[논문 리뷰] A Modeling Approach based on UML/MARTE for GPU Architecture

Antônio Wendell De Oliveira Rodrigues, Frédéric Guyomarc'h외 1명|arXiv (Cornell University)|2011. 05. 23.

Model-Driven Software Engineering Techniques참고 문헌 5인용 수 3

한 줄 요약

이 논문은 임베디드 시스템 내 GPGPU 애플리케이션을 위한 모델 기반 코드 생성을 가능하게 하기 위해 UML/MARTE 기반 메타모델 확장 및 GPU 아키텍처 모델을 제안한다. GPU 메모리 계층 구조에 걸쳐 작업 및 데이터 할당을 명시함으로써, 이 접근법은 자동으로 OpenCL 코드를 생성할 수 있으며, 멀티-GPU 환경에서 순차적 MATLAB 구현 대비 최대 8.34배의 성능 향상을 달성한다.

ABSTRACT

Nowadays, the High Performance Computing is part of the context of embedded systems. Graphics Processing Units (GPUs) are more and more used in acceleration of the most part of algorithms and applications. Over the past years, not many efforts have been done to describe abstractions of applications in relation to their target architectures. Thus, when developers need to associate applications and GPUs, for example, they find difficulty and prefer using API for these architectures. This paper presents a metamodel extension for MARTE profile and a model for GPU architectures. The main goal is to specify the task and data allocation in the memory hierarchy of these architectures. The results show that this approach will help to generate code for GPUs based on model transformations using Model Driven Engineering (MDE).

연구 동기 및 목표

• 임베디드 시스템 내 GPU 아키텍처에 애플리케이션을 매핑하기 위한 추상화의 부족을 해결하기 위해.
• 모델 기반 공학(MDE)을 통해 GPU 가속 임베디드 시스템의 생산성 및 이식성을 향상시키기 위해.
• 모델 변환을 통해 GPU 커널에 대한 자동 코드 생성을 지원하기 위해.
• 메모리 계층 구조 및 작업 스케줄링과 같은 GPU 전용 특성 모델링을 위해.
• OpenCL를 사용한 공액 경사법 솔버에 대한 사례 연구를 통해 접근법을 검증하기 위해.

제안 방법

• GPU 전용 아키텍처적 특성을 표현하기 위해 MARTE 프로파일을 확장한 커스터마이징 메타모델 정의.
• 프로세서, 메모리 계층 구조, 데이터 할당을 포함한 GPU 아키텍처를 위한 플랫폼 전용 모델(PSM) 정의.
• UML/MARTE 모델에서 OpenCL 커널을 생성하기 위해 모델 변환 기법 사용.
• 모델 기반 할당 전략에 기반해 다중 GPU 장치에 걸쳐 작업 분할 및 데이터 분포 적용.
• Gaspard2 환경을 활용해 RTES 및 ISP 애플리케이션 개발을 통합하고 모델 및 변환을 통합.
• 순차적 및 멀티-GPU OpenCL 구현을 사용한 공액 경사법에 대한 사례 연구를 통해 접근법 검증.

실험 결과

연구 질문

• RQ1 어떻게 UML과 MARTE를 사용해 임베디드 시스템 내 GPU 아키텍처를 효과적으로 모델링할 수 있는가?
• RQ2 메모리 계층 구조 및 작업 스케줄링과 같은 GPU 전용 기능을 표현하기 위해 필요한 메타모델 확장은 무엇인가?
• RQ3 모델 기반 변환을 통해 과학적 커널에 대해 효율적인 GPU 코드를 생성할 수 있는가?
• RQ4 성능 및 확장성 측면에서 자동 코드 생성은 수작업 최적화 구현과 비교해 어떻게 다를 수 있는가?
• RQ5 멀티-GPU 배포가 성능과 데이터 전송 오버헤드에 미치는 영향은 무엇인가?

주요 결과

• 제안된 메타모델과 모델은 메모리 계층 구조 및 작업 할당을 포함한 GPU 아키텍처 세부 정보를 성공적으로 표현하였다.
• 모델 변환을 통한 자동 코드 생성은 단일 GPU에서 순차적 MATLAB 코드 대비 4.81배의 성능 향상을 달성하였다.
• 두 GPU를 사용할 경우 6.87배의 성능 향상을 기록하였고, 네 GPU를 사용할 경우 동일한 공액 경사법 문제에서 8.34배의 성능 향상을 달성하였다.
• CPU와 GPU 간 데이터 전송 오버헤드로 인해 선형 확장이 제한되었다.
• 이 접근법은 GPU 가속 임베디드 애플리케이션을 위한 확장성 있고 이식성 있으며 자동화된 코드 생성을 가능하게 하였다.
• 모델 기반 접근법은 GPU 성능에 핵심적인 영향을 미치는 효율적인 데이터 정렬 및 대역폭 활용을 지원하였다.