]> AND Private Git Repository - mpi-energy.git/blobdiff - paper.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
updates
[mpi-energy.git] / paper.tex
index 8c272cbdc1856f8f9d28c397cfad377b481dc0b3..61d95c6232a8e08cf3b0fff75438afee2ffdb09b 100644 (file)
--- a/paper.tex
+++ b/paper.tex
 \usepackage{colortbl}
 \usepackage{amsmath}
 
+\usepackage{url}
+\DeclareUrlCommand\email{\urlstyle{same}}
+
 \usepackage[autolanguage,np]{numprint}
 \renewcommand*\npunitcommand[1]{\text{#1}}
 
 \usepackage{xspace}
 \usepackage[textsize=footnotesize]{todonotes}
 \newcommand{\AG}[2][inline]{\todo[color=green!50,#1]{\sffamily\textbf{AG:} #2}\xspace}
+\newcommand{\JC}[2][inline]{\todo[color=red!10,#1]{\sffamily\textbf{JC:} #2}\xspace}
 
 \begin{document}
 
   \IEEEauthorblockA{%
     FEMTO-ST Institute\\
     University of Franche-Comté\\
-    IUT de Belfort-Montb\'{e}liard, Rue Engel Gros, BP 27, 90016 Belfort, France\\
-   Fax  : (+33)~3~84~58~77~32\\
-   Email: \{jean-claude.charr, raphael.couturier, ahmed.fanfakh, arnaud.giersch\}@univ-fcomte.fr
+    IUT de Belfort-Montbéliard, 19 avenue du Maréchal Juin, BP 527, 90016 Belfort cedex, France\\
+    Fax  : +33~3~84~58~77~32\\
+    Email: \email{{jean-claude.charr,raphael.couturier,ahmed.fanfakh_badri_muslim,arnaud.giersch}@univ-fcomte.fr}
    }
   }
 
 \maketitle
 
+\AG{Is the fax number correct? Shall we add a telephone number?}
 \begin{abstract}
   Dynamic Voltage Frequency Scaling (DVFS) can be applied to modern CPUs. 
 This technique is usually used to reduce the energy consumed by a CPU while
@@ -47,7 +52,7 @@ exponentially related to its frequency. Thus, decreasing the frequency reduces
 the power consumed by the CPU. However, it can also significantly affect the
 performance of the executed program if it is compute bound and a low CPU
 frequency is selected. The performance degradation ratio can even be higher than
-the saved energy ratio. Therefore, the chosen scaling factor must give the best possible tradeoff
+the saved energy ratio. Therefore, the chosen scaling factor must give the best possible trade-off
 between energy reduction and performance. 
 
 In this paper we present an algorithm
@@ -101,20 +106,20 @@ benchmarks (NPB v3.3) developed by NASA~\cite{44}. Our experiments are executed
 using the simulator SimGrid/SMPI v3.10~\cite{Casanova:2008:SGF:1397760.1398183}
 over an homogeneous distributed memory architecture. Furthermore, we compare the
 proposed algorithm with Rauber and Rünger methods~\cite{3}.
-The comparison's results show that our algorithm gives better energy-time tradeoff.
+The comparison's results show that our algorithm gives better energy-time trade-off.
 
 This paper is organized as follows: Section~\ref{sec.relwork} presents related works
 from other authors.  Section~\ref{sec.exe} shows the execution of parallel
 tasks and sources of idle times.  It resumes the energy
 model of homogeneous platform. Section~\ref{sec.mpip} evaluates the performance
-of MPI program.  Section~\ref{sec.compet} presents the energy-performance tradeoffs
+of MPI program.  Section~\ref{sec.compet} presents the energy-performance trade-offs
 objective function. Section~\ref{sec.optim} demonstrates the proposed energy-performance algorithm. Section~\ref{sec.expe} verifies the performance prediction
 model and presents the results of the proposed algorithm.  Also, It shows the comparison results. Finally,
 we conclude in Section~\ref{sec.concl}.
 \section{Related works}
 \label{sec.relwork}
 
-\AG{Consider introducing the models sec.~\ref{sec.exe} maybe before related works}
+\AG{Consider introducing the models (sec.~\ref{sec.exe}) before related works}
 
 In this section, some heuristics to compute the scaling factor are
 presented and classified into two categories: offline and online methods.
@@ -152,7 +157,7 @@ To maintain the performance of the parallel program , they
 set the  processor with the biggest load to the highest gear and then compute the scaling  factor values for the rest of the processors. Although this model was built for parallel architectures, it can be adapted  to distributed architectures by taking into account the communications. 
 The primary contribution of this paper is presenting a new online scaling factor selection method which has the following characteristics :
 \begin{enumerate}
-\item Based on Rauber's analytical model to predict the energy consumption and the execution time of the application with different frequency gears. 
+\item Based on Rauber and Rünger analytical model to predict the energy consumption and the execution time of the application with different frequency gears. 
 \item Selects the frequency scaling factor for simultaneously optimizing energy reduction and maintaining performance.
 \item Well adapted to distributed architectures because it takes into account the communication time.
 \item Well adapted to distributed applications with imbalanced tasks.
@@ -164,7 +169,7 @@ The primary contribution of this paper is presenting a new online scaling factor
 
 \section{Execution and energy of parallel tasks on homogeneous platform} 
 \label{sec.exe}
-%\AG{The whole subsection ``Parallel Tasks Execution on Homogeneous Platform'', can be deleted if we need space, we can just say we are interested in this paper in homogeneous clusters}
+%\JC{The whole subsection ``Parallel Tasks Execution on Homogeneous Platform'', can be deleted if we need space, we can just say we are interested in this paper in homogeneous clusters}
 \subsection{Parallel tasks execution on homogeneous platform}
 A homogeneous cluster consists of identical nodes in terms of hardware and software. 
 Each node has its own memory and at least one processor which can
@@ -174,8 +179,8 @@ we consider execution of the synchronous tasks on distributed homogeneous
 platform. These tasks can exchange the data via synchronous message passing.
 \begin{figure*}[t]
   \centering
-  \subfloat[Sync. imbalanced communications]{\includegraphics[scale=0.67]{commtasks}\label{fig:h1}}
-  \subfloat[Sync. imbalanced computations]{\includegraphics[scale=0.67]{compt}\label{fig:h2}}
+  \subfloat[Sync. imbalanced communications]{\includegraphics[scale=0.67]{fig/commtasks}\label{fig:h1}}
+  \subfloat[Sync. imbalanced computations]{\includegraphics[scale=0.67]{fig/compt}\label{fig:h2}}
   \caption{Parallel tasks on homogeneous platform}
   \label{fig:homo}
 \end{figure*}
@@ -236,7 +241,7 @@ new frequency value~(\emph {P-state}) in the governor. The CPU governor is an
 interface driver supplied by the operating system's kernel to
 lower a core's frequency.  This factor reduces
 quadratically the dynamic power which may cause degradation in performance and thus, the increase of the static energy because the execution time is increased~\cite{36}. If the tasks are sorted according to their execution times before scaling in a descending order,   the total energy consumption model for a parallel
-homogeneous platform, as  presented by Rauber et al.~\cite{3}, can be written as a function of   the scaling factor \emph S,   as in EQ~(\ref{eq:energy}).
+homogeneous platform, as  presented by Rauber and Rünger~\cite{3}, can be written as a function of   the scaling factor \emph S,   as in EQ~(\ref{eq:energy}).
 
 \begin{equation}
   \label{eq:energy}
@@ -264,7 +269,7 @@ EQ~(\ref{eq:energy}). The optimal scaling factor is computed by minimizing the d
     \left( 1 + \sum_{i=2}^{N} \frac{T_i^3}{T_1^3} \right) }
 \end{equation}
 
-\AG{The following 2 sections can be merged easily}
+\JC{The following 2 sections can be merged easily}
 
 \section{Performance evaluation of MPI programs}
 \label{sec.mpip}
@@ -340,10 +345,10 @@ performance as follows:
 \begin{figure*}
   \centering
   \subfloat[Converted relation.]{%
-    \includegraphics[width=.4\textwidth]{file.eps}\label{fig:r1}}%
+    \includegraphics[width=.4\textwidth]{fig/file}\label{fig:r1}}%
   \qquad%
   \subfloat[Real relation.]{%
-    \includegraphics[width=.4\textwidth]{file3.eps}\label{fig:r2}}
+    \includegraphics[width=.4\textwidth]{fig/file3}\label{fig:r2}}
   \label{fig:rel}
   \caption{The energy and performance relation}
 \end{figure*}
@@ -466,10 +471,10 @@ time values. These scaling factors are computed by dividing the maximum
 frequency by the new one see EQ~(\ref{eq:s}). 
 \begin{figure*}[t]
   \centering
-  \includegraphics[width=.328\textwidth]{cg_per.eps}\hfill%
-  \includegraphics[width=.328\textwidth]{mg_pre.eps}\hfill%
- % \includegraphics[width=.4\textwidth]{bt_pre.eps}\qquad%
-  \includegraphics[width=.328\textwidth]{lu_pre.eps}\hfill%
+  \includegraphics[width=.328\textwidth]{fig/cg_per}\hfill%
+  \includegraphics[width=.328\textwidth]{fig/mg_pre}\hfill%
+ % \includegraphics[width=.4\textwidth]{fig/bt_pre}\qquad%
+  \includegraphics[width=.328\textwidth]{fig/lu_pre}\hfill%
   \caption{Comparing predicted to real execution time}
   \label{fig:pred}
 \end{figure*}
@@ -489,7 +494,7 @@ respectively.
 Depending on EQ~(\ref{eq:energy}), we measure the energy consumption for all
 the NAS MPI programs while assuming the power dynamic with the highest frequency is equal to \np[W]{20} and
 the power static is equal to \np[W]{4} for all experiments. These power values were also
-used by Rauber and Rünger in~\cite{3}.   The results showed that the algorithm selected
+used by Rauber and Rünger in~\cite{3}.  The results showed that the algorithm selected
 different scaling factors for each program depending on the communication
 features of the program as in the plots~(\ref{fig:nas}). These plots illustrate that
 there are different distances between the normalized energy and the normalized
@@ -507,13 +512,13 @@ energy saving percent and the minimum performance degradation percent at the
 same time from all available scaling factors.
 \begin{figure*}[t]
   \centering
-  \includegraphics[width=.328\textwidth]{ep.eps}\hfill%
-  \includegraphics[width=.328\textwidth]{cg.eps}\hfill%
-  \includegraphics[width=.328\textwidth]{sp.eps}
-  \includegraphics[width=.328\textwidth]{lu.eps}\hfill%
-  \includegraphics[width=.328\textwidth]{bt.eps}\hfill%
-  \includegraphics[width=.328\textwidth]{ft.eps}
-  \caption{Optimal scaling factors for predicted energy and performance of NAS benchmarks}
+  \includegraphics[width=.328\textwidth]{fig/ep}\hfill%
+  \includegraphics[width=.328\textwidth]{fig/cg}\hfill%
+  \includegraphics[width=.328\textwidth]{fig/sp}
+  \includegraphics[width=.328\textwidth]{fig/lu}\hfill%
+  \includegraphics[width=.328\textwidth]{fig/bt}\hfill%
+  \includegraphics[width=.328\textwidth]{fig/ft}
+  \caption{Optimal scaling factors for the predicted energy and performance of NAS benchmarks}
   \label{fig:nas}
 \end{figure*}
 \begin{table}[htb]
@@ -551,7 +556,9 @@ optimal level without considering the performance as in EQ~(\ref{eq:sopt}). We
 refer to this scenario as $R_{E}$. The second scenario is similar to the first
 except setting the slower task to the maximum frequency (when the scale $S=1$)
 to keep the performance from degradation as mush as possible. We refer to this
-scenario as $R_{E-P}$. While we refer to our algorithm as EPSA. The comparison is made in tables~(\ref{table:compareA},\ref{table:compareB},\ref{table:compareC}). These
+scenario as $R_{E-P}$. While we refer to our algorithm as EPSA. The comparison
+is made in tables \ref{table:compareA}, \ref{table:compareB},
+and~\ref{table:compareC}. These
 tables show the results of our method and Rauber and Rünger scenarios for all the
 NAS benchmarks programs for classes A,B and C.
 \begin{table}[p]
@@ -682,28 +689,29 @@ As shown in tables~\ref{table:compareA},~\ref{table:compareB} and~\ref{table:com
 
 Figure~(\ref{fig:compare}) shows the maximum distance between the energy saving
 percent and the performance degradation percent.  
-Negative values mean that one of the two objectives (energy or performance) have been degraded more than the other. The positive tradeoffs with the highest values lead to maximum energy savings
+Negative values mean that one of the two objectives (energy or performance) have been degraded more than the other. The positive trade-offs with the highest values lead to maximum energy savings
 while keeping the performance degradation as low as possible. Our algorithm always
-gives the highest positive energy to performance tradeoffs while Rauber and Rünger method
-($R_{E-P}$) gives in some time negative tradeoffs such as in BT and
+gives the highest positive energy to performance trade-offs while Rauber and Rünger method
+($R_{E-P}$) gives in some time negative trade-offs such as in BT and
 EP.
 \begin{figure*}[t]
   \centering
-  \includegraphics[width=.328\textwidth]{compare_class_A.pdf}
-  \includegraphics[width=.328\textwidth]{compare_class_B.pdf}
-  \includegraphics[width=.328\textwidth]{compare_class_c.pdf}
+  \includegraphics[width=.328\textwidth]{fig/compare_class_A}
+  \includegraphics[width=.328\textwidth]{fig/compare_class_B}
+  \includegraphics[width=.328\textwidth]{fig/compare_class_C}
   \caption{Comparing our method to Rauber and Rünger methods}
   \label{fig:compare}
 \end{figure*}
 \section{Conclusion}
 \label{sec.concl}
-In this paper, we have presented a new online scaling factor selection method that optimizes simultaneously the energy and performance of a distributed application running on an homogeneous cluster. It uses the computation and communication times measured at the first iteration to predict energy consumption and the performance of the parallel application at every available frequency. Then, it selects the scaling factor that gives the best tradeoff between energy reduction and performance which is the maximum distance between the energy and the inverted performance curves. To evaluate this method, we have applied it to the NAS benchmarks and it was compared to Rauber and Rünger methods while being executed on the simulator SimGrid. The results showed that our method, outperforms Rauber and Rünger methods in terms of energy-performance ratio. 
+In this paper, we have presented a new online scaling factor selection method that optimizes simultaneously the energy and performance of a distributed application running on an homogeneous cluster. It uses the computation and communication times measured at the first iteration to predict energy consumption and the performance of the parallel application at every available frequency. Then, it selects the scaling factor that gives the best trade-off between energy reduction and performance which is the maximum distance between the energy and the inverted performance curves. To evaluate this method, we have applied it to the NAS benchmarks and it was compared to Rauber and Rünger methods while being executed on the simulator SimGrid. The results showed that our method, outperforms Rauber and Rünger methods in terms of energy-performance ratio. 
 
 In the near future, we would like to adapt this scaling factor selection method to heterogeneous platforms where each node has different characteristics. In particular, each CPU has different available frequencies, energy consumption and performance. It would be also interesting to develop a new energy model for asynchronous parallel iterative methods where the number of iterations is not known in advance and depends on the global convergence of the iterative system.
 
 
 \section*{Acknowledgment}
-As a PhD student, M. Ahmed Fanfakh, would like to thank the University of
+Computations have been performed on the supercomputer facilities of the
+Mésocentre de calcul de Franche-Comté. As a PhD student, M. Ahmed Fanfakh, would like to thank the University of
 Babylon (Iraq) for supporting his work.
 
 % trigger a \newpage just before the given reference
@@ -724,4 +732,4 @@ Babylon (Iraq) for supporting his work.
 %%% End:
 
 %  LocalWords:  Fanfakh Charr FIXME Tianhe DVFS HPC NAS NPB SMPI Rauber's Rauber
-%  LocalWords:  CMOS EQ EPSA Franche Comté Tflop Rünger
+%  LocalWords:  CMOS EQ EPSA Franche Comté Tflop Rünger IUT Maréchal Juin cedex