Spark下MPI-GPU并行計算處理機制的研究.pdf

1、隨著信息科學技術的發(fā)展，大規(guī)模海量數(shù)據(jù)應運而生，針對海量數(shù)據(jù)的傳輸和計算，單節(jié)點的計算能力和存儲能力成為了數(shù)據(jù)處理的瓶頸，越來越多有價值的數(shù)據(jù)難以被單一的機器使用。鑒于集群具有的超級計算能力和廉價的成本優(yōu)勢，使得大規(guī)模機器學習和科學計算等的高性能計算得以向前邁進。與此同時，現(xiàn)代圖形處理單元與多核心架構已經(jīng)成為通用并行計算平臺，可以極大地加快科學應用。同時擁有萬億次峰值計算能力的多GPU工作站可加速計算和處理海量數(shù)據(jù)。如今并行計算如火如荼

2、，有傳統(tǒng)的基于網(wǎng)格和硬盤的計算方式，還有現(xiàn)在流行的基于HDFS和內存的計算方式。由于傳統(tǒng)的并行編程模型的局限性，也對新的并行編程框架提出了更高的要求。
　　Hadoop Mapreduce是一種目前最為流行的開源分布式計算框架，它支持TB以上級別數(shù)據(jù)處理，廣泛應用于由上千上萬個商用機器組成的大型集群上。然而由于Mapreduce多次從文件系統(tǒng)讀取同一數(shù)據(jù)，導致磁盤I/O訪問速度緩慢。正是在節(jié)省成本和實現(xiàn)系統(tǒng)可擴展性需求的催化下，S

3、park的概念應運而生，且被認為是解決目前大規(guī)模數(shù)據(jù)存儲和處理的較好的方案。美國加州大學伯克利分校AMP實驗室研發(fā)了Spark框架，針對迭代式算法或者交互式查詢中Mapreduce反復讀寫文件系統(tǒng)從而效率低下的問題，通過對內存行為進行建模與分析，對內存的使用進行了決策自動化以及替換策略優(yōu)化。提高了任務在資源有限情況下的運行效率，以及在不同集群環(huán)境下任務效率的穩(wěn)定性。
　　本文研究Spark下MPF/GPU并行計算處理機制的主要目標

4、是有效的提高分布式環(huán)境的開發(fā)效率，并且在性能方面與原有實現(xiàn)相當。針對目前分布式并行計算MPI、高性能計算GPU、任務和資源如何分配達到高效合理利用的問題。通過實驗室現(xiàn)有的開發(fā)環(huán)境，探討在新興開發(fā)框架Spark架構下，高效合理的分配任務和資源。本文開發(fā)的架構既充分利用了Spark集群對于任務調度和資源管理的優(yōu)勢，又將原有的MPI任務和GPU任務合理嵌入Spark框架中。
　　Spark下MPI/GPU并行計算處理機制的流程主要是，客

5、戶端在Master節(jié)點上將數(shù)據(jù)上傳到HDFS上并將程序分發(fā)到各個節(jié)點上。Spark提交Job任務到Yarn上，Yarn上的應用程序管理器負責管理整個應用程序，識別MPI任務還是GPU任務，Spark將MPI任務或者GPU任務進一步分配給各個節(jié)點。同時調用相應的MPI程序或GPU程序，各節(jié)點定時向Yarn匯報本節(jié)點上的資源使用情況和運行狀態(tài)。最后，將運算結果回傳給主節(jié)點，主節(jié)點上傳到HDFS上。
　　針對Spark下MPI/GPU并