[论文解读] GPU acceleration of the SAGECal calibration package for the SKA

Hanno Spreeuw, Ben van Werkhoven+2 more|arXiv (Cornell University)|Oct 30, 2019

Radio Astronomy Observations and Technology被引用 7

一句话总结

本文评估了用于低频射电综合孔径干涉测量的SAGECal校准软件包在GPU上的加速效果，表明基于GPU的处理方式在站数和校准方向（聚类）上几乎呈线性扩展，这对平方公里阵列（SKA）数据至关重要，相比高端CPU实现了35%的性能提升，同时功耗降低20倍。研究证实GPU加速显著缩短了大规模SKA观测的运行时间。

ABSTRACT

SAGECal has been designed to find the most accurate calibration solutions for low radio frequency imaging observations, with minimum artefacts due to incomplete sky models. SAGECAL is developed to handle extremely large datasets, e.g., when the number of frequency bands greatly exceeds the number of available nodes on a compute cluster. Accurate calibration solutions are derived at the expense of large computational loads, which require distributed computing and modern compute devices, such as GPUs, to decrease runtimes. In this work, we investigate if the GPU version of SAGECal scales well enough to meet the requirements for the Square Kilometre Array and we compare its performance with the CPU version.

研究动机与目标

• 解决下一代望远镜（如SKA）产生的海量数据带来的低频射电校准计算瓶颈问题。
• 评估GPU加速是否能有效应对SKA级别数据量和复杂度的挑战。
• 对比CPU与GPU在SAGECal中的性能表现，以确定其在SKA观测中实现实时或准实时校准的可行性。
• 研究增加站数和校准方向（聚类）对CPU与GPU实现方式运行时间的影响。
• 评估基于GPU的SAGECal在大规模校准工作负载下相对于高核心数CPU的能效表现。

提出的方法

• 生成了五个模拟LOFAR和SKA1 LOW配置的人工数据集，站数范围为64至512个。
• 在CPU（双Xeon E5-2660v3，32线程）和GPU（NVIDIA GeForce GTX 1080）上运行SAGECal，针对不同数量的校准方向（聚类）进行测试。
• 测量不同站数和聚类配置下的校准运行时间，以评估其扩展行为。
• 通过运行时间与站数及聚类数的二维和三维可视化图分析性能差异。
• 对GPU性能进行剖析，以检测尽管整体趋势接近线性，但仍可能存在残余的二次方缩放成分。
• 通过比较GPU（NVIDIA Jetson Nano）与CPU在相同工作负载下的表现，评估能效。

实验结果

研究问题

• RQ1 SAGECal中的GPU加速是否如SKA数据速率所要求的那样，随着站数和校准方向数量的增加而近乎线性扩展？
• RQ2 在大规模干涉校准中，基于GPU的SAGECal与基于CPU的SAGECal在运行时间和能效方面相比如何？
• RQ3 在处理小规模数据集（如64个站）时，数据传输开销对GPU性能有何影响？
• RQ4 即使在高FLOPS可用的情况下，基于GPU的SAGECal性能中是否存在可检测到的二次方缩放成分？
• RQ5 GPU加速的SAGECal能否满足未来SKA观测在计算能力和能效方面的需求？

主要发现

• 当数据集超过64个站时，GPU加速显著缩短了SAGECal的校准运行时间，此时数据传输开销被计算加速所抵消。
• 与CPU上观察到的强烈非线性缩放不同，GPU上的SAGECal表现出接近线性的站数扩展特性。
• 在512个站和50个校准方向的情况下，GPU性能仍保持良好的可扩展性，仅存在微小的二次方偏差，表明其在SKA规模工作负载中具有强大潜力。
• 基于低功耗的NVIDIA Jetson Nano GPU的SAGECal比高性能40核CPU快35%，证明其单位功耗性能更优。
• GPU版本的功耗约为CPU版本的1/20，同时运行速度更快，凸显其卓越的能效表现。
• 在64个站、1个聚类的情况下，GPU效率较低，原因在于空闲时间和数据传输延迟，证实了在低负载下GPU存在冗余。