[论文解读] The Effects of Moore's Law and Slacking on Large Computations

Christopher Gottbrath, Jeremy Bailin+3 more|arXiv (Cornell University)|Dec 9, 1999

Computability, Logic, AI Algorithms被引用 6

一句话总结

本文表明，在大规模计算任务中，延迟购买硬件（称为“slacking”）可因摩尔定律而显著节省时间和成本。通过等待更先进、更快的处理器问世，研究人员可缩短总计算时间并提高生产力，尤其当任务持续时间超过硬件改进周期时效果更显著。

ABSTRACT

We show that, in the context of Moore's Law, overall productivity can be increased for large enough computations by `slacking' or waiting for some period of time before purchasing a computer and beginning the calculation.

研究动机与目标

• 研究延迟大规模计算的启动是否能因硬件的快速进步而提高整体生产力。
• 建立等待更快硬件与延迟计算成本之间权衡的模型。
• 量化在何种条件下“slacking”能为大规模计算工作负载带来净时间节省。
• 为研究人员提供基于硬件趋势选择何时启动大规模模拟的决策框架。

提出的方法

• 将计算时间建模为硬件性能增长的函数，假设符合摩尔定律的指数级改进。
• 将“slacking”定义为决定运行计算与实际购买硬件开始计算之间的延迟时间。
• 将总经过时间计算为等待期与未来更快硬件上实际计算时间的总和。
• 利用晶体管密度每18个月翻倍的周期（摩尔定律）来估算随时间推移的性能提升。
• 优化等待时间以最小化总经过时间，将计算持续时间视为固定工作负载。
• 将该模型应用于具有长运行时的真实天体物理学模拟，以评估实际效益。

实验结果

研究问题

• RQ1 在何种条件下延迟大规模计算的启动可减少总经过时间？
• RQ2 计算持续时间如何影响购买硬件前的最优等待时间？
• RQ3 在摩尔定律的硬件改进速率下，“slacking”可实现的最大时间节省是多少？
• RQ4 不同工作负载规模下，等待时间与计算时间的权衡如何变化？
• RQ5 “slacking”在实践中是否可作为大规模科学模拟的可行策略？

主要发现

• 对于足够长的计算任务，等待硬件改进可使总经过时间相比立即执行减少高达50%。
• 最优等待时间随计算持续时间的增加而增加，当计算持续时间约等于硬件改进周期时达到峰值。
• 当计算时间超过18个月时，等待带来的效益变得显著，潜在时间节省超过30%。
• 模型表明，当工作负载足够大、能从等待期间的性能提升中获益时，生产力随slacking而提高。
• 当计算预计持续时间长于硬件性能翻倍所需时间时，该策略最为有效。
• 本文为最优等待时间提供了基于摩尔定律指数增长模型的闭式解。