[论文解读] High Performance Computing Evaluation A methodology based on Scientific Application Requirements

Mariza Ferro, Antonio Roberto Mury+2 more|arXiv (Cornell University)|Dec 3, 2014

Parallel Computing and Optimization Techniques参考文献 19被引用 3

一句话总结

本文提出了一套系统化的方法，用于根据科学应用需求评估高性能计算（HPC）系统。该方法整合了应用特征、问题规模、编程语言和硬件架构，以识别最佳性能配置，表明当这四个因素在一个定制化的评估框架中协同优化时，性能达到峰值。

ABSTRACT

High Performance Distributed Computing is essential to boost scientific progress in many areas of science and to efficiently deploy a number of complex scientific applications. These applications have different characteristics that require distinct computational resources too. In this work we propose a systematic performance evaluation methodology. The focus of our methodology begins on scientific application characteristics, and then considers how these characteristics interact with the problem size, with the programming language and finally with a specific computational architecture. The computational experiments developed highlight this model of evaluation and indicate that optimal performance is found when we evaluate a combination of application class, program language, problem size and architecture model.

研究动机与目标

• 为解决为多样化科学应用选择最优HPC配置的挑战。
• 开发一种性能评估框架，超越以硬件为中心的度量指标，转向以应用为导向的标准。
• 研究应用特征、问题规模、编程语言和架构如何共同影响HPC性能。
• 提供一种可重复、系统化的HPC系统评估方法，真实反映现实世界中的科学工作负载。

提出的方法

• 该方法首先分析科学应用的特征，如数据访问模式、算法复杂度和平行性需求。
• 通过建模应用类别与问题规模之间的相互作用，评估计算需求和可扩展性。
• 将编程语言选择（例如C、Fortran、Python）作为影响性能的变量，因其运行时和编译开销而不同。
• 在受控实验条件下，评估不同计算架构（例如多核、GPU、集群系统）的性能表现。
• 该框架使用真实科学应用进行实证基准测试，以测量执行时间、资源利用率和可扩展性。
• 将结果整合为一个性能模型，识别出应用、语言、问题规模和架构的最佳组合。

实验结果

研究问题

• RQ1 科学应用特征如何影响最优HPC架构的选择？
• RQ2 编程语言对不同应用类别在HPC性能上的影响是什么？
• RQ3 问题规模如何影响不同架构上科学应用的性能和可扩展性？
• RQ4 应用类别、编程语言、问题规模和架构的何种组合能实现最大性能？

主要发现

• 只有当应用特征、问题规模、编程语言和架构作为一个整体系统共同评估时，才能实现最优HPC性能。
• 编程语言的选择显著影响性能，低级语言如C和Fortran在计算密集型任务中明显优于高级语言如Python。
• 性能随问题规模呈非线性变化，可扩展性取决于算法结构和底层硬件的共同作用。
• 该方法成功识别出多样化科学工作负载中的性能瓶颈和最优配置。
• 评估模型表明，仅依赖以硬件为中心的基准测试无法准确预测真实应用的性能表现。