[论文解读] Understanding GPU-Based Lossy Compression for Extreme-Scale Cosmological Simulations

Sian Jin, Pascal Grosset+5 more|arXiv (Cornell University)|Apr 1, 2020

Computational Physics and Python Applications被引用 4

一句话总结

本文提出基于GPU的有损压缩方法，用于极端规模宇宙学模拟，采用Foresight框架评估cuZFP和cuSZ等压缩器。该方法实现5–15倍压缩比，具备高吞吐量，并保持后处理分析的保真度，尤其在功率谱和晕探测器结果等宇宙学特定指标上表现优异。

ABSTRACT

To help understand our universe better, researchers and scientists currently run extreme-scale cosmology simulations on leadership supercomputers. However, such simulations can generate large amounts of scientific data, which often result in expensive costs in data associated with data movement and storage. Lossy compression techniques have become attractive because they significantly reduce data size and can maintain high data fidelity for post-analysis. In this paper, we propose to use GPU-based lossy compression for extreme-scale cosmological simulations. Our contributions are threefold: (1) we implement multiple GPU-based lossy compressors to our opensource compression benchmark and analysis framework named Foresight; (2) we use Foresight to comprehensively evaluate the practicality of using GPU-based lossy compression on two real-world extreme-scale cosmology simulations, namely HACC and Nyx, based on a series of assessment metrics; and (3) we develop a general optimization guideline on how to determine the best-fit configurations for different lossy compressors and cosmological simulations. Experiments show that GPU-based lossy compression can provide necessary accuracy on post-analysis for cosmological simulations and high compression ratio of 5~15x on the tested datasets, as well as much higher compression and decompression throughput than CPU-based compressors.

研究动机与目标

• 解决极端规模宇宙学模拟中因生成PB级数据而产生的I/O和存储瓶颈问题。
• 克服基于CPU的有损压缩方法在现代超级计算机上引入显著性能开销（例如，超过总运行时间的10%）的局限性。
• 构建一个综合性评估框架，包含通用压缩指标和宇宙学特定分析，以确保科学后处理的数据保真度。
• 提供系统化的优化指导方针，以选择最适合GPU有损压缩器在宇宙学模拟中的配置。
• 实现在极小性能影响下进行原位压缩，同时保持关键天体物理特征（如暗物质晕和功率谱）的科学准确性。

提出的方法

• 在开源Foresight框架中实现有损压缩器（cuZFP和cuSZ）的GPU加速版本，用于基准测试和分析。
• 使用Foresight的PAT（后处理工具包）通过宇宙学特定指标（包括功率谱分析和晕探测器结果）评估数据保真度。
• 测量压缩和解压缩吞吐量，包括GPU-CPU数据传输开销，以评估在领导级系统上的性能可扩展性。
• 系统性地改变压缩参数（例如，误差界限、块大小），以探索压缩比、失真度和吞吐量之间的权衡。
• 整合通用指标（如PSNR、MSE）和领域特定指标，以验证重构数据仍具备科学可用性。
• 提出三步优化指导方针：(1) 在不同配置下基准测试压缩器，(2) 使用与宇宙学相关的分析验证保真度，(3) 选择在保持可接受失真度的前提下压缩比最高的配置。

实验结果

研究问题

• RQ1 基于GPU的有损压缩能否在保持足够数据保真度以支持宇宙学后处理分析的前提下，实现高倍率压缩（例如5–15倍）？
• RQ2 在极端规模模拟中，基于GPU的压缩与基于CPU的压缩相比，在吞吐量和I/O性能开销方面有何差异？
• RQ3 哪些压缩配置能在重构后保持关键宇宙学特征（如功率谱和晕属性）？
• RQ4 误差界限和块大小的最优配置是什么，可在不降低科学准确性的情况下最大化压缩比？
• RQ5 能否建立统一的优化指导方针，帮助宇宙学模拟用户为其特定模拟数据选择最适合的基于GPU的有损压缩器？

主要发现

• 基于GPU的有损压缩在真实HACC和Nyx模拟数据集上实现了5–15倍的压缩比，同时保持了宇宙学分析的高保真度。
• cuZFP和cuSZ相比基于CPU的版本展现出显著更高的压缩和解压缩吞吐量，降低了I/O开销，并避免了先前基于CPU方法中出现的超过10%性能下降问题。
• 在所有测试配置下，重构数据的功率谱均保持在可接受的误差范围内，表明大尺度结构信息得到良好保留。
• 晕探测器结果表明原始数据与重构数据之间偏差极小，证实了在最优压缩设置下暗物质晕属性得以保持。
• 所提出的优化指导方针成功识别出最佳配置，即在功率谱和晕探测器指标中均保持可接受失真度的前提下，选择压缩比最高的设置。
• 吞吐量测量显示，基于GPU的压缩核在Summit系统上最高可达约2 TB/s，端到端吞吐量（包括CPU-GPU传输）仍超过1 TB/s，使原位压缩在极端规模模拟中成为可行方案。