Параллельные вычисления с использованием библиотеки PVM

Министерство образования и науки РФ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Смоленский государственный университет»

Факультет экономики и управления Кафедра математики и информатики Курсовая работа

ПАРАЛЛЕЛЬНЫЕ ВЫЧИСЛЕНИЯ С ИСПОЛЬЗОВАНИЕМ БИБЛИОТЕКИ PVM

Выполнил студент 3 курса очной формы обучения МАРКЕЛОВ Владислав Сергеевич Научный руководитель:

БЛАКУНОВ Игорь Олегович Смоленск — 2014

ВВЕДЕНИЕ

ГЛАВА 1. ОПИСАНИЕ КЛАСТЕРНЫХ СИСТЕМ И ХАРАКТЕРИСТИКА БИБЛИОТЕК ПАРАЛЛЕЛИЗМ

1.1 ТИПЫ КЛАСТЕРНЫХ СИСТЕМ

1.2 ПОПУЛЯРНЫЕ БИБЛИОТЕКИ ПАРАЛЛЕЛИЗМА. АНАЛОГИ PVM

1.3 ОПИСАНИЕ СИСТЕМЫ PVM

ГЛАВА 2. ОРГАНИЗАЦИЯ ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЙ

2.1 ОПИСАНИЕ ОБОРОДУВАНИЯ И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

2.2 УСТАНОВКА И НАСТРОЙКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ КЛАСТЕРА

2.3 ГИПОТЕЗА ГОЛЬДБАХА

2.4 ПРОЦЕСС КОМПИЛЯЦИИ СОБСТВЕННОЙ ПРОГРАММЫ ДЛЯ РАБОТЫ С PVM

2.5 ВЫПОЛНЕНИЕ ПРОГРАММЫ ЗАКЛЮЧЕНИЕ СПИСОК ЛИТЕРАТУРЫ ПРИЛОЖЕНИЕ

Данная исследовательская работа посвящена ознакомлению с программированием параллельных вычислительных процессов с использованием пакета программ PVM (Parallel Virtual Machine).

Параллельной машиной называют набор процессоров, памяти и некоторые методы коммуникации между ними. Это может быть двухядерный процессор в ноутбуке, многопроцессорный сервер или, например, кластер (суперкомпьютер). Компьютеры, входящие в кластер, вместе намного быстрее, чем по отдельности. Это основное преимущество кластера, но не единственное.

Более глубокое определение можно представить так: PVM (параллельная виртуальная машина) — часть средств реального вычислительного комплекса (процессоры, память, периферийные устройства и т. д.), предназначенные для выполнения множества задач, участвующих в получении общего результата вычислений. Главная цель использования PVM — это повышение скорости вычислений за счет их параллельного выполнения.

Верхняя граница желаемого эффекта оценивается очень просто — если для вычислений использовать N однотипных процессоров вместо одного, то время вычислений уменьшится не более чем в N раз. Параллельной Виртуальной Машиной может стать как отдельно взятый ПК, так и локальная сеть, включающая в себя суперкомпьютеры с параллельной архитектурой, универсальные ЭВМ, графические рабочие станции и все те же маломощные ПК. На самом деле, ускорение вычислений зависит от специфики задачи и характеристик аппаратных и программных средств PVM.

Данное исследование ставит перед собой цель рассмотреть возможности PVM на примере конкретной задачи, разобраться из чего состоит PVM, каким образом работать в ней, какие преимущества и недостатки имеет эта библиотека?

ГЛАВА 1. ОПИСАНИЕ КЛАСТЕРНЫХ СИСТЕМ И ХАРКТЕРИСТИКА БИБЛИОТЕК ПАРАЛЛЕЛИЗМА

1.1 ТИПЫ КЛАСТЕРНЫХ СИСТЕМ

В первую очередь следует дать определение кластера. Кластер — это модульная многопроцессорная система, созданная на базе стандартных вычислительных узлов, соединенных высокоскоростной коммуникационной средой.

Кластеры позволяют уменьшить время расчетов, по сравнению с одиночным компьютером, разбивая задание на параллельно выполняющиеся программы. Такой способ организации компьютерных вычислений, при котором программы разрабатываются как набор взаимодействующих вычислительных процессов, работающих параллельно (одновременно) на кластерах называется параллельные вычисления.

Разберемся в типах кластерных систем. Они различаются по типу памяти — общая (shared) или распределенная (distributed), и по типу управления — один управляющий узел (SIMD) и несколько (MIMD). Получается, четыре вида кластерных систем.

Рис. 1 Общая

Вместо одного процессора — несколько, памяти соответственно больше. Получается, все процессоры делят общую память и если процессору 2 нужна какая-то информация, над которой работает процессор 3, то он получит ее из общей памяти с той же скоростью (рис.1).

Распределенная.

В этом случае у каждого процессора «своя» память (речь идет не о внутренней памяти процессора, а об оперативной памяти каждого компьютера в кластере).

Рис. 2

Примером может служить Рис. 2: Кластер является множеством отдельных компьютеров, каждый из которых имеет свою память. В таком случае если процессору (или компьютеру) 2 нужна информация от компьютера 3, то это займет уже больше времени: нужно будет запросить информацию и передать ее (в случае кластера — по локальной сети). Топология сети будет влиять на скорость обмена информацией, поэтому были разработаны разные типы структур.

SIMD.

SIMD — Singe Instruction stream, Multiple Data stream. Управляющий узел один, он отправляет инструкции всем остальным процессорам. Каждый процессор имеет свой набор данных для работы.

SIMD-системы обычно используются для конкретных задач, требующих, как правило, не столько гибкости и универсальности вычислительной машины, сколько самой вычислительной силы. Например, обработка видео, научные исследования (те же симуляции и моделирование).

MIMD.

MIMD — Multiple Instruction stream, Multiple Data Stream. Каждый процессор имеет свой собственный управляющий модуль, каждый процессор может выполнять разные инструкции.

MIMD-машины обладают более широким функционалом, поэтому в наших пользовательских компьютерах используются именно они. Любые устройства, использующие хотя бы двухъядерный процессор — MIMD-машины с общей памятью. MIMD с распределенной памятью это суперкомпьютеры вроде IBM Blue Gene или кластеры.

Чтобы заставить работать описанные типы кластеров по назначению используют программные инструменты параллелизма, например, PVM

1.2 ПОПУЛЯРНЫЕ БИБЛИОТЕКИ ПАРАЛЛЕЛИЗМА. АНАЛОГИ PVM

Безусловно, даже у такого на первый взгляд непонятного и неоднозначного для рядового пользователя программного пакета PVM существуют свои аналоги. И прежде чем говорить о программной системе PVM следует упомянуть некоторые из них.

Message Passing Interface.

В 1994 г. был принят стандарт механизма передачи сообщений MPI (Message Passing Interface). Он готовился с 1992 по 1994 гг. группой Message Passing Interface Forum, в которую вошли представители более чем 40 организаций из Америки и Европы. Основная цель, которую ставили перед собой разработчики MPI — это обеспечение полной независимости приложений, написанных с использованием MPI, от архитектуры многопроцессорной системы, без какой-либо существенной потери производительности. По замыслу авторов это должно было стать мощным стимулом для разработки прикладного программного обеспечения и стандартизованных библиотек подпрограмм для многопроцессорных систем с распределенной памятью. Подтверждением того, что эта цель была достигнута, служит тот факт, что в настоящее время этот стандарт поддерживается практически всеми производителями многопроцессорных систем. Реализации MPI успешно работают не только на классических MPP системах, но также на SMP системах и на сетях рабочих станций (в том числе и неоднородных).

MPI — это библиотека функций, обеспечивающая взаимодействие параллельных процессов с помощью механизма передачи сообщений. Поддерживаются интерфейсы для языков C и FORTRAN. В последнее время добавлена поддержка языка C++. Библиотека включает в себя множество функций передачи сообщений типа точка-точка, развитый набор функций для выполнения коллективных операций и управления процессами параллельного приложения. Основное отличие MPI от предшественников в том, что явно вводятся понятия групп процессов, с которыми можно оперировать как с конечными множествами, а также областей связи и коммуникаторов, описывающих эти области связи. Это предоставляет программисту очень гибкие средства для написания эффективных параллельных программ.

MPI является наиболее распространённым стандартом интерфейса обмена данными в параллельном программировании, также существуют его реализации для большого числа компьютерных платформ. MPI используется при разработке программ для разнородных наборов компьютеров и суперкомпьютеров. Основным средством коммуникации между процессами в MPI является передача сообщений друг другу.

В первую очередь MPI ориентирован на системы с распределенной памятью, то есть когда затраты на передачу данных велики, в то время как OpenMP ориентирован на системы с общей памятью (многоядерные с общим кэшем). Обе технологии могут использоваться совместно, дабы оптимально использовать в кластере многоядерные системы. Самая последняя версия на сегодняшний день MPI 3.0 вышла 21 сентября 2012 года.

OpenMP.

OpenMP (Open Multi-Processing) — открытый стандарт для распараллеливания программ на языках Си, Си++ и Фортран.

Разработку спецификации OpenMP ведут несколько крупных производителей вычислительной техники и программного обеспечения, чья работа регулируется некоммерческой организацией, называемой OpenMP Architecture Review Board (ARB).

Первая версия появилась в 1997 году, предназначалась для языка Fortran. Для С/С++ версия разработана в 1998 году. В 2008 году вышла версия OpenMP 3.0.

OpenMP реализует параллельные вычисления с помощью многопоточности (процесс, порождённый в операционной системе, может состоять из нескольких потоков, выполняющихся «параллельно», то есть без предписанного порядка во времени.), в которой «главный» (master) поток создает набор подчиненных (slave) потоков и задача распределяется между ними. Предполагается, что потоки выполняются параллельно на машине с несколькими процессорами (количество процессоров не обязательно должно быть больше или равно количеству потоков).

Задачи, выполняемые потоками параллельно, также как и данные, требуемые для выполнения этих задач, описываются с помощью специальных команд препроцессора (Препроцессор — это компьютерная программа, принимающая данные на входе и выдающая данные, предназначенные для входа другой программы, например, компилятора) соответствующего языка — прагм.

Количество создаваемых потоков может регулироваться как самой программой при помощи вызова библиотечных процедур, так и извне, при помощи переменных окружения.

Linda.

Linda — язык программирования, предназначенный для параллельной обработки данных. При использовании языка Linda прикладной процесс делится на группу процессов, среди которых выделяется главный. Указанные процессы осуществляются одновременно и синхронизированы один относительно другого. Язык предоставляет программистам эффективные средства создания параллельных программ. Ядром языка является пространство кортежей — совокупностей взаимосвязанных данных. Каждая из них содержит ключевое слово для выборки кортежа.

Язык Linda позволяет писать параллельные программы на обычных языках: языке Си, языке Фортран, языке Лисп, дополняя их операциями организации межпроцессорного обмена данными. Важной характеристикой языка Linda является то, что он может использоваться для написания программ, выполняемых на суперкомпьютерах с различной архитектурой. Благодаря тому, что Linda позволяет большой прикладной процесс разбивать на много небольших, это упрощает и распараллеливает этот процесс. Между тем, нужно соблюдать и некоторую осторожность. Если процесс будет разделен на большое число мелких, то теряется много времени на обмен данными между процессами, результатами и получением новых заданий.

p4 Parallel Programming System.

p4 Parallel Programming System представляет собой библиотеку макросов (макрос — программный алгоритм действий, записанный пользователем) и подпрограмм, разработанных в Аргоннской национальной лаборатории для программирования разнообразных параллельных машин в С++ и Fortran. Ее предшественницей была m4 — система, описанная Холтом, Райнхартом и Уинстоном в книге «Портативные программы для параллельных процессов». Нынешняя система P4 поддерживает те же основные вычислительные модели, описанные там (мониторы для модели с разделяемой памятью, передачи сообщений для модели распределенной памяти, а также поддержку объединения двух моделей) при значительном увеличении легкость и гибкость использования.

Система р4 портативна. Она проста в установке и весьма эффективна в использовании. Система может быть применена для программирования сети рабочих станций с распределенной памятью, параллельных суперкомпьютеров, как в Intel Paragon, мыслящими машинами СМ-5, а также IBM SP-1, а также многопроцессорных разделяемой памятью, как Кендалл-сквер. Сейчас р4 установлена на многих суперкомпьютерах. Текущий релиз р4 — версия 1.3.

HPF(High Performance Fortran).

High Performance Fortran (HPF) — это высокоуровневая система программирования с распараллеливанием данных, основанная на языке Фортран.

От программиста требуется только задать распределение данных по процессорам, а компилятор автоматически генерирует вызовы функций синхронизации и передачи сообщений (неудачное расположение данных может вызвать существенное увеличение накладных расходов). Для распараллеливания циклов используются либо специальные конструкции языка (оператор FORALL). Язык HPF реализует идею инкрементального (Увеличение переменной) распараллеливания и модель общей памяти на системах с распределенной памятью. Эти два обстоятельства и определяют простоту программирования и соответственно привлекательность этой технологии. Одна и та же программа, без какой-либо модификации, должна эффективно работать как на однопроцессорных системах, так и на многопроцессорных вычислительных системах.

Программы на языке HPF существенно короче функционально идентичных программ. По-видимому, языки этого типа будут активно развиваться и постепенно вытеснят из широкого обращения пакеты передачи сообщений. Последним будет отводиться роль, которая в современном программировании отводится ассемблеру: к ним будут прибегать лишь для разработки языков высокого уровня и при написании библиотечных подпрограмм, от которых требуется максимальная эффективность.

В середине 90-х годов, когда появился HPF, с ним связывались большие надежды, однако трудности с его реализацией пока что не позволили создать достаточно эффективных компиляторов. Опыт работы с системой показал, что в большинстве случаев эффективность параллельных HPF-программ значительно ниже, чем MPI-программ.

1.3 ОПИСАНИЕ СИСТЕМЫ PVM

PVM (Параллельная Виртуальная Машина) — это пакет программ, который позволяет использовать связанный в локальную сеть набор разнородных компьютеров, работающих под операционной системой Unix, FreeBSD, Linux, Windows NT как один большой параллельный компьютер. Таким образом, проблема больших вычислений может быть весьма эффективно решена за счет использования совокупной мощности и памяти большого числа компьютеров. Пакет программ PVM легко переносится на любую платформу.

Проект PVM был создан в 1989 году профессором университета Эмори г. Атланта Vaidy Sunderman и лабораторией Oak Ridge National Laboratory. Первый релиз был запущен в марте 1991. Комплекс PVM обеспечивает работу параллельных программ в гетерогенных (разнородных) вычислительных средах. PVM объединяет множество разнородных вычислительных узлов в один огромный ресурс. В системе возможно создание приложений как типа SPMD (одна параллельная программа — много потоков данных), так и типа MPMD (много параллельных программ — много потоков данных). Она совместима с приложениями, написанными на разных языках программирования (например, С. С++. Fortran) и корректно преобразует данные при передаче их между узлами различной архитектуры. PVM изначально является открытой и свободно распространяемой системой.

Главными принципами построения библиотеки PVM являются:

1. Программа-приложение выполняется на нескольких компьютеpax в сети, заданных пользователем. При этом однопроцессорные и многопроцессорные компьютеры могут использоваться в кластере PVM (включая компьютеры с общей и распределяемой памятью). Пользователь может добавлять или удалять отдельные компьютеры в кластер PVM во время выполнения программы без нарушения функционирования.

2. Неограниченный контроль аппаратного обеспечения. В программе-приложении возможно определить атрибуты данного процессора. При необходимости подзадача может быть размещена на конкретном процессоре либо система распределения вычислительной нагрузки автоматически поместит задачу на наиболее подходящем процессоре.

3. Процесс-ориентированные вычисления. Единицей параллелизма в PVM является подпроцесс, выполняющийся параллельно. Подпроцесс может обмениваться данными с другими подпроцессами. Размер передаваемых данных между подпроцессами ограничен только объемом доступной памяти.

4. Поддержка гетерогенных вычислений. Библиотека PVM поддерживает гетерогенные аппаратные платформы, сети и программы-приложения. Возможно передавать сообщения, содержащие несколько типов данных, которые будут приведены к машинно-ориентированной форме.

5. Поддержка многопроцессорной обработки. Библиотека PVM поддерживает существующий механизм передачи сообщений и в многопроцессорных компьютерах. Среда разработки PVM состоит из двух частей. Первая включает в себя специальную программу daemon, отвечающую за включение данного компьютера в параллельную виртуальную машину, средства запуска задач и подзадач, распределения загрузки процессоров, передачи сообщений и добавления (исключения) процессоров в виртуальной машине. Вторая часть состоит из набора подпрограмм, обеспечивающий полный перечень функций для запуска подпроцессов и обмена данных между ними.

Система PVM состоит из двух частей. Первая часть — это «демон» под названием pvmd3 — часто сокращается как pvmd — который устанавливается на все компьютеры, создающие виртуальную машину (примером программы демона может быть почтовая программа, выполняющаяся в фоновом режиме и обрабатывающая всю входящую и исходящую почту компьютера). Разработан pvmd3 таким образом, чтобы любой пользователь с достоверным логином мог инсталлировать его на машину. Когда пользователь желает запустить приложение PVM, он прежде всего создает кластер. После чего приложение PVM может быть запущено с любого UNIX-терминала на любом из хостов. Несколько пользователей могут конфигурировать перекрывающиеся виртуальные машины, каждый пользователь может последовательно запустить несколько приложений PVM.

Вторая часть системы — это библиотека подпрограмм интерфейса PVM. Она содержит функционально полный набор примитивов, которые необходимы для взаимодействия между задачами приложения. Эта библиотека содержит вызываемые пользователем подпрограммы для обмена сообщениями, порождения процессов, координирования задач и модификации виртуальной машины.

ГЛАВА 2. ОРГАНИЗАЦИЯ ПАРАЛЛЕЛЬНЫХ ВЫЧИСЛЕНИЙ

2.1 ОПИСАНИЕ ОБОРОДУВАНИЯ И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

библиотека параллелизм программный кластер

Кластер включает в себя всего 2 компьютера: Acer Aspire 5755G, Samsung NP300V5A. Компьютеры имеют идентичные технические характеристики.

Технические характеристики Acer Aspire 5755G и Samsung NP300V5A:

· Процессор — Intel Core i5 2410M 2,3 ГГц;

· Оперативная память — 4096 Мб. DDR3;

· Сетевой адаптер — 10/100 Мбит/сек.

Используемое программное обеспечение:

· Red Hat Linux 6.5

· Компилятор: GCC (GNU Compiler Collection) v.4.4.7

· Интерфейс управления кластером: консоль PVM 3.4.6, GNU bash, version 3.2.48.

Эта конфигурация программного обеспечения кластерной системы позволяет использовать пропускную способность сетевого интерфейса с максимальной скоростью, что хорошо сказывается на производительности установки, когда на ней производятся связные вычислительные задачи, требующие большого количества синхронизаций друг с другом.

2.2 УСТАНОВКА И НАСТРОЙКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ КЛАСТЕРА

1) Установка операционной системы.

На узлы кластера была установлена Red Hat Enterprise Linux 6.5, в состав которой входит современный дистрибутив. Система отличается стабильной работой, удобным современным графическим интерфейсом (Рис.3).

Рис. 3 — Графический интерфейс Red Hat Enterprise Linux 6.5

2)Установка и настройка PVM.

PVM версии 3.4.6. была скачана с официального сайта: http://www.netlib.org/pvm3/index.html. Скачанный архив устанавливается в (/usr/share/pvm3). В конфигурационный файл командного интерпретатора пользователя bash (/home/master/.bashrc) добавлены следующие строчки:

#pvm configuration

export PVM_ROOT=/usr/share/pvm3

if [ -z $PVM_ROOT ]; then

if [ -d ~/pvm3 ]; then

export PVM_ROOT=~/pvm3

else

echo " Warning - PVM_ROOT not defined"

echo " To use PVM, define PVM_ROOT and rerun your.bashrc"

fi

fi

if [ -n $PVM_ROOT ]; then

export PVM_ARCH=`$PVM_ROOT/lib/pvmgetarch`

export PATH=$PATH:$PVM_ROOT/lib/$PVM_ARCH # arch-specific

export PATH=$PATH:$PVM_ROOT/bin/$PVM_ARCH

fi

export PVM_PATH=$PVM_ROOT/bin/$PVM_ARCH

export PVM_DPATH=/usr/share/pvm3/lib/pvmd

export PVMHOSTFILE=/home/master/.rhosts

Рис. 5 — Содержание файла.bashrc.

В каталоге (usr/share/pvm3/) выполняем команду для сборки:

make

По окончании ее работы PVM будет готова к использованию. (На одном из этапов выполнения, команда завершилась выходом с ошибкой из-за отсутствия библиотеки m4₁.4.13−2_х64_х86.rpm, которую необходимо установить с локального репозитория.)

На этом процесс установки и настройки PVM завершен. Для продолжения работы, данная конфигурация была скопирована на второй узел кластера.

3) Установка и конфигурирование RSH.

Для коммуникаций, PVM использует RSH.

RSH расшифровывается как Remote SHell — протокол, позволяющий подключаться удаленно к устройству и выполнять на нем команды. Обычно RSH-клиент запускается в консоли, и ответ на команду выводит прямо в экран консоли. Протокол RSH не является защищенным — данные об авторизации и передаваемые данные не шифруются.

1. Менеджером пакетов в графическом интерфейсе был установлен xinet. d из локального репозитория Red Hat Linux 6.5 Enterprise

2. Через консоль пользователем root был установлен пакет rsh-клиент из дистрибутива Red Hat Linux 6.5 Enterprise: rpmi rsh-0.17−14.х64_х86.rpm

3. Через консоль пользователем root был установлен пакет rsh-сервер из дистрибутива Red Hat Linux 6.5 Enterprise: rpmi rsh-server-0.17−14.х64_х86.rpm

4. Пользователем root сконфигурированы файлы /etc/xinet.d/rexec, /etc/xinet.d/rlogin, /etc/xinet.d/rsh следующим образом: опция disable установлена в значение no.

5. Перезапущен xinet. d (/etc/rc.d/init.d/./xinet.d restart)

6. Пользователем master в его домашнем каталоге создан файл. rhosts (пример строки файла: redhatpc-1master). Имена узлов и имена пользователей должны быть разделены табуляцией. Файл должен обязательно заканчивать символом конца файла. Для этого последняя строка файла должна быть пустой.

7. Установите на файл. rhosts следующие права:

chmod 600 /home/master/.rhosts

8. В файле /etc/hosts указаны все узлы кластера.(redhatpc-1, redhatpc-2).

9. Пользователем master проверена работоспособность rsh (команда rsh redhatpc-1 должна пропускать на redhatpc-1 без запроса пароля).

После настройки и проверки работоспособности RSH, PVM была вызвана в командной строке:

>pvm

Командой add redhatpc-2 был добавлен 2 узел в кластер. (Рис.4).

Рис. 5 — Кластер готов к работе.

2.3 ГИПОТЕЗА ГОЛЬДБАХА

Тестирование работы PVM было проведено на основе работы программы, которая повторяет гипотезу Гольдбаха. Она гласит: любое чётное число, начиная с 4, можно представить в виде суммы двух простых чисел. В программе мы находим множество простых чисел, затем сумму двух простых чисел из множества проверяем на равенство с четным числом. Данные, которые удовлетворяют определению гипотезы Гольдбаха, заносятся в массив. В конце программы выводится время выполнения, затраченное на выполнения алгоритма до заданного числа.

Для того, чтобы программа работала на кластере, ее необходимо распараллелить. Распараллеливание производится с использованием библиотеки PVM и ее функций.

2.4 ПРОЦЕСС КОМПИЛЯЦИИ СОБСТВЕННОЙ ПРОГРАММЫ ДЛЯ РАБОТЫ С PVM

Библиотечные функции PVM легко интегрировать в С++ среду. Префикс pvm_ в имени каждой функции позволяет не забыть о ее принадлежности соответствующему пространству имен. Для использования PVM-функций необходимо включить в программу заголовочный файл «pvm3.h» и скомпоновать ее с библиотекой libpvm. Чтобы скомпилировать программу с данной библиотекой, необходимо ввести команду:

>gcc —o mypvm_program —I $PVM_ROOT/include mypvm_program.c —I$PVM_ROOT/lib —lpvm3

Самыми распространенными PVM-функциями являются pvm_mytid (), pvm_spawn (), pvm_initsend (), pvm_pkint (), pvm_send (), pvm_recv (), pvm_exit (). Функция pvm_mytid () возвращает индентификатор вызывающей задачи. PVM-система связывает идентификатор задачи с каждым процессом, который ее создает. Идентификатор задачи используется для отправки сообщений задачам, получения сообщений от других задач и т. п. Любая PVM-задача может связываться с любой другой PVM-задачей до тех пор, пока не получит доступ к ее идентификатору. Функция pvm_spawn () предназначена для запуска нового PVM-процесса. В программе master функция pvm_spawn () используется для запуска программы slave. Идентификатор новой задачи возвращается в параметре &Tid вызова функции pvm_spawn (). В PVM-среде для передачи данных между задачами используются буферы сообщений. Каждая задача может иметь один или несколько таких буферов. При этом только один из них считается активным. Перед отправкой каждого сообщения вызывается функция pvm_initsend (), которая позволяет подготовить или инициализировать активный буфер сообщений. Функция pvm_pkint () используется для упаковки числового значения. Функции pvm_send () и pvm_recv () используются для отправки и приема сообщений соответственно. Функции pvm_send () и pvm_recv () содержат идентификатор задачи, получающей данные, и идентификатор задачи, отправляющей данные, соответственно. Функция pvm_upkint () извлекает полученное сообщение из активного буфера сообщений и распаковывает его, сохраняя в массиве типа int.

Обязательным условием для кластеров является компиляция исходных кодов ПО для каждой системы в отдельности, в нашем случае LINUX64. Далее следует разослать на все узлы кластера исполняемый файл, т. е. скопировать его в каталог usr/share/pvm3/bin/LINUX64 на каждом узле.

2.5 ВЫПОЛНЕНИЕ ПРОГРАММЫ

В начале программа выполняется на одном узле. Проверка производится с разными числами от 2 до n. После выполнения алгоритма, программа возвращает время, которое было затрачено:

Таблица 1 — Выполнение программы на одном узле кластера.

Как видно из таблицы с увеличением числа N время, которое затрачено на выполнение алгоритма, весьма ощутимо увеличивается, что вызывает некоторые неудобства. Числа 10 000, 50 000 вычисляются быстро, поэтому их тестирование на кластере не имеет смысла, так как даже 1 узел отлично справляется с поставленной задачей.

После этого программа была запущена на всех узлах кластера:

Таблица 2 — Выполнение программы на всех узлах кластера.

Как видно из таблицы, производительность в вычислениях с крупными числами выросла примерно на 12%, что немного. Дело в том, что на одном узле кластера происходит большое количество вычислений, так как имеется всего два узла в кластере, и программа распараллелена всего на две подзадачи.

Для того, чтобы программа работала быстрее, нужно добавить в кластер узлов и еще сильнее распараллелить задачу, то есть разбить ее на большее количество параллельных подзадач, чтобы иметь возможность использовать в процессе подсчета большее количество узлов, на которых происходит малое количество вычислений. Чем меньше вычислений на одном узле, тем быстрее работает программа.

Таким образом, тест программы Гипотеза Гольдбаха показал, что процессорное время работы кластера над данной задачей уменьшается, отсюда можно сделать вполне обоснованный вывод, что кластерная система работает быстрее, чем один компьютер. Производительность кластерной системы растет с увеличением количества узлов в ней.

ЗАКЛЮЧЕНИЕ

В ходе работы были изучены основные принципы построения распределенных вычислительных систем, была установлена и система PVM, завершена настройка RSH, а также изучены принципы параллельного программирования с использованием основных функций PVM.

СПИСОК ЛИТЕРАТУРЫ

PVM User’s Guide. Руководство пользователя PVM, Adam Beguelin 1994: сайт. URL: http://www.netlib.org (дата обращения 16.02.2014).

Linux кластер — практическое руководство, Юрий Сбитнев 2011: сайт. URL: http://cluster.linux-ekb.info/ (дата обращения 15.03.2014).

Высокопроизводительные вычисления, Виктор Датсюк, 2012: сайт. URL: http://rsusu1.rnd.runnet.ru/ (23.04.2014).

Хабрахамбр — коллективный блог, пользователь Intel8086 2013: сайт. URL: http://habrahabr.ru/ (дата обращения 15.03.2014).

Сборка кластера Beowulf на основе PVM и Linux, Блог Алексея Медведева, Алексей Медведев: сайт. URL: http://aleks37.blogspot.ru/ (дата обращения 19.02.2014).

Знакомство с компилятором gcc, Дмитрий Пантелеичев: сайт. URL: http://www.linuxcenter.ru/ (дата обращения 21.02.2014).

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ А

Листинг программы Гипотеза Гольдбаха.

Текст родительской программы master. c

#include

#include

#include

#include ]

#include «/home/master/gold/tags.h»

#include «/home/master/gold/commons.h»

int main ()

{

clock_t time;

int mytid;

int gold_tid;

int golds[NUM_SLAVES]; //массив для хранения данных ID задач с gold

int items[SIZE]; // данные для обработки

int result, i, kp;

int results[NUM_SLAVES];

time = clock ();

mytid = pvm_mytid ();

for (i = 0; i < SIZE; i++) //делаем массив

items[i] = i;

result = pvm_spawn («gold», (char**)0, PvmTaskDefault, «», 1, &gold_tid);

for (i = 0; i < NUM_SLAVES; i++)

{

pvm_initsend (PvmDataDefault);

pvm_pkint (items + i*DATA_SIZE, DATA_SIZE, 1);

pvm_send (golds[i], MSG_DATA);

}

/* получаем результат от программ slave */

for (i = 0; i < NUM_SLAVES; i++)

{

int bufid, bytes, type, source;

int slave_no;

//получаем информацию о сообщении

pvm_bufinfo (bufid, &bytes, &type, &source);

// получаем номер slave, которая послала данное сообщение

gold_no = get_gold_no (golds, source);

// распаковываем результат в правильную позицию

pvm_upkint (results + gold_no, 1, 1);

}

// находим окончательный результат

kp = 0;

for (i = 0; i < NUM_SLAVES; i++)

kp += results[i];

time = clock () — time;

printf («Time = %f sec.», (double)time/CLOCKS_PER_SEC);

//выходим из PVM

pvm_exit ();

exit (EXIT_SUCCESS);

} // конец main ()

Листинг дочерней программы gold.c:

#include

#include «commons.h»

int main (void)

{

int p[SIZE/2];

int kp;

int i, j, k;

int mytid, parent_tid;

mytid = pvm_mytid ();

parent_tid = pvm_parent ();

pvm_recv (parent_tid, MSG_DATA);

pvm_upkint (items, DATA_SIZE, 1);

kp = 0;

p[0]=1;

kp++;

for (i=3; i

for (j=1; j

if (j==kp) {p[kp] = i; kp++;}

}

for (i=2; i<=SIZE; i+=2) {

for (j=0; j

for (k=j; k

if (p[j]+p[k]==i) {

items=kp;

break;

}

}

if (k

if (j==kp) printf («Исключения = %dn», i);

pvm_pkint (items, DATA_SIZE, 1);

pvm_send (golds[i], MSG_DATA);

getchar ();

return 0;