EASE:Energieorientiertes automatisches Optimieren für wissenschaftliche Anwendungen

Wissenschaftliche Anwendungen benötigen immer größere Berechnungs- und Speicherkapazitäten, um große und komplexe Simulationen zu lösen. In den vergangenen Jahren hat das energiebewusste Design von Hochleistungsanwendungen Anwendungsentwickler motiviert. Experten in den Bereichen Hochleistungsrechnen, Anwendungs- und Architekturentwicklung interessieren sich immer häufiger für die Green Top 500 Liste anstatt der Top 500 Liste der Superrechner. Der einzige Grund dafür liegt in den hohen Stromrechnungen und der Emission von CO2. Gemäß eines Berichts über die Effizienz von Server- und Datenzentren im Jahre 2007, der dem US Kongress vorgelegt wurde, lag der Energiebedarf von US Datenzentren bei ungefähr 61 Milliarden KW- Stunden im Jahr 2006, der zu Kosten von 4.5 Milliarden USD geführt hat. Es wurde abgeschätzt, dass der Energiebedarf in den nächsten Jahren noch ansteigen könnte, wenn es zu keinen Gegenmaßnahmen auf den Ebenen von Betriebssystemen, Kernel und Anwendung kommt. Es ist bekannt, dass die Mehrzahl der Anwendungen für Hochleistungsrechner schlechte Energieeffizienz aufweisen, z.B. wegen Wartezeiten in Pipelines oder Caches oder wegen ungleicher Lastverteilung aufgrund von Nachrichtenaustausch. Obwohl Anwendungsentwickler sich darüber bewusst sind, die Ausgaben für Strom und den CO2 Ausstoß zu reduzieren, ist es schwierig jene Code Regionen zu finden, die zu einem inakzeptablen Energiebedarf führen. Tatsächlich ist es eine Herausforderung sich ein genaues Bild über den Energiebedarf für verschiedene Regionen von Anwendungen zu machen. Das lässt sich auf die Ungenauigkeit von Energiemessungen mit existierenden HW- und SW-Lösungen zurückführen. Die Genauigkeit von Messungen ist unzureichend wenn feingranulare Coderegionen betrachtet werden die Abtastrate von RAPL-Zählern ist vergleichsweise gering. Darüber hinaus gibt es einen Bedarf für Werkzeuge und Techniken zur Optimierung des Energiebedarfs, um verschiedene wissenschaftliche Probleme zu lösen und dabei gleichzeitig den Einfluss auf die Laufzeit zu minimieren. Zahlreiche Modelle basierend auf Zählerdaten, Zeitintervalle, dynamisches Programmieren und Maschinenlernen wurden entwickelt. Alle diese Ansätze erforschen das Verändern der Parallelität (z.B. Änderung der Threads pro Region) und/oder DVFS (dynamisches Verändern von Volt- und Taktraten) um Berechnungen in Wartezeiten (fehlende Überlappung von HW und algorithmische Latenzzeiten) zu verschieben oder um effiziente Taktraten pro Region zu finden. Es wurden bisher kaum Codeveränderungen, iteratives Übersetzen oder Autotuning erforscht, welche durch moderne Übersetzertechnologien und Hochleistungsrechnersysteme angeboten werden, um sowohl Laufzeit als auch Energiebedarf zu beeinflussen und um den Suchraum für effiziente Laufzeiten und Energie-Tradeoffs zu erweitern. EASE (energiebewusstes Autotuning für wissenschaftliche Anwendungen) wird einen neuartigen Ansatz vorstellen, um Mehrparameter-Autotuning für hybride Programmiermodelle für Rechner mit gemeinsamen und verteiltem Speicher zu unterstützen. EASE wird für drei Optimierungsziele evaluiert: Laufzeit, Energie und Effizienz.

Wissenschaftliche Anwendungen benötigen immer größere Berechnungs- und Speicherkapazitäten, um große und komplexe Simulationen zu lösen. Es ist bekannt, dass die Mehrzahl der Anwendungen für Hochleistungsrechner eine schlechte Energieeffizienz aufweist, z.B. aufgrund von Wartezeiten in Pipelines / Caches oder aufgrund von durch den Nachrichtenaustauschhervorgerufener, ungleicher Lastverteilung.Obwohl Anwendungsentwickler sich dessen bewusst sind und daher versuchen, die Ausgaben für Strom und den CO2-Ausstoß möglichst zu reduzieren, ist es schwierig eben jene Code- Regionen zu finden, die zu einem inakzeptablen Energiebedarf führen. Darüber hinaus gibt es einen Bedarf an Werkzeugen und Techniken zur Optimierung des Energiebedarfs, um verschiedene wissenschaftliche Probleme zu lösen und dabei gleichzeitig den Einfluss auf die Laufzeit zu minimieren. Im Rahmen des EASE (Energiebewusstes Autotuning für wissenschaftliche Anwendungen) Projekts wurde ein neuartiger Ansatz entwickelt, der Mehrparameter-Autotuning für hybride Programmiermodelle für Rechner mit gemeinsamem und verteiltem Speicher unterstützt. EASE wurde hinsichtlich dreier Optimierungsziele evaluiert: Laufzeit, Energie und Effizienz. Zu diesem Zweck wurde ein Übersetzer für C++ Programme entwickelt, der das Verändern der Parallelität (z.B. Änderung der Threads pro Region) und/oder DVFS (dynamisches Verändern von Volt- und Taktraten) ermöglicht, um Berechnungen in Wartezeiten (fehlende Überlappung von HW und algorithmische Latenzzeiten) zu verschieben oder um effiziente Taktraten pro Region zu finden. Experimente für verschiedene Programme auf zwei Parallelrechnern haben zu einer Leistungssteigerung von bis zu einem Faktor 10 geführt. Darüber hinaus wurden auch Technologien zur Abschätzung der Laufzeit und des Energiebedarfs entwickelt, die zu einem besseren Verständnis des Energie- und Laufzeitverhaltens von parallelen Programmen führen und so die Optimierung gezielt analysieren und kontrollieren. Experimente mit verschiedenen parallelen Codes haben eine Genauigkeit der Vorhersage für Energie und Laufzeit von bis zu 86 % bzw. 94 % erzielt.