[論文レビュー] MGARD+: Optimizing Multilevel Methods for Error-bounded Scientific Data Reduction

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

Advanced Data Compression Techniques参考文献 23被引用数 4

ひとこと要約

MGARD+ は、レベル別係数量子化と適応的マルチレベル分解を導入することで、科学的データ向けに高性能で誤差制御型の損失圧縮フレームワークを提案する。同等の歪度レベル下で、最高で2倍の圧縮比と70倍の高速な分解/再構成性能を達成した。

ABSTRACT

Data management is becoming increasingly important in dealing with the large amounts of data produced by large-scale scientific simulations and instruments. Existing multilevel compression algorithms offer a promising way to manage scientific data at scale, but may suffer from relatively low performance and reduction quality. In this paper, we propose MGARD+, a multilevel data reduction and refactoring framework drawing on previous multilevel methods, to achieve high-performance data decomposition and high-quality error-bounded lossy compression. Our contributions are four-fold: 1) We propose a level-wise coefficient quantization method, which uses different error tolerances to quantize the multilevel coefficients. 2) We propose an adaptive decomposition method which treats the multilevel decomposition as a preconditioner and terminates the decomposition process at an appropriate level. 3) We leverage a set of algorithmic optimization strategies to significantly improve the performance of multilevel decomposition/recomposition. 4) 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 multilevel method by up to 70X, and the proposed compression method can improve compression ratio by up to 2X compared with other state-of-the-art error-bounded lossy compressors under the same level of data distortion.

研究の動機と目的

• HPCシミュレーションや計測機器から生じる大規模な科学的データの管理という増大する課題に対応し、保存および分析コストが非現実的になる状況を解消する。
• 既存のマルチレベル圧縮手法には、高圧縮比下で性能が低く、圧縮品質が最適でないという限界があるため、それを克服する。
• 誤差境界を厳密に維持しながら、マルチレベルデータ低減の圧縮比と計算スループットの両方を向上させる。
• 階層的構成要素の部分的再構成をサポートすることで、軽量な後処理分析を可能にする、効率的なデータ再構築を実現する。
• 実世界の科学的ワークロードに適した、マルチレベル分解と最適化された量子化、パフォーマンス向上を統合したフレームワークを開発する。

提案手法

• 各マルチレベル解像度における係数に異なる誤差許容度を適用するレベル別係数量子化を導入し、スケールごとの誤差分布を最適化する。
• マルチレベル処理を事前条件子として用い、十分な精度に達した時点で早期終了する適応的分解戦略を提案することで、計算コストを削減する。
• メモリアクセスパターンの最適化、ループレベル並列化、キャッシュに配慮したデータレイアウトなどのアルゴリズム的最適化を適用し、分解および再構成の高速化を図る。
• 階層的マルチグリッドスタイルのグリッドを活用して、解像度およびスケールが異なる成分にデータを分離し、効率的な誤差制御圧縮を可能にする。
• マルチレベルフレームワークを誤差制御圧縮の原則と統合し、導出された量についてもユーザー指定の誤差限界内に保証する。
• 変換ベースと予測ベースの圧縮の知見をハイブリッド的に組み合わせることで、パフォーマンスを損なわずに圧縮品質を向上させる。

実験結果

リサーチクエスチョン

• RQ1 最新の圧縮手法と同等の誤差境界下で、マルチレベルデータ低減をどのように最適化すれば、より高い圧縮比を達成できるか？
• RQ2 異なるマルチレベル分解係数に可変誤差許容度を適用することで、全体の圧縮品質およびパフォーマンスにどのような影響が生じるか？
• RQ3 分解プロセスの適応的終了は、圧縮忠実度を損なわせることなくパフォーマンスを向上させることができるか？
• RQ4 アルゴリズム的最適化は、科学的データワークロードにおけるマルチレベル分解および再構成のスループットをどの程度向上させられるか？
• RQ5 同一の歪度制約下で、MGARD+ は ZFP や SZ といった最先端の誤差制御圧縮手法と比べて、パフォーマンスおよび圧縮品質でどのように差をつけるか？

主な発見

• アルゴリズム的最適化により、ベースとなるマルチレベル手法の分解および再構成パフォーマンスが最高で70倍向上した。
• 提案されたレベル別量子化戦略により、同等のPSNR歪度レベル下で、最新の誤差制御圧縮手法（例：ZFP, SZ）と比較して最高で2倍の圧縮比を達成した。
• 適応的分解法により、不要な計算を削減し、最適な段階でプロセスを終了することで、誤差境界を損なわず効率性を向上させた。
• 4つの実世界の科学的データセットを用いた実験により、MGARD+ が点ごとの量および導出された量の両方に対して厳密な誤差制御を維持していることが確認された。これは、多くの既存手法と比較して顕著な利点である。
• 階層的構成要素の部分的再構成をサポートしており、完全な再構成を伴わずに、低次元表現上で効率的な後処理分析を可能にした。
• ZFP と SZ をハイブリッドで組み合わせた手法と比較して、MGARD+ は高い計算オーバーヘッドを回避しながら、より優れた圧縮品質を達成した。