $147,900$     & $3,489.300$  & $117,827$ \\
493
494                               & language          & $399,130$     & $1,216,334$  & $398,622$\\
495  
496                               & poli\_large       & $15,575$      & $33,074$     & $15,575$ \\
497
498                               & torso3            & $259,156$     & $4,429,042$  & $216,854$  \\ \hline
499 \end{tabular}
500 \vspace{0.5cm}
501 \caption{Main characteristics of sparse matrices chosen from the Davis's collection.}
502 \label{tab:01}
503 \end{table}
504
505 \begin{table}
506 \begin{center}
507 \begin{tabular}{|c|c|c|c|c|c|c|} 
508 \hline
509 {\bf Matrix}     & $\mathbf{Time_{cpu}}$ & $\mathbf{Time_{gpu}}$ & $\mathbf{\tau}$  & $\mathbf{\# iter.}$ & $\mathbf{prec.}$     & $\mathbf{\Delta}$   \\ \hline \hline
510
511 2cubes\_sphere    & $0.132s$           & $0.069s$            & $1.93$        & $12$           & $1.14e$-$09$     & $3.47e$-$18$ \\
512
513 ecology2          & $0.026s$           & $0.017s$            & $1.52$        & $13$           & $5.06e$-$09$     & $8.33e$-$17$ \\
514
515 finan512          & $0.053s$           & $0.036s$            & $1.49$        & $12$           & $3.52e$-$09$     & $1.66e$-$16$ \\
516
517 G3\_circuit       & $0.704s$           & $0.466s$            & $1.51$        & $16$           & $4.16e$-$10$     & $4.44e$-$16$ \\
518
519 shallow\_water2   & $0.017s$           & $0.010s$            & $1.68$        & $5$            & $2.24e$-$14$     & $3.88e$-$26$ \\
520
521 thermal2          & $1.172s$           & $0.622s$            & $1.88$        & $15$           & $5.11e$-$09$     & $3.33e$-$16$ \\ \hline   
522 \end{tabular}
523 \caption{Performances of the parallel CG method on a cluster of 24 CPU cores vs. on a cluster of 12 GPUs.}
524 \label{tab:02}
525 \end{center}
526 \end{table}
527
528 \begin{table}[!h]
529 \begin{center}
530 \begin{tabular}{|c|c|c|c|c|c|c|} 
531 \hline
532 {\bf Matrix}     & $\mathbf{Time_{cpu}}$ & $\mathbf{Time_{gpu}}$ & $\mathbf{\tau}$  & $\mathbf{\# iter.}$ & $\mathbf{prec.}$     & $\mathbf{\Delta}$   \\ \hline \hline
533
534 2cubes\_sphere    & $0.234s$           & $0.124s$            & $1.88$        & $21$           & $2.10e$-$14$     & $3.47e$-$18$ \\
535
536 ecology2          & $0.076s$           & $0.035s$            & $2.15$        & $21$           & $4.30e$-$13$     & $4.38e$-$15$ \\
537
538 finan512          & $0.073s$           & $0.052s$            & $1.40$        & $17$           & $3.21e$-$12$     & $5.00e$-$16$ \\
539
540 G3\_circuit       & $1.016s$           & $0.649s$            & $1.56$        & $22$           & $1.04e$-$12$     & $2.00e$-$15$ \\
541
542 shallow\_water2   & $0.061s$           & $0.044s$            & $1.38$        & $17$           & $5.42e$-$22$     & $2.71e$-$25$ \\
543
544 thermal2          & $1.666s$           & $0.880s$            & $1.89$        & $21$           & $6.58e$-$12$     & $2.77e$-$16$ \\ \hline \hline
545
546 cage13            & $0.721s$           & $0.338s$            & $2.13$        & $26$           & $3.37e$-$11$     & $2.66e$-$15$ \\
547
548 crashbasis        & $1.349s$           & $0.830s$            & $1.62$        & $121$          & $9.10e$-$12$     & $6.90e$-$12$ \\
549
550 FEM\_3D\_thermal2 & $0.797s$           & $0.419s$            & $1.90$        & $64$           & $3.87e$-$09$     & $9.09e$-$13$ \\
551
552 language          & $2.252s$           & $1.204s$            & $1.87$        & $90$           & $1.18e$-$10$     & $8.00e$-$11$ \\
553
554 poli\_large       & $0.097s$           & $0.095s$            & $1.02$        & $69$           & $4.98e$-$11$     & $1.14e$-$12$ \\
555
556 torso3            & $4.242s$           & $2.030s$            & $2.09$        & $175$          & $2.69e$-$10$     & $1.78e$-$14$ \\ \hline
557 \end{tabular}
558 \caption{Performances of the parallel GMRES method on a cluster 24 CPU cores vs. on cluster of 12 GPUs.}
559 \label{tab:03}
560 \end{center}
561 \end{table}
562
563 Tables~\ref{tab:02} and~\ref{tab:03} shows the performances of the parallel CG and GMRES solvers, respectively, for solving linear systems associated to
564 the sparse matrices presented in Tables~\ref{tab:01}. They allow to compare the performances obtained on a cluster of $24$ CPU cores and on a cluster
565 of $12$ GPUs. However, Table~\ref{tab:02} shows only the performances of solving symmetric sparse linear systems, due to the inability of the CG method
566 to solve the nonsymmetric systems. In both tables, the second and third columns give, respectively, the execution times in seconds obtained on $24$ CPU
567 cores ($Time_{gpu}$) and that obtained on $12$ GPUs ($Time_{gpu}$). Moreover, we take into account the relative gains $\tau$ of a solver implemented on the
568 GPU cluster compared to the same solver implemented on the CPU cluster. The relative gains, presented in the fourth column, are computed as a ratio of
569 the CPU execution time over the GPU execution time:
570 \begin{equation}
571 \tau = \frac{Time_{cpu}}{Time_{gpu}}.
572 \label{eq:20}
573 \end{equation}
574 In addition, Tables~\ref{tab:02} and~\ref{tab:03} give the number of iterations ($iter$), the precision $prec$ of the solution computed on the GPU cluster
575 and the difference $\Delta$ between the solution computed on the CPU cluster and that computed on the GPU cluster. Both parameters $prec$ and $\Delta$
576 allow to validate and verify the accuracy of the solution computed on the GPU cluster. We have computed them as follows:
577 \begin{eqnarray}
578 \Delta = max|x^{cpu}-x^{gpu}|,\\
579 prec = max|M^{-1}r^{gpu}|,
580 \end{eqnarray}
581 where $\Delta$ is the maximum vector element, in absolute value, of the difference between the two solutions $x^{cpu}$ and $x^{gpu}$ computed, respectively,
582 on CPU and GPU clusters and $prec$ is the maximum element, in absolute value, of the residual vector $r^{gpu}\in\mathbb{R}^{n}$ of the solution $x^{gpu}$.
583 Thus, we can see that the solutions obtained on the GPU cluster were computed with a sufficient accuracy (about $10^{-10}$) and they are, more or less,
584 equivalent to those computed on the CPU cluster with a small difference ranging from $10^{-10}$ to $10^{-26}$. However, we can notice from the relative
585 gains $\tau$ that is not interesting to use multiple GPUs for solving small sparse linear systems. in fact, a small sparse matrix does not allow to maximize
586 utilization of GPU cores. In addition, the communications required to synchronize the computations over the cluster increase the idle times of GPUs and
587 slow down further the parallel computations.
588
589 Consequently, in order to test the performances of the parallel solvers, we developed in C programming language a generator of large sparse matrices. 
590 This generator takes a matrix from the Davis's collection~\cite{ref10} as an initial matrix to construct large sparse matrices exceeding ten million
591 of rows. It must be executed in parallel by the MPI processes of the computing nodes, so that each process could construct its sparse sub-matrix. In
592 first experimental tests, we are focused on sparse matrices having a banded structure, because they are those arise in the most of numerical problems.
593 So to generate the global sparse matrix, each MPI process constructs its sub-matrix by performing several copies of an initial sparse matrix chosen
594 from the Davis's collection. Then, it puts all these copies on the main diagonal of the global matrix (see Figure~\ref{fig:06}). Moreover, the empty
595 spaces between two successive copies in the main diagonal are filled with sub-copies (left-copy and right-copy in Figure~\ref{fig:06}) of the same
596 initial matrix.
597
598 \begin{figure}
599 \centerline{\includegraphics[scale=0.30]{Chapters/chapter12/figures/generation}}
600 \caption{Parallel generation of a large sparse matrix by four computing nodes.}
601 \label{fig:06}
602 \end{figure}
603
604 \begin{table}[!h]
605 \centering
606 \begin{tabular}{|c|c|c|c|}
607 \hline
608 {\bf Matrix type}             & {\bf Matrix name} & {\bf \# nnz} & {\bf Bandwidth} \\ \hline \hline
609
610 \multirow{6}{*}{Symmetric}    & 2cubes\_sphere    & $413,703,602$ & $198,836$     \\
611
612                               & ecology2          & $124,948,019$ & $2,002$          \\ 
613
614                               & finan512          & $278,175,945$ & $123,900$        \\ 
615
616                               & G3\_circuit       & $125,262,292$ & $1,891,887$      \\
617             
618                               & shallow\_water2   & $100,235,292$ & $62,806$      \\
619
620                               & thermal2          & $175,300,284$ & $2,421,285$ \\ \hline \hline
621             
622 \multirow{6}{*}{Nonsymmetric} & cage13            & $435,770,480$ & $352,566$        \\
623
624                               & crashbasis        & $409,291,236$ & $200,203$        \\
625
626                               & FEM\_3D\_thermal2 & $595,266,787$ & $206,029$ \\
627
628                               & language          & $76,912,824$  & $398,626$ \\
629
630                               & poli\_large       & $53,322,580$  & $15,576$         \\
631
632                               & torso3            & $433,795,264$ & $328,757$        \\ \hline
633 \end{tabular}
634 \vspace{0.5cm}
635 \caption{Main characteristics of sparse banded matrices generated from those of the Davis's collection.}
636 \label{tab:04}
637 \end{table}
638
639 We have used the parallel CG and GMRES algorithms for solving sparse linear systems of $25$ million unknown values. The sparse matrices associated 
640 to these linear systems are generated from those presented in Table~\ref{tab:01}. Their main characteristics are given in Table~\ref{tab:04}. Tables~\ref{tab:05}
641 and~\ref{tab:06} shows the performances of the parallel CG and GMRES solvers, respectively, obtained on a cluster of $24$ CPU cores and on a cluster 
642 of $12$ GPUs. Obviously, we can notice from these tables that solving large sparse linear systems on a GPU cluster is more efficient than on a CPU 
643 cluster (see relative gains $\tau$). We can also notice that the execution times of the CG method, whether in a CPU cluster or on a GPU cluster, are
644 better than those the GMRES method for solving large symmetric linear systems. In fact, the CG method is characterized by a better convergence rate 
645 and a shorter execution time of an iteration than those of the GMRES method. Moreover, an iteration of the parallel GMRES method requires more data
646 exchanges between computing nodes compared to the parallel CG method.
647  
648 \begin{table}[!h]
649 \begin{center}
650 \begin{tabular}{|c|c|c|c|c|c|c|} 
651 \hline
652 {\bf Matrix}    & $\mathbf{Time_{cpu}}$ & $\mathbf{Time_{gpu}}$ & $\mathbf{\tau}$ & $\mathbf{\# iter.}$ & $\mathbf{prec.}$ & $\mathbf{\Delta}$   \\ \hline \hline
653
654 2cubes\_sphere  & $1.625s$             & $0.401s$              & $4.05$          & $14$                & $5.73e$-$11$     & $5.20e$-$18$ \\
655
656 ecology2        & $0.856s$             & $0.103s$              & $8.27$          & $15$                & $3.75e$-$10$     & $1.11e$-$16$ \\
657
658 finan512        & $1.210s$             & $0.354s$              & $3.42$          & $14$                & $1.04e$-$10$     & $2.77e$-$16$ \\
659
660 G3\_circuit     & $1.346s$             & $0.263s$              & $5.12$          & $17$                & $1.10e$-$10$     & $5.55e$-$16$ \\
661
662 shallow\_water2 & $0.397s$             & $0.055s$              & $7.23$          & $7$                 & $3.43e$-$15$     & $5.17e$-$26$ \\
663
664 thermal2        & $1.411s$             & $0.244s$              & $5.78$          & $16$                & $1.67e$-$09$     & $3.88e$-$16$ \\ \hline  
665 \end{tabular}
666 \caption{Performances of the parallel CG method for solving linear systems associated to sparse banded matrices on a cluster of 24 CPU cores vs. 
667 on a cluster of 12 GPUs.}
668 \label{tab:05}
669 \end{center}
670 \end{table}
671
672 \begin{table}[!h]
673 \begin{center}
674 \begin{tabular}{|c|c|c|c|c|c|c|} 
675 \hline
676 {\bf Matrix}      & $\mathbf{Time_{cpu}}$ & $\mathbf{Time_{gpu}}$ & $\mathbf{\tau}$ & $\mathbf{\# iter.}$ & $\mathbf{prec.}$ & $\mathbf{\Delta}$   \\ \hline \hline
677
678 2cubes\_sphere    & $3.597s$             & $0.514s$              & $6.99$          & $21$                & $2.11e$-$14$     & $8.67e$-$18$ \\
679
680 ecology2          & $2.549s$             & $0.288s$              & $8.83$          & $21$                & $4.88e$-$13$     & $2.08e$-$14$ \\
681
682 finan512          & $2.660s$             & $0.377s$              & $7.05$          & $17$                & $3.22e$-$12$     & $8.82e$-$14$ \\
683
684 G3\_circuit       & $3.139s$             & $0.480s$              & $6.53$          & $22$                & $1.04e$-$12$     & $5.00e$-$15$ \\
685
686 shallow\_water2   & $2.195s$             & $0.253s$              & $8.68$          & $17$                & $5.54e$-$21$     & $7.92e$-$24$ \\
687
688 thermal2          & $3.206s$             & $0.463s$              & $6.93$          & $21$                & $8.89e$-$12$     & $3.33e$-$16$ \\ \hline \hline
689
690 cage13            & $5.560s$             & $0.663s$              & $8.39$          & $26$                & $3.29e$-$11$     & $1.59e$-$14$ \\
691
692 crashbasis        & $25.802s$            & $3.511s$              & $7.35$          & $135$               & $6.81e$-$11$     & $4.61e$-$15$ \\
693
694 FEM\_3D\_thermal2 & $13.281s$            & $1.572s$              & $8.45$          & $64$                & $3.88e$-$09$     & $1.82e$-$12$ \\
695
696 language          & $12.553s$            & $1.760s$              & $7.13$          & $89$                & $2.11e$-$10$     & $1.60e$-$10$ \\
697
698 poli\_large       & $8.515s$             & $1.053s$              & $8.09$          & $69$                & $5.05e$-$11$     & $6.59e$-$12$ \\
699
700 torso3            & $31.463s$            & $3.681s$              & $8.55$          & $175$               & $2.69e$-$10$     & $2.66e$-$14$ \\ \hline
701 \end{tabular}
702 \caption{Performances of the parallel GMRES method for solving linear systems associated to sparse banded matrices on a cluster of 24 CPU cores vs. 
703 on a cluster of 12 GPUs.}
704 \label{tab:06}
705 \end{center}
706 \end{table}
707
708
709 %%--------------------------%%
710 %%       SECTION 5          %%
711 %%--------------------------%%
712 \section{Hypergraph partitioning}
713 \label{sec:05}
714 In this section, we present the performances of both parallel CG and GMRES solvers for solving linear systems associated to sparse matrices having
715 large bandwidths. Indeed, we are interested on sparse matrices having the nonzero values distributed along their bandwidths. 
716
717 \begin{figure}
718 \centerline{\includegraphics[scale=0.22]{Chapters/chapter12/figures/generation_1}}
719 \caption{Parallel generation of a large sparse five-bands matrix by four computing nodes.}
720 \label{fig:07}
721 \end{figure}
722
723 \begin{table}[!h]
724 \begin{center}
725 \begin{tabular}{|c|c|c|c|} 
726 \hline
727 {\bf Matrix type}             & {\bf Matrix name} & {\bf \# nnz}  & {\bf Bandwidth} \\ \hline \hline
728
729 \multirow{6}{*}{Symmetric}    & 2cubes\_sphere    & $829,082,728$ & $24,999,999$     \\
730
731                               & ecology2          & $254,892,056$ & $25,000,000$     \\ 
732
733                               & finan512          & $556,982,339$ & $24,999,973$     \\ 
734
735                               & G3\_circuit       & $257,982,646$ & $25,000,000$     \\
736             
737                               & shallow\_water2   & $200,798,268$ & $25,000,000$     \\
738
739                               & thermal2          & $359,340,179$ & $24,999,998$     \\ \hline \hline
740             
741 \multirow{6}{*}{Nonsymmetric} & cage13            & $879,063,379$ & $24,999,998$     \\
742
743                               & crashbasis        & $820,373,286$ & $24,999,803$     \\
744
745                               & FEM\_3D\_thermal2 & $1,194,012,703$ & $24,999,998$     \\
746
747                               & language          & $155,261,826$ & $24,999,492$     \\
748
749                               & poli\_large       & $106,680,819$ & $25,000,000$    \\
750
751                               & torso3            & $872,029,998$ & $25,000,000$\\ \hline
752 \end{tabular}
753 \caption{Main characteristics of sparse five-bands matrices generated from those of the Davis's collection.}
754 \label{tab:07}
755 \end{center}
756 \end{table}
757
758 We have developed in C programming language a generator of large sparse matrices having five bands distributed along their bandwidths (see Figure~\ref{fig:07}).
759 The principle of this generator is equivalent to that in Section~\ref{sec:04}. However, the copies performed on the initial matrix (chosen from the
760 Davis's collection) are placed on the main diagonal and on four off-diagonals, two on the right and two on the left of the main diagonal. Figure~\ref{fig:07}
761 shows an example of a generation of a sparse five-bands matrix by four computing nodes. Table~\ref{tab:07} shows the main characteristics of sparse
762 five-bands matrices generated from those presented in Table~\ref{tab:01} and associated to linear systems of $25$ million unknown values.   
763
764 \begin{table}[!h]
765 \begin{center}
766 \begin{tabular}{|c|c|c|c|c|c|c|} 
767 \hline
768 {\bf Matrix}      & $\mathbf{Time_{cpu}}$ & $\mathbf{Time_{gpu}}$ & $\mathbf{\tau}$ & $\mathbf{\# iter.}$ & $\mathbf{prec.}$ & $\mathbf{\Delta}$   \\ \hline \hline
769
770 2cubes\_sphere    & $6.041s$     & $3.338s$      & $1.81$ & $30$ & $6.77e$-$11$ & $3.25e$-$19$ \\
771
772 ecology2          & $1.404s$     & $1.301s$      & $1.08$ & $13$     & $5.22e$-$11$ & $2.17e$-$18$ \\
773
774 finan512          & $1.822s$     & $1.299s$      & $1.40$ & $12$     & $3.52e$-$11$ & $3.47e$-$18$ \\
775
776 G3\_circuit       & $2.331s$     & $2.129s$      & $1.09$ & $15$     & $1.36e$-$11$ & $5.20e$-$18$ \\
777
778 shallow\_water2   & $0.541s$     & $0.504s$      & $1.07$ & $6$      & $2.12e$-$16$ & $5.05e$-$28$ \\
779
780 thermal2          & $2.549s$     & $1.705s$      & $1.49$ & $14$     & $2.36e$-$10$ & $5.20e$-$18$ \\ \hline  
781 \end{tabular}
782 \caption{Performances of parallel CG solver for solving linear systems associated to sparse five-bands matrices
783 on a cluster of 24 CPU cores vs. on a cluster of 12 GPUs}
784 \label{tab:08}
785 \end{center}
786 \end{table}
787
788 \begin{table}
789 \begin{center}
790 \begin{tabular}{|c|c|c|c|c|c|c|} 
791 \hline
792 {\bf Matrix}      & $\mathbf{Time_{cpu}}$ & $\mathbf{Time_{gpu}}$ & $\mathbf{\tau}$ & $\mathbf{\# iter.}$ & $\mathbf{prec.}$ & $\mathbf{\Delta}$   \\ \hline \hline
793
794 2cubes\_sphere    & $15.963s$    & $7.250s$      & $2.20$  & $58$     & $6.23e$-$16$ & $3.25e$-$19$ \\
795
796 ecology2          & $3.549s$     & $2.176s$      & $1.63$  & $21$     & $4.78e$-$15$ & $1.06e$-$15$ \\
797
798 finan512          & $3.862s$     & $1.934s$      & $1.99$  & $17$     & $3.21e$-$14$ & $8.43e$-$17$ \\
799
800 G3\_circuit       & $4.636s$     & $2.811s$      & $1.65$  & $22$     & $1.08e$-$14$ & $1.77e$-$16$ \\
801
802 shallow\_water2   & $2.738s$     & $1.539s$      & $1.78$  & $17$     & $5.54e$-$23$ & $3.82e$-$26$ \\
803
804 thermal2          & $5.017s$     & $2.587s$      & $1.94$  & $21$     & $8.25e$-$14$ & $4.34e$-$18$ \\ \hline \hline
805
806 cage13            & $9.315s$     & $3.227s$      & $2.89$  & $26$     & $3.38e$-$13$ & $2.08e$-$16$ \\
807
808 crashbasis        & $35.980s$    & $14.770s$     & $2.43$  & $127$    & $1.17e$-$12$ & $1.56e$-$17$ \\
809
810 FEM\_3D\_thermal2 & $24.611s$    & $7.749s$      & $3.17$  & $64$     & $3.87e$-$11$ & $2.84e$-$14$ \\
811
812 language          & $16.859s$    & $9.697s$      & $1.74$  & $89$     & $2.17e$-$12$ & $1.70e$-$12$ \\
813
814 poli\_large       & $10.200s$    & $6.534s$      & $1.56$  & $69$     & $5.14e$-$13$ & $1.63e$-$13$ \\
815
816 torso3            & $49.074s$    & $19.397s$     & $2.53$  & $175$    & $2.69e$-$12$ & $2.77e$-$16$ \\ \hline
817 \end{tabular}
818 \caption{Performances of parallel GMRES solver for solving linear systems associated to sparse five-bands matrices
819 on a cluster of 24 CPU cores vs. on a cluster of 12 GPUs}
820 \label{tab:09}
821 \end{center}
822 \end{table}
823
824 Tables~\ref{tab:08} and~\ref{tab:09} shows the performaces of the parallel CG and GMRES solvers, respectively, obtained on
825 a cluster of $24$ CPU cores and on a cluster of $12$ GPUs. The linear systems solved in these tables are associated to the
826 sparse five-bands matrices presented on Table~\ref{tab:07}. We can notice from both Tables~\ref{tab:08} and~\ref{tab:09} that 
827 using a GPU cluster is not efficient for solving these kind of sparse linear systems. We can see that the execution times obtained
828 on the GPU cluster are almost equivalent to those obtained on the CPU cluster (see the relative gains presented in column~$4$
829 of each table). This is due to the large number of communications necessary to synchronize the computations over the cluster.
830 Indeed, the naive partitioning, row-by-row or column-by-column, of sparse matrices having large bandwidths can link a computing
831 node to many neighbors and then generate a large number of data dependencies between these computing nodes in the cluster. 
832
833 Therefore, we have chosen to use a hypergraph partitioning method, which is well-suited to numerous kinds of sparse matrices~\cite{ref11}.
834 Indeed, it can well model the communications between the computing nodes, particularly in the case of nonsymmetric and irregular
835 matrices, and it gives good reduction of the total communication volume. In contrast, it is an expensive operation in terms of 
836 execution time and memory space. 
837
838 The sparse matrix $A$ of the linear system to be solved is modeled as a hypergraph $\mathcal{H}=(\mathcal{V},\mathcal{E})$ as
839 follows:
840 \begin{itemize}
841 \item each matrix row $\{i\}_{0\leq i<n}$ corresponds to a vertex $v_i\in\mathcal{V}$ and,
842 \item each matrix column $\{j\}_{0\leq j<n}$ corresponds to a hyperedge $e_j\in\mathcal{E}$, where:
843 \begin{equation}
844 \forall a_{ij} \neq 0 \mbox{~is a nonzero value of matrix~} A \mbox{~:~} v_i \in pins[e_j],
845 \end{equation} 
846 \item $w_i$ is the weight of vertex $v_i$ and,
847 \item $c_j$ is the cost of hyperedge $e_j$.
848 \end{itemize}
849 A $K$-way partitioning of a hypergraph $\mathcal{H}=(\mathcal{V},\mathcal{E})$ is defined as $\mathcal{P}=\{\mathcal{V}_1,\ldots,\mathcal{V}_K\}$
850 a set of pairwise disjoint non-empty subsets (or parts) of the vertex set $\mathcal{V}$, so that each subset is attributed to a computing node.
851 Figure~\ref{fig:08} shows an example of the hypergraph model of a  $(9\times 9)$ sparse matrix in three parts. The circles and squares correspond,
852 respectively, to the vertices and hyperedges of the hypergraph. The solid squares define the cut hyperedges connecting at least two different parts. 
853 The connectivity $\lambda_j$ of a cut hyperedge $e_j$ denotes the number of different parts spanned by $e_j$.
854
855 \begin{figure}
856 \centerline{\includegraphics[scale=0.5]{Chapters/chapter12/figures/hypergraph}}
857 \caption{An example of the hypergraph partitioning of a sparse matrix decomposed between three computing nodes.}
858 \label{fig:08}
859 \end{figure}
860
861 The cut hyperedges model the total communication volume between the different computing nodes in the cluster, necessary to perform the parallel SpMV
862 multiplication. Indeed, each hyperedge $e_j$ defines a set of atomic computations $b_i\leftarrow b_i+a_{ij}x_j$, $0\leq i,j<n$, of the SpMV multiplication
863 $Ax=b$ that need the $j^{th}$ unknown value of solution vector $x$. Therefore, pins of hyperedge $e_j$, $pins[e_j]$, are the set of matrix rows sharing
864 and requiring the same unknown value $x_j$. For example in Figure~\ref{fig:08}, hyperedge $e_9$ whose pins are: $pins[e_9]=\{v_2,v_5,v_9\}$ represents the
865 dependency of matrix rows $2$, $5$ and $9$ to unknown $x_9$ needed to perform in parallel the atomic operations: $b_2\leftarrow b_2+a_{29}x_9$,
866 $b_5\leftarrow b_5+a_{59}x_9$ and $b_9\leftarrow b_9+a_{99}x_9$. However, unknown $x_9$ is the third entry of the sub-solution vector $x$ of part (or node) $3$.
867 So the computing node $3$ must exchange this value with nodes $1$ and $2$, which leads to perform two communications.
868
869 The hypergraph partitioning allows to reduce the total communication volume required to perform the parallel SpMV multiplication, while maintaining the 
870 load balancing between the computing nodes. In fact, it allows to minimize at best the following amount:
871 \begin{equation}
872 \mathcal{X}(\mathcal{P})=\sum_{e_{j}\in\mathcal{E}_{C}}c_{j}(\lambda_{j}-1),
873 \end{equation}
874 where $\mathcal{E}_{C}$ denotes the set of the cut hyperedges coming from the hypergraph partitioning $\mathcal{P}$ and $c_j$ and $\lambda_j$ are, respectively,
875 the cost and the connectivity of cut hyperedge $e_j$. Moreover, it also ensures the load balancing between the $K$ parts as follows: 
876 \begin{equation}
877   W_{k}\leq (1+\epsilon)W_{avg}, \hspace{0.2cm} (1\leq k\leq K) \hspace{0.2cm} \text{and} \hspace{0.2cm} (0<\epsilon<1),
878 \end{equation} 
879 where $W_{k}$ is the sum of all vertex weights ($w_{i}$) in part $\mathcal{V}_{k}$, $W_{avg}$ is the average weight of all $K$ parts and $\epsilon$ is the 
880 maximum allowed imbalanced ratio.
881
882 The hypergraph partitioning is a NP-complete problem but software tools using heuristics are developed, for example: hMETIS~\cite{ref12}, PaToH~\cite{ref13}
883 and Zoltan~\cite{ref14}. Since our objective is solving large sparse linear systems, we use the parallel hypergraph partitioning which must be performed by
884 at least two MPI processes. It allows to accelerate the data partitioning of large sparse matrices. For this, the hypergraph $\mathcal{H}$ must be partitioned
885 in $p$ (number of MPI processes) sub-hypergraphs $\mathcal{H}_k=(\mathcal{V}_k,\mathcal{E}_k)$, $0\leq k<p$, and then we performed the parallel hypergraph
886 partitioning method using some functions of the MPI library between the $p$ processes.
887
888 Tables~\ref{tab:10} and~\ref{tab:11} shows the performances of the parallel CG and GMRES solvers, respectively, using the hypergraph partitioning for solving
889 large linear systems associated to the sparse five-bands matrices presented in Table~\ref{tab:07}. For these experimental tests, we have applied the parallel
890 hypergraph partitioning~\cite{ref15} developed in Zoltan tool~\cite{ref14}. We have initialized the parameters of the partitioning operation as follows:
891 \begin{itemize}
892 \item the weight $w_{i}$ of each vertex $v_{j}\in\mathcal{V}$ is set to the number of nonzero values on matrix row $i$,
893 \item for the sake of simplicity, the cost $c_{j}$ of each hyperedge $e_{j}\in\mathcal{E}$ is fixed to $1$,
894 \item the maximum imbalanced load ratio $\epsilon$ is limited to $10\%$.\\
895 \end{itemize}  
896
897 \begin{table}[!h]
898 \begin{center}
899 \begin{tabular}{|c|c|c|c|c|} 
900 \hline
901 {\bf Matrix}    & $\mathbf{Time_{cpu}}$ & $\mathbf{Time_{gpu}}$ & $\mathbf{\tau}$ & $\mathbf{Gains \%}$ \\ \hline \hline
902
903 2cubes\_sphere  & $5.935s$             & $1.213s$              & $4.89$          & $63.66\%$ \\
904
905 ecology2        & $1.093s$             & $0.136s$              & $8.00$          & $89.55\%$ \\
906
907 finan512        & $1.762s$             & $0.475s$              & $3.71$          & $63.43\%$ \\
908
909 G3\_circuit     & $2.095s$             & $0.558s$              & $3.76$          & $73.79\%$ \\
910
911 shallow\_water2 & $0.498s$             & $0.068s$              & $7.31$          & $86.51\%$ \\
912
913 thermal2        & $1.889s$             & $0.348s$              & $5.43$          & $79.59\%$ \\ \hline  
914 \end{tabular}
915 \caption{Performances of the parallel CG solver using hypergraph partitioning for solving linear systems associated to
916 sparse five-bands matrices on a cluster of 24 CPU cores vs. on a cluster of 12 GPU.}
917 \label{tab:10}
918 \end{center}
919 \end{table}
920
921 \begin{table}[!h]
922 \begin{center}
923 \begin{tabular}{|c|c|c|c|c|} 
924 \hline
925 {\bf Matrix}      & $\mathbf{Time_{cpu}}$ & $\mathbf{Time_{gpu}}$ & $\mathbf{\tau}$ & $\mathbf{Gains \%}$ \\ \hline \hline
926
927 2cubes\_sphere    & $16.430s$            & $2.840s$              & $5.78$          & $60.83\%$ \\
928
929 ecology2          & $3.152s$             & $0.367s$              & $8.59$          & $83.13\%$ \\
930
931 finan512          & $3.672s$             & $0.723s$              & $5.08$          & $62.62\%$ \\
932
933 G3\_circuit       & $4.468s$             & $0.971s$              & $4.60$          & $65.46\%$ \\
934
935 shallow\_water2   & $2.647s$             & $0.312s$              & $8.48$          & $79.73\%$ \\
936
937 thermal2          & $4.190s$             & $0.666s$              & $6.29$          & $74.25\%$ \\ \hline \hline
938
939 cage13            & $8.077s$             & $1.584s$              & $5.10$          & $50.91\%$ \\
940
941 crashbasis        & $35.173s$            & $5.546s$              & $6.34$          & $62.43\%$ \\
942
943 FEM\_3D\_thermal2 & $24.825s$            & $3.113s$              & $7.97$          & $59.83\%$ \\
944
945 language          & $16.706s$            & $2.522s$              & $6.62$          & $73.99\%$ \\
946
947 poli\_large       & $12.715s$            & $3.989s$              & $3.19$          & $38.95\%$ \\
948
949 torso3            & $48.459s$            & $6.234s$              & $7.77$          & $67.86\%$ \\ \hline
950 \end{tabular}
951 \caption{Performances of the parallel GMRES solver using hypergraph partitioning for solving linear systems associated to
952 sparse five-bands matrices on a cluster of 24 CPU cores vs. on a cluster of 12 GPU.}
953 \label{tab:11}
954 \end{center}
955 \end{table}
956
957 We can notice from both Tables~\ref{tab:10} and~\ref{tab:11} that the hypergraph partitioning has improved the performances of both
958 parallel CG and GMRES algorithms. The execution times
959 on the GPU cluster of both parallel solvers are significantly improved compared to those obtained by using the partitioning row-by-row.
960 For these examples of sparse matrices, the execution times of CG and GMRES solvers are reduced about $76\%$ and $65\%$ respectively
961 (see column~$5$ of each table) compared to those obtained in Tables~\ref{tab:08} and~\ref{tab:09}.
962
963 In fact, the hypergraph partitioning applied to sparse matrices having large bandwidths allows to reduce the total communication volume
964 necessary to synchronize the computations between the computing nodes in the GPU cluster. Table~\ref{tab:12} presents, for each sparse
965 matrix, the total communication volume between $12$ GPU computing nodes obtained by using the partitioning row-by-row (column~$2$), the
966 total communication volume obtained by using the hypergraph partitioning (column~$3$) and the execution times in minutes of the hypergraph
967 partitioning operation performed by $12$ MPI processes (column~$4$). The total communication volume defines the total number of the vector
968 elements exchanged by the computing nodes. Then, Table~\ref{tab:12} shows that the hypergraph partitioning method can split the sparse 
969 matrix so as to minimize the data dependencies between the computing nodes and thus to reduce the total communication volume.
970
971 \begin{table}
972 \begin{center}
973 \begin{tabular}{|c|c|c|c|} 
974 \hline
975 \multirow{4}{*}{\bf Matrix}  & {\bf Total comms.}      & {\bf Total comms.}      & {\bf Execution} \\
976                              & {\bf volume without}    & {\bf volume with}       & {\bf trime}  \\
977                              & {\bf hypergraph}        & {\bf hypergraph }       & {\bf of the parti.}  \\  
978                              & {\bf parti.}            & {\bf parti.}            & {\bf in minutes}\\ \hline \hline
979
980 2cubes\_sphere               & $25,360,543$            & $240,679$               & $68.98$         \\
981
982 ecology2                     & $26,044,002$            & $73,021$                & $4.92$          \\
983
984 finan512                     & $26,087,431$            & $900,729$               & $33.72$         \\
985
986 G3\_circuit                  & $31,912,003$            & $5,366,774$             & $11.63$         \\ 
987
988 shallow\_water2              & $25,105,108$            & $60,899$                & $5.06$          \\ 
989
990 thermal2                     & $30,012,846$            & $1,077,921$             & $17.88$         \\ \hline \hline
991
992 cage13                       & $28,254,282$            & $3,845,440$             & $196.45$        \\
993
994 crashbasis                   & $29,020,060$            & $2,401,876$             & $33.39$         \\
995
996 FEM\_3D\_thermal2            & $25,263,767$            & $250,105$               & $49.89$         \\
997
998 language                     & $27,291,486$            & $1,537,835$             & $9.07$          \\
999
1000 poli\_large                  & $25,053,554$            & $7,388,883$             & $5.92$          \\
1001
1002 torso3                       & $25,682,514$            & $613,250$               & $61.51$         \\ \hline       
1003 \end{tabular}
1004 \caption{The total communication volume between 12 GPU computing nodes without and with the hypergraph partitioning method.}
1005 \label{tab:12}
1006 \end{center}
1007 \end{table}
1008
1009 Nevertheless, as we can see from the fourth column of Table~\ref{tab:12}, the hypergraph partitioning takes longer compared
1010 to the execution times of the resolutions. As previously mentioned, the hypergraph partitioning method is less efficient in
1011 terms of memory consumption and partitioning time than its graph counterpart, but the hypergraph well models the nonsymmetric
1012 and irregular problems. So for the applications which often use the same sparse matrices, we can perform the hypergraph partitioning
1013 on these matrices only once for each and then, we save the traces of these partitionings in files to be reused several times.
1014 Therefore, this allows to avoid the partitioning of the sparse matrices at each resolution of the linear systems.
1015
1016 \begin{figure}[!t]
1017 \centering
1018 \begin{tabular}{c}
1019 \includegraphics[scale=0.7]{Chapters/chapter12/figures/scale_band} \\
1020 \small{(a) Sparse band matrices} \\
1021 \\
1022 \includegraphics[scale=0.7]{Chapters/chapter12/figures/scale_5band} \\
1023 \small{(b) Sparse five-bands matrices}
1024 \end{tabular}
1025 \caption{Weak-scaling of the parallel CG and GMRES solvers on a GPU cluster for solving large sparse linear systems.}
1026 \label{fig:09}
1027 \end{figure}
1028
1029 However, the most important performance parameter is the scalability of the parallel CG and GMRES solvers on a GPU cluster.
1030 Particularly, we have taken into account the weak-scaling of both parallel algorithms on a cluster of one to 12 GPU computing
1031 nodes. We have performed a set of experiments on both matrix structures: band matrices and five-bands matrices. The
1032 sparse matrices of tests are generated from the symmetric sparse matrix {\it thermal2} chosen from the Davis's collection.
1033 Figures~\ref{fig:09}-$(a)$ and~\ref{fig:09}-$(b)$ show the execution times of both parallel methods for solving large linear
1034 systems associated to band matrices and those associated to five-bands matrices, respectively. The size of a sparse sub-matrix
1035 per computing node, for each matrix structure, is fixed as follows:
1036 \begin{itemize}
1037 \item band matrix: $15$ million of rows and $105,166,557$ of nonzero values,
1038 \item five-bands matrix: $5$ million of rows and $78,714,492$ of nonzero values. 
1039 \end{itemize}
1040 We can see from these figures that both parallel solvers are quite scalable on a GPU cluster. Indeed, the execution times remains
1041 almost constant while the size of the sparse linear systems to be solved increases proportionally with the number of 
1042 the GPU computing nodes. This means that the communication cost is relatively constant regardless of the number the computing nodes
1043 in the GPU cluster.
1044
1045
1046
1047 %%--------------------------%%
1048 %%       SECTION 6          %%
1049 %%--------------------------%%
1050 \section{Conclusion}
1051 \label{sec:06}
1052 In this chapter, we have aimed at harnessing the computing power of a cluster of GPUs for solving large sparse linear systems.
1053 For this, we have used two Krylov sub-space iterative methods: the CG and GMRES methods. The first method is well-known to its
1054 efficiency for solving symmetric linear systems and the second one is used, particularly, for solving nonsymmetric linear systems. 
1055
1056 We have presentend the parallel implementation of both iterative methods on a GPU cluster. Particularly, the operations dealing with
1057 the vectors and/or matrices, of these methods, are parallelized between the different GPU computing nodes of the cluster. Indeed,
1058 the data-parallel vector operations are accelerated by GPUs and the communications required to synchronize the parallel computations
1059 are carried out by CPU cores. For this, we have used a heterogeneous CUDA/MPI programming to implement the parallel iterative
1060 algorithms.
1061
1062 In the experimental tests, we have shown that using a GPU cluster is efficient for solving linear systems associated to very large
1063 sparse matrices. The experimental results, obtained in the present chapter, showed that a cluster of $12$ GPUs is about $7$
1064 times faster than a cluster of $24$ CPU cores for solving large sparse linear systems of $25$ million unknown values. This is due
1065 to the GPU ability to compute the data-parallel operations faster than the CPUs. However, we have shown that solving linear systems
1066 associated to matrices having large bandwidths uses many communications to synchronize the computations of GPUs, which slow down 
1067 even more the resolution. Moreover, there are two kinds of communications: between a CPU and its GPU and between CPUs of the computing
1068 nodes, such that the first ones are the slowest communications on a GPU cluster. So, we have proposed to use the hypergraph partitioning
1069 instead of the row-by-row partitioning. This allows to minimize the data dependencies between the GPU computing nodes and thus to
1070 reduce the total communication volume. The experimental results showed that using the hypergraph partitioning technique improve the
1071 execution times on average of $76\%$ to the CG method and of $65\%$ to the GMRES method on a cluster of $12$ GPUs. 
1072
1073 In the recent GPU hardware and software architectures, the GPU-Direct system with CUDA version 5.0 is used so that two GPUs located on
1074 the same node or on distant nodes can communicate between them directly without CPUs. This allows to improve the data transfers between
1075 GPUs.          
1076
1077 \putbib[Chapters/chapter12/biblio12]
1078