• Problem Solving Environment
• Grid Computing
– Globus
– MPICH-G2
– NWS
• Autonomic Computing
• L’ambiente CAMELot
– L’Automa Cellulare
– Il linguaggio CARPET
• CAMELotGRID
– L’architettura
– Il modello basato sull’isoefficienza
– Esempio di esecuzione
Problem Solving Environment
 Risorse di computazione per la risoluzione di
problemi in domini specifici
 Usati per implementare, compilare, eseguire e
visualizzare applicazioni relative ad una precisa
classe di problemi
 Permettono agli utenti di concentrarsi esclusivamente
sull’applicazione
tralasciando
i
dettagli
hardware/software
 Finora sono stati eseguiti su macchine sequenziali
Nascono alcune esigenze:
 Coinvolgere sistemi paralleli e distribuiti che permettano
la collaborazione e lo scambio di dati e di risorse
 Utilizzare sistemi che forniscano capacità computazionali
elevate
S
O
L
U
Z
I
O
N
E
Le Griglie Computazionali
 Consentono di condividere ed utilizzare la potenza di
elaborazione di una serie di risorse collegate in rete
tramite le infrastrutture di Internet.
 Permettono livelli di potenza, altrimenti impossibili,
accessibili ad ogni partecipante alla comunità scientifica o
privata
 Coinvolgono migliaia di server in tutto il modo, superando
qualsiasi barriera fisica
 Le comunità di condivisione di risorse all’interno delle
griglie sono chiamate Organizzazioni Virtuali (VO)
 Forniscono una capacità elaborativa elevata e dunque
possono essere adottate nell’implementazione dei PSE
Le Griglie Computazionali si basano su di una struttura stratificata
dalla forma a “clessidra”
Base:
Nodi locali che
fondamentali
mettono
a
disposizione
i
servizi
Middleware che provvede all’accesso uniforme ai servizi
locali. Qui si aggiungono i nuovi servizi.
Parte Superiore: Applicazioni ad alto livello avviate sulla griglia
Collo:
Il Globus Toolkit è uno dei maggiori strumenti software
per la gestione dei servizi in ambienti di Griglia.
Resource
Specification
Language (RSL)
GRAM
il modulo di gestione
delle risorse
GEM
il modulo di gestione
di file eseguibili
Nexus
il modulo per la
comunicazione
GASS
GSI
il modulo per
l’accesso remoto
ai dati
il modulo per
la sicurezza
GRIS
GIIS
HBM
MDS
il modulo per
Il monitoraggio
il modulo per
l’Information Service
Presentiamo ora due strumenti importanti per
ambienti di griglia:
• MPICH-G2 : tool di programmazione a scambio
di messaggi
• NWS : sistema di monitoraggio di host e reti
che come vedremo in seguito, sono stati utilizzati
anche nell’implementazione del nostro sistema
CAMELotGRID
 Eterogeneità elevata
 Scalabilità crescente da poche unità a centinaia di risorse
 Dinamicità estrema
Vantaggi:
 Aumento delle potenzialità computazionali dei
sistemi
Problemi:
 Complessità di gestione e di manutenzione
 Frequenti malfunzionamenti delle risorse
L'Autonomic Computing
 Paradigma proposto nel 2001 dall’IBM
 Idea: Creare un sistema simile al sistema nervoso
autonomico umano
 Un sistema computazionale autonomico deve
essere in grado di gestire se stesso e ottimizzare il
suo rendimento senza alcun intervento umano
- Kephart, J.O. / Chess, D.M. (IBM Thomas J. Watson Research
Center) : “The vision of Autonomic Computing”, IEEE Computer
Society – January 2003
La struttura di un sistema autonomico si basa su
otto principi fondamentali:
1. Auto Definizione
2. Auto Protezione
3. Auto Ottimizzazione
4. Auto Riparazione
5. Auto Configurazione
6. Cosciente del
contesto in cui opera
7. Aperto
8. Capace di anticipare
le richieste
Autonomic Manager
(CONTIENE LE REGOLE
AUTONOMICHE DEFINITE
DALL’UTENTE)
APPLICAZIONE
UTENTE
MIDDLEWARE AUTONOMICO
(Monitoraggio, analisi e verifica,
attuazione)
SISTEMA COMPUTAZIONALE
PSE per sviluppare, compilare, eseguire e visualizzare
modelli ad Automi Cellulari in grado di simulare fenomeni
complessi
E’ un’implementazione portatile su computer paralleli,
basata su MPI.
Rete di piccole e identiche celle, connesse uniformemente e
sincronizzate.
Funzione di transizione viene usata ad ogni passo da ogni cella per
determinare il suo nuovo stato a partire dallo stato corrente e dagli
stati di alcune celle che compongono un vicinato della cella stessa.
Applicazioni significative: produzione di modelli in grado di simulare il
comportamento intrinseco distribuito e di auto-organizzazione dei
fenomeni.
L’ambiente CAMELot offre:
 un linguaggio, chiamato CARPET, che può
essere usato per definire algoritmi cellulari ed
eseguire comandi di computational steering
 un’interfaccia grafica (GUI) per editare,
compilare, configurare, eseguire, pilotare la
computazione
 molti strumenti per la visualizzazione on-line e
off-line dei dati di output
 Un’interfaccia con Database Geografici (GIS)
•Computational Steering
•Bilanciamento del carico
E’ un linguaggio di programmazione per la definizione di modelli
double px;
basati
int
succ; su automi cellulari e delle loro funzioni di transizione
int succ;
{
if (step == 1)
{
px = ( (double)rand() ) / RND_MAX;
cadef
update (cell_ground, tree);
{
dimensionif2;(px < pb)
update (cell_ground, land);
radius 1; else
update
1);
Una state
sezione
di (cell_display,
dichiarazione
conosciuta come
(short ground,display);
}
sezione
cadef
DEFinition)
neighbor
cross(CA
[4] ([0,-1]North,
[-1,0]West, [0,1]South, [1,0] East);
else
parameter
(pb =0.6);
{
dist
Distance (zona1);
region (zona1
(40,60,30,40,1,1,1,200,1) &succ) == fire) &&
if ( (MaxRegion(zona1_ground,
}
< 30) && (dist > 20) )
update (cell_ground, dead);
Una sezione(dist
per
la
definizione
della funzione di
else if ( (cell_ground == tree) &&
transizione (North_ground == fire || East_ground == fire ||
(West_ground == fire || South_ground == fire) )
steering
update (cell_ground, fire);
{
if (step == 1)
else if ( (cell_ground == fire) ) update (cell_ground, dead);
{
steer_colrange
(ground, 0.0,
5.0); funzione di
Una sezione
per
la definizione
della
if ( (InRegion(zona1) ) && (cell_ground == land) )
steer_colrange (display, 0.0, 5.0);
update (cell_display, 10);
steering
(opzionale)
}
else
update (cell_ display, cell_ground);
}
}
endsteering
}
APPLICAZIONE
UTENTE
Regole autonomiche
AUTONOMIC
MANAGER
Modello
dell’isoefficienza
CAMELotGRID
CAMELotGRID
GRID-Aware
Modulo
Scheduler
Monitor
dinamico
delle risorse
Evento
Monitor delle
risorse
dell’esecuzione
Resource
Hardware
Repository
MPICH-G2
DUROC
MDS
GRAMs
Griglia Computazionale
RisorsePool di Risorse Banda di
Disponibili
Connessione
Comunicazione via vendor-MPI e TCP-IP
Griglia Computazionale
NWS
c
a αi
b
a
foreach z,y,x
trans_function(x,y,z,step)
copy_boundary
exchange_boundary
copy_CA
d bytes
A
Width
B
Height
C
Depth
D
Dimensione del substato in byte
P
Numero dei processori
tf(i)
Tempo di esecuzione medio della funzione di transizione sull’iesimo processore
ts(i,i+1)
Tempo start-up per le comunicazioni dall' iesimo processore all' i+1esimo processore
tb(i,i+1)
Tempo necessario per inviare un byte nella comunicazione fra iesimo processore all' i+1esimo
processore
tas(i)
Tempo sequenziale additivo dell' iesimo processore
tap(i)
Tempo parallelo additivo dell' iesimo processore
Cl(i)
Carico di Cpu disponibile riferito all’iesimo processore
tf’ (i) tempo di esecuzione media della funzione di transizione
sull’i-esimo processore (su una cella). Nel calcolo viene
considerata anche la percentuale disponibile di CPU.
Definiamo fi = 1/ tf’(i) (indice della frequenza di calcolo riferita
ad un singolo processore)
αi = fi/f
f  i 1 f i
p
dove
Ogni processore avrà assegnata una sottogriglia dell’automa
cellulare di dimensione:
ai bc
Il carico computazionale risulterà bilanciato:
fi
1 1
abc
 abc i t f 'i  abc t f ' i  abc
t f 'i 
f
f t f 'i
f
Il tempo di esecuzione parallelo può essere modellato come:
abc
abc
Tp  max {t as (i) 
 Texc (i)} 
 max {t as (i)  Texc (i)}
f
f
Dove :
Texc(i)= ts(i,i-1) + b c d tb(i,i-1) + ts(i,i+1) + b c d tb(i,i+1)
che indicano i tempi di scambio bordi e di latenza con i vicini di
destra e di sinistra.
Otteniamo come risultato finale:
abc
p
p
Tp 
 maxi 1 { t ap (i)}  4b c d maxi 1 {t b (i, i - 1) }
f
1.Stima del numero di processori da coinvolgere
nell’esecuzione
GRID-Aware
2.Raccolte diScheduler
tutte le informazioni relative alle
caratteristiche delle risorse a disposizione e della rete di
comunicazione
MPICH-G2
3.Calcolo delle porzioni in cui suddividere l’automa
cellulare in base alle potenzialità delle macchine
DUROC
4.Scrittura
dell’esecuzione
dei
file
di
impostazione
e
avvio
GRAMs
Si applica il modello di predizione per stimare il tempo di
esecuzione
Monitor
dinamico
delle risorse
Evento
Resource
Hardware
Repository
MDS
NWS
APPLICAZIONE
UTENTE
Regole autonomiche
AUTONOMIC
MANAGER
CAMELotGRID
Monitor
dinamico
delle risorse
Evento
GRID-Aware
Scheduler
Resource
Hardware
Repository
MPICH-G2
DUROC
MDS
NWS
GRAMs
Pool di Risorse
Comunicazione via vendor-MPI e TCP-IP
Griglia Computazionale
1)
3)
4)
5)
6)
2)
L’utente
crea
il programma
CARPET
chedidefinisce
ilRisorse
modello
adestrae
automa
L’NWS
analizza
leinformazioni
e dei
la processori
rete
comunicazione
ed
Lo scheduler
Durante
L’MDS
scheduler
raccoglie
l’esecuzione
può
calcola
le
ora
avviare
ilrisorse
ilnumero
Monitor
l’esecuzione
sulle
dinamico
risorse
disponibili
da
delle
coinvolgere
sulla griglia
partendo
provvede
dalale
cellulare
dache
eseguire.
All’interno
della
sezione
dirispettate.
steering
inserisce
le regole
informazioni
sulle
disponibilità
didall’utente.
CPU vengano
e sui Avendo
tempi
dipoi
banda
valore dell’efficienza
controllare
le regole
desiderata
autonomiche
a disposizione
Ine latenza
caso contrario
i dati
autonomiche
che desidera
vengano
rispettate.
Ad
esempio:delleePerformance,
forniti un
lancia
dall’MDS
evento
allo
e dall’NWS
scheduler
eche
utilizzando
interrompe
il modello
l’esecuzione
provvede ad
provvede
effettuare
aIl
lepartizionare
modifiche
l’automa cellulare
fra i varieprocessori
•
valore di necessarie
efficienza
E da ottenere
quello minimo da non
superare durante l’esecuzione
•
Ogni quante iterazioni effettuare il controllo autonomico
Macchine a disposizione:
K1, K2, K3, K4, Minos, Icarus (LAN dell’ICAR-CNR)
Processori:
11 (Minos è una macchina mono-processore)
Modello di predizione basato sull’isoefficienza per
stimare i tempi di esecuzione.
Confronto con i tempi di esecuzione misurati.
Host
tas (μsec)
tf ’ (μsec)
CPU (numero)
Memory
k1, k2, k3, k4
728
2.382
PIII 800M (2)
256 M
Minos
469
1.741
PIV 1,5G (1)
375M
Icarus
564
1.923
PIII 1,133M (2)
2048M
Host (processori)
Tempo di
esecuzione
Tempo di
comunicazione
Tempo totale
k4 , icarus (2)
71.91
101.70
173.71
k4 , icarus (4)
36.27
102.64
139.33
Minos , k4 (2)
68.31
141.36
209.74
Minos , icarus
(3)
42.06
148.74
190.04
icarus , minos ,
k4 (5)
27.73
161.63
189.49
Host
(processori)
Tempo di
esecuzione
Tempo di
comunicazione
Tempo di
copy_boundary
Tempo totale
k4 , icarus (2)
55.93
100.22
27.51
184.67
k4 , icarus (4)
30.8
106.46
18.59
155.48
Minos , k4 (2)
55.92
156.05
23.09
235.89
Minos , icarus
(3)
34.53
115.21
23.29
172.95
icarus , minos ,
k4 (5)
24.78
120.68
12.09
158.37
Host (processori)
Tempo totale Tempo totale
Stimato
Misurato
Errore relativo
k4 , icarus (2)
173.71
184.67
6%
k4 , icarus (4)
139.33
155.48
10.38%
Minos , k4 (2)
209.74
235.89
11.2%
Minos , icarus (3)
190.04
172.95
-9.8%
icarus , minos , k4 (5)
189.49
158.37
-19.65%
 Aumento della capacità computazionali utilizzando le
griglie
 Grossi
vantaggi
nell’utilizzo
della
strategia
dell’autonomic computing sia dal punto di vista
dell’autonomia dei sistemi sia perché permette all’utente
di disinteressarsi della gestione dell’hardware e del
software
 Il modello basato sull’isoefficienza si è dimostrato
efficace, naturalmente sarebbe necessario effettuare
esperimenti con un numero di macchine maggiore e
magari con una griglia sparsa un po’ nella rete globale
 In futuro si potrebbe entrare più nel merito
dell’infrastruttura autonomica, fornendo magari
un’interfaccia utente grafica che ottimizzi la fase di
raccolta delle informazioni iniziali e dei risultati ottenuti
con l’esecuzione