CC BY
69
УДК 004.021
ПАРАЛЛЕЛЬНАЯ РЕАЛИЗАЦИЯ АСИНХРОННЫХ КЛЕТОЧНО-АВТОМАТНЫХ АЛГОРИТМОВ
К.В. Калгин
В статье предлагается алгоритм распараллеливания асинхронного клеточного автомата, основанный на его вероятностных свойствах. Приводятся результаты тестирования на кластере МСЦ МВС-100000. Ключевые слова: параллельный алгоритм, методы Монте-Карло, асинхронный клеточный автомат, клеточный автомат.
Введение
В настоящее время известно много клеточно-автоматных моделей природных явлений, которые, в зависимости от назначения, различаются алфавитом состояний, структурой дискретного пространства, правилами переходов и режимами функционирования [1]. Имеются два базовых режима работы клеточных автоматов (КА) - синхронный и асинхронный. В некоторых случаях также используют смешанные синхронно-асинхронные режимы [2] - блочно-синхронный и упорядоченный.
КА моделирование реальных процессов требует больших вычислительных мощностей, поскольку для выявления в них каких-либо свойств необходимо оперировать большим количеством клеток (1010-1012) в течение длительного времени (103-105 итераций). Основные свойства КА - естественная мелкозернистая параллельность и локальность взаимодействий - делают эту модель привлекательной для использования при моделировании на мультикомпьютерах. Однако асинхронные КА не поддаются столь же легкому распараллеливанию, как синхронные.
Асинхронные клеточные автоматы (АКА), рассматриваемые в данной статье, применяются в основном для моделирования кинетических процессов в наносистемах. Известны результаты их применения для изучения поверхностных химических реакций на катализаторах [3], адсорбции, сублимации и диффузии атомов при эпитаксиальном росте кристаллов [4], при исследовании процессов диссоциации водорода в пористых электродах водородного энергетического элемента, а также при проектировании режимов напыления металлов для получения твердых и антикоррозийных покрытий [2].
Известны два варианта [5] асинхронного режима - пошаговый (step-driven) и повременной (time-driven). В первом случае итерация разбивается на шаги, и на каждом шаге с равной вероятностью может быть выбрана любая клетка для изменения состояния, а во втором - время следующего изменения определяется экспоненциально распределенной случайной величиной. В статье рассматриваются АКА первого типа, они требуют существенно меньших накладных расходов на организацию вычислений, в отличие от АКА второго типа, и при этом на больших размерах клеточной области эквиваленты им. Результаты распараллеливания повременного (time-driven) АКА представлены в [6].
Асинхронный клеточный автомат
Асинхронный клеточный автомат, как и синхронный, определяется набором [Zd, A, V, ф), где Zd - конечное подмножество дискретного d -мерного пространства,
которое определяет множество местоположений клеток, A - множество возможных состояний клеток, V - шаблон соседства - набор векторов, определяющий соседство
клетки х е Zd, V(х) = |х + v | v е V} е Zd , а ф : A|V| ^ A - правило перехода в новое состояние. Под срабатыванием клетки далее понимается изменение ее состояния по правилу перехода.
Клеткой будем называть пару (х, а) е X х А, где а е А - состояние клетки, а х е 7й - ее координата. Множество клеток О = {(х,а)} е Xй х А, в котором нет клеток с одинаковыми координатами, будем называть клеточным массивом. Далее будем отождествлять клетку и ее координаты, поскольку в клеточном массиве между ними существует взаимно однозначное соответствие.
В работе рассматривается двумерная прямоугольная область Xй = X2 размера Nх х Ыу, а в качестве шаблона соседства - окрестность фон Неймана
V = {(-1,0), (0, -1), (1,0), (0,1), (0,0)} .
Процесс работы АКА разбивается на итерации, которые состоят из X2 = NхNy
шагов. Шагом будем называть единичное применение функции перехода к некоторой случайно выбранной клетке. Таким образом, в ходе одной итерации АКА реализуется
некоторая случайная последовательность клеток С = {с1,..., с| 2| | с{ е X2}.
Вероятностные свойства АКА
При распараллеливании клеточный массив делится между процессами на непересекающиеся домены Д, Б2, ..., . Множество граничных клеток домена Бк будем обозначать Вк = {с е Бк | 3/ Ф к : V(с) IФ 0} . Рассмотрим поведение АКА при моделировании одним процессом, но при логическом делении клеточного массива на домены.
Пусть С = {с1,...,С| 2| | с{ е X2} - упорядоченное множество клеток, которое определяет порядок срабатывания во время одной из итераций (рис. 1). Пусть гпк = С п(Пк \Вк) - упорядоченное множество внутренних срабатываний, а
Ъоипйк = С п Вк - граничных срабатываний домена Вк.
Рис. 1. Последовательность срабатываний одной итерации
Пусть Ьк = {/0к,¡к,...,/кг,..., 1Ъкоип, где /0к = 0 , а - номера шагов, на которых происходят срабатывания клеток из множества Ъоипйк .
Пусть 1кг = {сг е гпк | /кг-1 < г < /кг } - упорядоченное множество клеток, срабатывания которых происходят внутри домена Вк между двумя срабатываниями на его границе. Для лучшего понимания на рис. 2 графически отображены множества Ьк и 1кг .
Рис. 2. Разбитый на подмножества порядок срабатывания
По C и по разбиению Z2 на домены однозначным образом определяется множество троек
4(0) = {(Lk,boundк,II) |1 < k < p^ < г < \boundk},
но обратное неверно - далеко не всегда по У( C) порядок срабатывания восстанавливается однозначно.
Рассмотрим другой порядок C' с таким же разбиением, У( C') = ). Тогда порядки C и C' могут отличаться лишь в упорядочивании клеток из ^, относящихся к
различным доменам, а упорядочивание клеток внутри и на границах, а также между границами доменов сохраняется. Следовательно, исполнения C и C' на одинаковых начальных клеточных массивах приводят к одним и тем же результатам - в этом случае эти два порядка будем называть эквивалентными.
Таким образом, для исполнения очередной итерации вместо порядка C достаточно сформировать некоторое разбиение У( C) . Поскольку на каждой итерации порядок
формируется по определенным правилам, то и У( C) должно формироваться в соответствии со своими вероятностными характеристиками элементов множеств Lk, размеров
множеств Ik и boundk :
P(lk - lh = t|t> 0)=(1 ^ у-в
где pk = Bk |/|
Z2
A!
(1 -ak )A-t
Z 2\ Bb
д| = t) = — И t!(Л —Г)!
омиальное распределение, где Л = ^ — ^1, а ак = \Ок \ Bk | /
= — 1
Алгоритм формирования У^) кратко можно описать следующим образом.
(1)
(2) (3)
1. В соответствии с (1) генерируются величины l^, тем самым определяя \boundk\ и |Lk|. Пусть х - экспоненциально распределенная случайная величина с параметром X = - log (1 - Pk ), тогда P (|_хJ = t) = (1 - pk )t 1 - pk, откуда получаем
lk = lh + [randEхp(-log(1 -pk))], где randEхp (X) - генератор псевдослучайных чисел экспоненциального распреде-
ления.
а
1. Пользуясь генератором псевдослучайных чисел биномиального распределения randBin(A, а), в соответствии с (2) получаем
\ïkr | = randBin(A, аk ) .
2. Размеры множеств boundk и Ikr уже определены, а их элементы (координаты клеток)
получаются с использованием генератора псевдослучайных чисел равномерного распределения.
Стоит заметить, что разбиение Y( C ), сформированное по такому алгоритму, определяет множество эквивалентных порядков, у каждого из которых общее число срабатываний во всем клеточном массиве является случайной величиной с математическим ожиданием Z .
Реализация параллельного алгоритма
1. Построение Y(C). Для каждого домена Dk соответствующим процессом строится набор (bk, boundk, I^ . Затем процессы, отвечающие соседним доменам Dk и Dk,, обмениваются множествами Lk, boundk и Lk,, boundk,.
2. Исполнение итерации. Состояния клеток в каждом домене Dk последовательно изменяются в соответствии с полученными порядками обхода boundk и Ikp . Если очередная клетка с лежит на границе, с е boundk, и ее номер из Lk есть lk, то в соответствии с множествами Lk, и boundk,, полученными от соседних процессов, выполняется следующее:
для каждого соседнего домена Dk, и для каждого срабатывания клетки с' е boundk, с
номером lk е Lk, такого, что lk < lk, с' е V (с), причем состояние клетки с' еще не было
получено после последнего изменения, получаем состояние клетки с' от процесса k ' ; применяем функцию перехода к клетке с е boundk ;
для каждого соседнего домена Dk выполняем: если существует срабатывание клетки с' е boundk. с номером lk е Lk,, такое, что lj < lk и с е V(с'), то отсылаем новое состояние граничной клетки с соответствующему процессу.
Результаты тестирования
В качестве КА модели для тестирования была выбрана модель Изинга - математическая модель намагничивания материала в статистической физике. Описание модели в терминах АКА можно найти в [6].
Тестирование проводилось при следующих условиях. Размер клеточной области Z2| = NxNy , где Nx = 215 = 32768 и Ny = 214 = 16384, а Z2 делится на прямоугольники,
по форме максимально приближенные к квадратам. Используемый кластер - МСЦ МВС-100000 (восемь процессорных ядер Xeon в одном узле). Эффективность вычисляется по формуле e = T1/(p*Tp), где p - количество используемых процессоров, а Tk -время счета на k процессорах.
1 2 4 8 16 32 64 123 256 512
Процессоры а
1 2 4 8 16 32 64
Процессоры
б
Рис. 3. а - эффективность работы при использовании всех процессоров всех узлов, б - сравнение эффективности работы при использовании одного (серые столбцы) или всех (черные столбцы) процессоров каждого из вычислительных узлов
Запуск производился в двух режимах - при использовании всех процессоров всех узлов (рис. 3, а) и при использовании лишь одного процессора из каждого узла. Сравнение эффективности работы в этих режимах (рис. 3, б) показало, что эффективность второго режима приблизительно в два раза больше. Это может быть объяснено тем, что скорость случайного доступа в память при восьми работающих процессорах на порядок меньше, чем при одном процессоре.
Заключение
В статье был предложен новый алгоритм крупноблочного распараллеливания АКА, основанный на его вероятностных свойствах. Представленные результаты тестирования реализации свидетельствуют о пригодности ее применении для моделирования больших АКА моделей реальных процессов на достаточно большом количестве процессоров.
Дальнейшая работа заключается в исследовании влияния на ускорение формы шаблона соседства V, сложности функции перехода ф и способах деления клеточной области Z2.
Литература
1. Бандман О. Л. Клеточно-автоматные модели пространственной динамики // Сборник научных докладов «Системная информатика». - Новосибирск: Изд-во СО РАН, 2006. - Вып. 10.
2. Bandman O.L. Coarse-grained parallelization of cellular-automata simulation algorithms // Parallel Computing Technologies. - Heidelberg: LNCS Springer. - 2007. -Vol. 4671. - Р. 370-384.
3. Elokhin V.I. Application of Statistical Lattice Models to the Analysis of Oscillatory and Autowave Processes on the Reaction of Carbon Monoxide Oxidation over Platinum and Palladium Surfaces // Kinetics and Catalysis. - 2003. - Vol. 44. - Р. 672-700.
4. Neizvestny I.G. 3D-model of epitaxial growth on porous {111} and {100} Si surfaces // Computer Physics Communications. - 2002. - Vol. 147. - Р. 272-275.
5. Schonfisch B., de Roos A. Synchronous and asynchronous updating in cellular automata // BioSystems. - 1999. - Vol. 51. - Р. 123-143.
6. Overeinder B.J., Sloot P.M.A. Extensions to Time Warp Parallel Simulation for Spatial Decomposed Applications // Proceedings of the 5th annual conference of the Advanced School for Computing and Imaging (ASCI). - 1999.
Калгин Константин Викторович - Новосибирский государственный университет,
студент, KalginKV@gmail.com
УДК 004.75
АРХИТЕКТУРА СЕРВИС-ОРИЕНТИРОВАННОЙ РАСПРЕДЕЛЕННОЙ ВЫЧИСЛИТЕЛЬНОЙ СИСТЕМЫ И ЕЕ РЕАЛИЗАЦИЯ НА ОСНОВЕ ФРЕЙМВОРКА 0801
А.В. Гаврилов, И.И. Доровских, И.Д. Красинский
Создание распределенных вычислительных систем является актуальным для решения больших вычислительных задач. В ходе анализа существующих РВС и технологий их построения был выделен ряд недостатков. Предложена архитектура РВС, позволяющая избежать обозначенных проблем. Реализованная по ней РВС с применением фреймворка 08в1 была использована для решения конкретных задач и показала свою эффективность.
Ключевые слова: распределенная вычислительная система, фреймворк, распределение ресурсов, планирование ресурсов, жизненный цикл, сервис-ориентированная система
Введение
Распределенная вычислительная система (РВС) [1] представляет собой систему, обеспечивающую инфраструктуру для запуска и выполнения задач на множестве входящих в нее узлов, работающих, например, на персональных компьютерах, объединенных сетью. В настоящее время такие системы составляют серьезную конкуренцию кластерам в силу активного распространения и роста компьютерных сетей. Для РВС адаптируют алгоритмы решения различных задач - расчета напряжений в сложных механизмах [2], расчета микро- и нанооптических элементов, обработки большеформатных изображений, различных задач математической физики. В основном это задачи, требующие сверхбольших вычислительных и временных затрат, например трехмерный рендеринг сложных деталей.
В данной работе описано видение сервис-ориентированной (СО) архитектуры РВС, которое положено в основу разработанной авторами системы. Результаты реализации показывают не только возможность такого подхода, но и некоторые его преимущества.
