Avaliação de Desempenho para Aplicações Científicas utilizando o Modelo Roofline

Authors

  • Vitor de Sá Laboratório Nacional de Computação Científica (LNCC)
  • Vinícius Klôh Laboratório Nacional de Computação Científica (LNCC)
  • Bruno Schulze Laboratório Nacional de Computação Científica (LNCC)
  • Mariza Ferro Laboratório Nacional de Computação Cientifica (LNCC) https://orcid.org/0000-0003-0191-582X

Keywords:

Avaliação de Dessempenho, HPC, Roofline, Aprendizado de Máquina, Aplicações Científicas

Abstract

Entender os fatores que limitam o desempenho das aplicações e seus requisitos computacionais pode auxiliar nas otimizações de software e na aquisição, no desenvolvimento e na escolha de um hardware que melhor atende às necessidades de desempenho da aplicação. Neste trabalho é proposta uma metodologia de avaliação e caracterização de desempenho de aplicações científicas usando o modelo Roofline. Foram desenvolvidas uma série de experimentos com diferentes aplicações, as quais são analisadas seguindo a metodologia proposta. Os resultados permitem identificar os aspectos que limitam o desempenho, sugerir otimizações de software e de hardwares que aumentem a eficiência de execução das aplicações avaliadas.

Downloads

Não há dados estatísticos.

Biografia do Autor

Vitor de Sá, Laboratório Nacional de Computação Científica (LNCC)

Aluno de tecnologia da informação na FAETERJ Petrópolis. Com conhecimento nas linguagens Java, C#, C e Web. Atualmente trabalhando com pesquisas relacionadas à computação de alto desempenho (HPC) no Laboratório Nacional de Computação Científica (LNCC) com foco na avaliação de desempenho e características das aplicações científicas utilizando a metodologia Roofline. Principais interesses de pesquisa são a busca por melhores arquiteturas para aumentar o desempenho das aplicações científicas e algoritmos de Inteligência Artificial. O objetivo principal é reduzir seu custo energético com foco em uma computação mais ecológica e sustentável (Green Computing - Green AI).

Vinícius Klôh, Laboratório Nacional de Computação Científica (LNCC)

Analista de Sistemas e Desenvolvedor de Software no LNCC (Laboratório Nacional de Computação Científica). Mestre em Modelagem Computacional pelo LNCC, Graduado em Tecnologia da Informação e Comunicação pela FAETERJ (Faculdade de Educação Tecnológica do Estado do Rio de Janeiro / Petrópolis). Técnico em Telecomunicações pelo CEFET (Centro Federal de Educação Tecnológica Celso Suckow da Fonseca / Petrópolis). Possui experiência em Computação de Alto Desempenho (HPC) e Inteligência Artificial, gerenciamento de Redes de Computadores e desenvolvimento fullstack.

Bruno Schulze, Laboratório Nacional de Computação Científica (LNCC)

esquisador Senior / Professor do Laboratório Nacional de Computação Científica (LNCC). Doutorado em Ciência da Computação (UNICAMP) / Fraunhofer Institute for Open Communication Systems (FOKUS (sand.). Mestrado em Eng. Elétrica (COPPE/UFRJ). Atuação na área de Computação, com ênfase em Arquitetura de Sistemas de Computação, principalmente nos temas: middleware, cloud computing, e-ciencia, segurança, escalonamento, virtualização, simulações, entre outros. Editor Associado de IEEE Transactions on Cloud Computing. Editor Convidado de edições especiais de Concurrency and Computation: Practice & Experience. Revisor de periódicos como IEEE Transaction on Parallel and Distributed Systems, IEEE Distributed Systems Online, Computer Networks, Computer Communications, Information and Software Technology. Coordenador de diferentes Projetos em Clouds e Multicores. Sociedades: SBC ACM IEEE-CS SBPC.

Mariza Ferro, Laboratório Nacional de Computação Cientifica (LNCC)

Doutora em Modelagem Computacional pelo Laboratório Nacional de Computação Cientifica (LNCC) atuando na área de Computação Científica Distribuída de Alto Desempenho e Análise Operacional. Possui graduação em Ciência da Computação pela Universidade Estadual do Oeste do Paraná (2002) e mestrado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo (2004). Obteve experiência na área de Ciência da Computação, com ênfase em Inteligência Artificial, atuando principalmente nos seguintes temas: aprendizado de máquina, programação lógica indutiva e mineração de dados. Foi bolsista de Desenvolvimento Tecnológico Industrial do CNPq atuando no tema de computação autonômica. Fez seu Pós-doutoramento pelo projeto High Performance Computing for Energy (Programa Horizon 2020 UE) desenvolvendo pesquisas em análise de desempenho e consumo de energia e caracterização de simulações científicas. Atualmente é pesquisadora do LNCC e integra o Núcleo de IA deste laboratório. Integra ainda o Advanced Institute for Artificial Intelligence (AI2), um consórcio brasileiro de pesquisadores na área de Inteligência Artificial (IA). Seus principais interesses de pesquisa estão na Convergência entre Inteligência Artificial e Computação de Alto Desempenho, Computação e IA ecologicamente viável (Green AI/Green Computing) e Ética e confiabilidade em IA.

Referências

[Antão et al. 2013] Antão, D., Tanic ̧a, L., Ilic, A., Pratas, F., Tom ́as, P., and Sousa, L. (2013). Monitoring performance and power for application characterization with the cache-aware roofline model. In Wyrzykowski, R., Dongarra, J. J., Karczewski, K., and Wasniewski, J., editors, Parallel Processing and Applied Mathematics - 10th International Conference, PPAM 2013, Warsaw, Poland, September 8-11, 2013, Revised Selected Papers, Part I, volume 8384 of Lecture Notes in Computer Science, pages 747–760. Springer.

[Breiman et al. 1984] Breiman, L., Friedman, J., Stone, C. J., and Olshen, R. A. (1984). Classification and regression trees. CRC press.

[Denoyelle et al. 2019] Denoyelle, N., Goglin, B., Ilic, A., Jeannot, E., and Sousa, L. (2019). Modeling non-uniform memory access on large compute nodes with the cache-aware roofline model. IEEE Trans. Parallel Distributed Syst., 30(6):1374–1389.

[Frumkin et al. 2009] Frumkin, M., Jin, H., and Yan, J. (2009). Implementation of nas parallel benchmarks in high performance fortran. [Ibrahim et al. 2020] Ibrahim, K., Williams, S., and Oliker, L. (2020). Performance Analysis of GPU Programming Models Using the Roofline Scaling Trajectories, pages 3–19.

[Ilic et al. 2014] Ilic, A., Pratas, F., and Sousa, L. (2014). Cache-aware roofline model: Upgrading the loft. IEEE Computer Architecture Letters, 13(1):21–24.

[Ilic et al. 2017] Ilic, A., Pratas, F., and Sousa, L. (2017). Beyond the roofline: Cache-aware power and energy-efficiency modeling for multi-cores. IEEE Trans. Computers, 66(1):52–58.

[Kim et al. 2011] Kim, K.-H., Kim, K.-H., and Park, Q.-H. (2011). Performance analysis and optimization of three-dimensional fdtd on gpu using roofline model. Computer Physics Communications, 182:1201–1207.

[Lopes et al. 2017] Lopes, A., Pratas, F., Sousa, L., and Ilic, A. (2017). Exploring GPU performance, power and energy-efficiency bounds with cache-aware roofline modeling. In 2017 IEEE International Symposium on Performance Analysis of Systems and Software, ISPASS 2017, Santa Rosa, CA, USA, April 24-25, 2017, pages 259-268. IEEE Computer Society.

[Lorenzo et al. 2011] Lorenzo, J. A., Pichel, J. C., Pena, T. F., Suarez, M., and Rivera, F. F. (2011). Study of performance issues on a SMP-NUMA system using the roofline model. In 2011 International Conference on Parallel and Distributed Processing Techniques and Applications.

[Marques et al. 2017a] Marques, D., Duarte, H., Ilic, A., Sousa, L., Belenov, R., Thierry, P., and Matveev, Z. A. (2017a). Performance analysis with cache-aware roofline model in intel advisor. In 2017 International Conference on High Performance Computing & Simulation, HPCS 2017, Genoa, Italy, July 17-21, 2017, pages 898–907. IEEE.

[Marques et al. 2017b] Marques, D., Duarte, H., Sousa, L., and Ilic, A. (2017b). Analyzing performance of multi-cores and applications with cache-aware roofline model. In 2017 International Conference on High Performance Computing & Simulation, HPCS 2017, Genoa, Italy, July 17-21, 2017, pages 933–934. IEEE.

[Marques et al. 2020] Marques, D., Ilic, A., Matveev, Z. A., and Sousa, L. (2020). Application-driven cache-aware roofline model. Future Gener. Comput. Syst., 107:257–273.

[Marques et al. 2021] Marques, D., Ilic, A., and Sousa, L. (2021). Mansard roofline model: Reinforcing the accuracy of the roofs. ACM Trans. Model. Perform. Evaluation Comput. Syst., 6(2):7:1–7:23.

[Pedregosa et al. 2011] Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

[Pereira et al. 2017] Pereira, R., Couto, M., Ribeiro, F., Rua, R., Cunha, J., Fernandes, J. a. P., and Saraiva, J. a. (2017). Energy efficiency across programming languages: How do energy, time, and memory relate? In Proceedings of the 10th ACM SIGPLAN International Conference on Software Language Engineering, SLE 2017, page 256–267, New York, NY, USA.

[Quinlan 1993] Quinlan, J. R. (1993). C4.5: programs for machine learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.

[Sato et al. 2009] Sato, Y., Nagaoka, R., Musa, A., Egawa, R., Takizawa, H., Okabe, K., and Kobayashi, H. (2009). Performance tuning and analysis of future vector processors based on the roofline model. In Proceedings of the 10th Workshop on MEmory Performance: DEaling with Applications, Systems and Architecture, MEDEA ’09, page 7–14, New York, NY, USA. Association for Computing Machinery.

[Serrano et al. 2018] Serrano, E., Ilic, A., Sousa, L., Garc ́ıa-Blas, J., and Carretero, J. (2018). Cache-aware roofline model and medical image processing optimizations in gpus. In Yokota, R., Weiland, M., Shalf, J., and Alam, S. R., editors, High Performance Computing - ISC High Performance 2018 International Workshops, Frankfurt/Main, Germany, June 28, 2018, Revised Selected Papers, volume 11203 of Lecture Notes in Computer Science, pages 509–526. Springer.

[Silva et al. 2021] Silva, G., Schulze, B., and Ferro, M. (2021). Performance and energy efficiency analysis of machine learning algorithms towards green ai: a case study of decision tree algorithms. Master’s thesis, National Lab. for Scientific Computing.

[Sá et al. 2020] Sá, V., Klôh, V., Schulze, B., and Ferro, M. (2020). Análise de desempenho e de requisitos computacionais utilizando o modelo roofline: Um estudo para aplicações de inteligˆencia artificial e do nas-hpc. In Anais Estendidos do XXI Simpósio em Sistemas Computacionais de Alto Desempenho, pages 22–29, Porto Alegre, RS, Brasil. SBC.

[Sá et al. 2021] Sá, V., Klôh, V., Schulze, B., and Ferro, M. (2021). Análise e avaliação de desempenho para aplicações científicas utilizando o modelo roofline. http://pergamum.lncc.br/pergamumweb/vinculos/000000/00000013.pdf.

[Williams et al. 2009] Williams, S., Waterman, A., and Patterson, D. (2009). Roofline:an insightful visual performance model for multicore architectures. Commun.ACM, 52(4):65–76.

[Yang et al. 2018] Yang, C., Gayatri, R., Kurth, T., Basu, P., Ronaghi, Z., Adetokunbo, A., Friesen, B., Cook, B., Doerfler, D., Oliker, L., Deslippe, J., and Williams, S. (2018). An empirical roofline methodology for quantitatively assessing performance portability. In 2018, IEEE/ACM Int. Workshop on Performance, Portability and Productivity in HPC (P3HPC), pages 14–23.

Downloads

Published

2023-05-29

Como Citar

de Sá, V., Klôh, V., Schulze, B., & Ferro, M. (2023). Avaliação de Desempenho para Aplicações Científicas utilizando o Modelo Roofline. Revista Eletrônica De Iniciação Científica Em Computação, 21(1). Recuperado de https://journals-sol.sbc.org.br/index.php/reic/article/view/2429

Issue

Section

Artigos