[논문 리뷰] MGARD+: Optimizing Multi-grid Based Reduction for Efficient Scientific Data Management.

Xin Liang, Ben Whitney외 9명|arXiv (Cornell University)|2020. 10. 12.

Advanced Data Storage Technologies참고 문헌 13인용 수 6

한 줄 요약

MGARD+는 과학 데이터를 위한 다중 그리드 기반 압축을 최적화하여 계수를 계층적으로 양자화하고 다중 그리드 분해를 전처리 조건으로 사용함으로써, 동일한 왜곡 조건에서 최신 기술 대비 최대 70배 빠른 분해/재구성 속도와 2배 높은 압축 비율을 달성한다.

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.

연구 동기 및 목표

• 기존의 다중 그리드 기반 손실 압축 기술의 성능 및 품질 한계를 해결한다.
• 과학 데이터 관리에서 엄격한 오차 제어를 유지하면서도 압축 비율을 향상시킨다.
• 대규모 과학 워크로드를 위한 다중 그리드 분해 및 재구성의 계산 성능을 최적화한다.
• 대규모 시뮬레이션 및 실험 장비용 효율적이고 고정밀도의 데이터 감소를 가능하게 한다.

제안 방법

• 압축 효율성을 향상시키기 위해 다중 그리드 계수에 계층적 양자화를 적용한다.
• 단독으로 압축기로 사용하는 대신 다중 그리드 분해를 전처리 조건으로 재사용하여 압축 비율을 향상시킨다.
• 시스템 수준 및 알고리즘 수준의 최적화를 통합하여 다중 그리드 분해 및 재구성을 가속화한다.
• 계층적 다중 그리드 구조를 활용하여 오차 제어가 가능한 고품질의 데이터 감소를 가능하게 한다.
• 압축 비율과 왜곡 간의 균형을 맞추기 위해 계수 양자화에서 적응형 정밀도 제어를 사용한다.
• 전처리 및 양자화를 통합한 파이프라인을 설계하여 종단 간 성능 및 품질 향상을 달성한다.

실험 결과

연구 질문

• RQ1 다중 그리드 분해를 단독 압축기로 사용하는 것 외에 어떻게 재구성하여 압축 비율을 향상시킬 수 있는가?
• RQ2 다중 그리드 분해 및 재구성을 가속화하는 데 있어 가장 효과적인 시스템 및 알고리즘 최적화는 무엇인가?
• RQ3 다중 그리드 계수의 계층적 양자화가 오차 제어를 훼손하지 않고 압축 효율을 얼마나 향상시킬 수 있는가?
• RQ4 동일한 왜곡 제약 조건 하에서 MGARD+는 최신 손실 압축기와 비교해 압축 비율과 성능 면에서 얼마나 우수한가?

주요 결과

• MGARD+는 기준 다중 그리드 접근 방식 대비 다중 그리드 분해 및 재구성 성능을 최대 70배 향상시켰다.
• 동일한 왜곡 수준에서 두 번째로 우수한 오차 제어 손실 압축기 대비 최대 2배 높은 압축 비율을 달성했다.
• 다중 그리드 계수의 계층적 양자화가 오차 제어를 유지하면서도 압축 효율을 크게 향상시켰다.
• 다중 그리드 분해를 단독 압축기로 사용하는 대신 전처리 조건으로 활용함으로써 압축 비율 향상에 상당한 기여를 했다.
• 시스템 수준 및 알고리즘 수준의 최적화 조합이 테스트된 네 가지 실제 과학 데이터셋 전반에서 측정 가능한 성능 향상을 제공했다.
• MGARD+는 고정밀도 데이터 감소를 유지하여 대규모 과학 시뮬레이션 및 실험 데이터 워크로드에 적합하다.