[論文レビュー] MGARD+: Optimizing Multi-grid Based Reduction for Efficient Scientific Data Management.

Xin Liang, Ben Whitney+9 more|arXiv (Cornell University)|Oct 12, 2020

Advanced Data Storage Technologies参考文献 13被引用数 6

ひとこと要約

MGARD+ は、係数を段階的に量子化し、マルチグリッド分解をプリコンディショナとして使用することで、科学的データのマルチグリッドベースの圧縮を最適化し、同じ歪み条件下で、最先端の誤差制御付き損失圧縮方式と比較して、分解/再構成が最大70倍速くなり、圧縮比が2倍向上します。

ABSTRACT

Data management becomes increasingly important in dealing with the large amounts of data produced by today's large-scale scientific simulations and experimental instrumentation. Multi-grid compression algorithms provide a promising way to manage scientific data at scale, but are not tailored for performance and reduction quality. In this paper, we optimize a multi-grid based algorithm to achieve high-performance and high-quality error-controlled lossy compression. Our contributions are three-fold. 1) We quantize the multi-grid coefficients in a level-wise fashion, and leverage multi-grid decomposition as a preconditioner instead of standalone compressors to improve compression ratios. 2) We optimize the performance of multi-grid decomposition/recomposition with a series of techniques from both system-level and algorithm-level. 3) We evaluate our proposed method using four real-world scientific datasets and compare with several state-of-the-art lossy compressors. Experiments demonstrate that our optimizations improve the decomposition/recomposition performance of the existing multi-grid based approach by up to 70X, and the proposed compression method can improve compression ratio by up to 2X compared with the second best error-controlled lossy compressors under the same distortion.

研究の動機と目的

• 既存のマルチグリッドベースの損失圧縮における性能と品質の制限を解消する。
• 科学的データ管理における厳密な誤差制御を維持しながら、圧縮比を向上させる。
• 大規模な科学的ワークロードにおけるマルチグリッド分解および再構成の計算性能を最適化する。
• 大規模なシミュレーションおよび実験計器用に、効率的で高精度のデータ圧縮を可能にする。

提案手法

• 圧縮効率を向上させるために、マルチグリッド係数に対して段階的量子化を適用する。
• マルチグリッド分解を単独の圧縮方式としてではなく、プリコンディショナとして再利用することで、圧縮比を向上させる。
• マルチグリッド分解および再構成の高速化を図るため、システムレベルおよびアルゴリズムレベルの最適化を統合する。
• 階層的なマルチグリッド構造を活用して、誤差制御付きで高品質なデータ圧縮を実現する。
• 圧縮比と歪みのバランスを取るために、係数量子化における適応的精度制御を採用する。
• プリコンディショニングと量子化を統合したパイプラインを設計し、エンドツーエンドの性能および品質の向上を達成する。

実験結果

リサーチクエスチョン

• RQ1 マルチグリッド分解を、単独の圧縮方式としての使用を超えて、圧縮比を向上させるためにどのように再構築できるか？
• RQ2 マルチグリッド分解および再構成の高速化に最も効果的なシステムおよびアルゴリズム最適化は何か？
• RQ3 マルチグリッド係数の段階的量子化が、誤差制御を損なわずに圧縮効率をどの程度向上できるか？
• RQ4 同じ歪み制約下で、MGARD+ は最先端の損失圧縮方式と比較して、圧縮比と性能の面でどの程度優れているか？

主な発見

• MGARD+ は、ベースラインのマルチグリッド手法と比較して、マルチグリッド分解および再構成の性能を最大70倍向上させた。
• 同じ歪みレベル下で、2番目に優れた誤差制御付き損失圧縮方式と比較して、最大2倍の高い圧縮比を達成した。
• マルチグリッド係数の段階的量子化は、誤差制御を維持したまま、圧縮効率を顕著に向上させる。
• マルチグリッド分解を単独の圧縮方式としてではなく、プリコンディショナとして使用することで、圧縮比に顕著な向上が得られた。
• システムレベルおよびアルゴリズムレベルの最適化の組み合わせにより、テストされた4つの実世界の科学的データセットすべてで、測定可能な性能向上が得られた。
• MGARD+ は高精度のデータ圧縮を維持しており、大規模な科学的シミュレーションおよび実験データワークロードに適している。