Le traitement en parallèle sous Linux
Version française du Parallel Processing HOWTO
Hank Dietz
<hankd CHEZ engr POINT uky POINT edu>
Adaptation française : Dominique van den Broeck
Relecture de la version française : Isabelle Hurbain
Préparation de la publication de la v.f. : Jean-Philippe Guérard
Version : 980105.fr.1.1
4 septembre 2005
+----------------------------------------------------------------+
| Historique des versions |
|----------------------------------------------------------------|
| Version 980105.fr.1.1 | 2005-09-04 | DV |
|----------------------------------------------------------------|
| Quelques améliorations mineures de la version française |
|----------------------------------------------------------------|
| Version 980105.fr.1.0 | 2004-09-13 | DV, IH, JPG |
|----------------------------------------------------------------|
| Première traduction française |
|----------------------------------------------------------------|
| Version 980105 | 1998-01-05 | HGD |
|----------------------------------------------------------------|
| Version originale |
+----------------------------------------------------------------+
Résumé
Le traitement en parallèle (« Parallel Processing ») se réfère à
l'idée d'accélérer l'exécution d'un programme en divisant celui-ci
en plusieurs fragments pouvant être exécutés simultanément, chacun
sur son propre processeur, un programme exécuté sur N processeurs
pouvant alors fonctionner N fois plus vite qu'il le ferait en
utilisant un seul processeur. Ce document traite des quatre
approches de base du traitement en parallèle accessibles aux
utilisateurs de Linux : les systèmes Linux SMP, les grappes
(« cluster ») de systèmes Linux mis en réseau, l'exécution en
parallèle avec utilisation des instructions multimédia (ex : MMX),
et l'utilisation des processeurs secondaires embarqués dans une
machine fonctionnant sous Linux.
------------------------------------------------------------------
Table des matières
1. Introduction
1.1. Le traitement en parallèle correspond-il à mes
besoins ?
1.2. Terminologie
1.3. Algorithme d'exemple
1.4. Structure du document
1.5. Note du traducteur
2. Linux sur SMP
2.1. L'électronique SMP
2.2. Introduction à la programmation en mémoire
partagée
2.3. bb_threads
2.4. LinuxThreads
2.5. La mémoire partagée de System V
2.6. Projection mémoire (Memory Map Call)
3. Clusters de systèmes Linux
3.1. Pourquoi un cluster ?
3.2. Le matériel réseau
3.3. Interface Logicielle Réseau
3.4. PVM (« Parallel Virtual Machine »)
3.5. MPI (« Message Passing Interface »)
3.6. AFAPI (« Aggregate Function API »)
3.7. Autres bibliothèques de gestion de clusters
3.8. Références générales aux clusters
4. SIMD Within A Register : SWAR (Ex : utilisation de MMX)
4.1. Quels usages pour le SWAR ?
4.2. Introduction à la programmation SWAR
4.3. SWAR MMX sous Linux
5. Processeurs auxiliaires des machines Linux
5.1. Un PC Linux est une bonne station d'accueil
5.2. Avez-vous essayé le DSP ?
5.3. Calcul à l'aide des FPGA et circuits logiques
reconfigurables
6. D'intérêt général
6.1. Compilateurs et langages de programmation
6.2. Question de performance
6.3. Conclusion -- C'est fini !
1. Introduction
L'exécution en parallèle (« Parallel Processing ») se rapporte à
l'idée d'accélérer l'exécution d'un programme en le divisant en
plusieurs fragments pouvant être exécutés simultanément, chacun
sur son propre processeur. Un programme exécuté sur N processeurs
pourrait alors fonctionner N fois plus vite qu'il ne le ferait en
utilisant un seul processeur.
Traditionnellement, les processeurs multiples sont fournis avec un
« ordinateur en parallèle » spécialement conçu. De ce fait, Linux
gère désormais les systèmes SMP (souvent vendus en tant que
« serveurs ») dans lesquels plusieurs processeurs partagent le
même bus et la même mémoire au sein d'un même ordinateur. Il est
également possible à un groupe d'ordinateurs (par exemple un
groupe de PC fonctionnant chacun avec Linux) d'être interconnectés
par un réseau pour former un ensemble de traitement en parallèle
(« cluster »). La troisième alternative pour l'exécution parallèle
sous Linux est l'utilisation du jeu d'instructions multimédias
étendu (MultiMedia Extend : MMX) pour agir en parallèle sur des
vecteurs de données entières. Il est enfin possible d'utiliser un
système Linux comme « hôte » hébergeant un moteur de calcul en
parallèle dédié. Toutes ces approches sont traitées en détails
dans ce document.
1.1. Le traitement en parallèle correspond-il à mes besoins ?
Bien que l'emploi de multiples processeurs puisse accélérer nombre
d'opérations, la plupart des applications ne peuvent encore tirer
profit du traitement en parallèle. A la base, le traitement en
parallèle est approprié si :
o Votre application est suffisamment parallélisée pour faire bon
usage de multiples processeurs. C'est, en partie, une question
d'identification des différentes portions du programme pouvant
être exécutées indépendamment et simultanément sur des
processeurs séparés, mais vous découvrirez aussi que certaines
choses qui peuvent être exécutées en parallèle ralentissent le
traitement si elles sont exécutées en parallèle sur un système
particulier. Par exemple, un programme qui s'exécute en quatre
secondes sur une machine unique pourrait être capable de
n'occuper qu'une seconde du temps de chacune de quatre
machines, mais n'apportera pourtant aucun gain de temps s'il
faut trois secondes ou plus à ces machines pour coordonner
leurs actions.
o Soit l'application qui vous intéresse en particulier a été
parallélisée, c'est-à-dire réécrite pour tirer profit du
traitement en parallèle, soit vous comptez produire au moins
un peu de code original qui le fasse.
o Vous êtes intéressé par la recherche de nouvelles solutions
impliquant un traitement en parallèle, ou au moins souhaitez
vous familiariser avec. Le traitement en parallèle sous Linux
n'est pas forcément difficile, mais ce n'est pas une notion
familière à beaucoup d'utilisateurs, et il n'existe pas de
livre intitulé « Le Parallel Processing pour les nuls », en
tout cas pas encore. Ce guide est un bon point de départ, mais
il ne contient pas l'intégralité de ce que vous devez
connaître.
La bonne nouvelle, c'est que si tout ce qui vient d'être dit est
vrai, vous découvrirez cependant que le traitement en parallèle
sous Linux peut apporter les performances d'un supercalculateur à
des programmes effectuant des opérations complexes ou travaillant
sur de très grandes quantités de données. Mais en plus, cela peut
être fait en utilisant du matériel peu onéreux et que vous
possédez sûrement déjà. Avec çà, il reste aisé d'utiliser un
système de traitement en parallèle sous Linux à d'autres choses
lorsqu'il n'est pas en train d'accomplir un traitement en
parallèle.
Si le traitement en parallèle ne correspond pas à vos besoins,
mais que vous souhaitez tout de même améliorer sensiblement les
performances de votre machine, il reste des choses que vous pouvez
faire. Par exemple, vous pouvez améliorer les performances d'un
programme séquentiel en remplaçant votre processeur par un plus
rapide, en ajoutant de la mémoire, en remplaçant un disque IDE par
un « fast wide SCSI », et cætera. Si c'est ce qui vous intéresse,
sautez directement à la section 6.2, sinon poursuivez votre
lecture.
1.2. Terminologie
Bien que le traitement en parallèle ait été utilisé pendant de
nombreuses années par de nombreux systèmes, il reste étranger à la
plupart des utilisateurs. Aussi, avant de traiter des différentes
alternatives, il est important de se familiariser avec une poignée
de termes usuels :
SIMD :
SIMD (« Single Instruction stream, Multiple Data stream »,
ou « Un seul flot d'instruction, plusieurs flots de
données »), fait référence à un modèle d'exécution en
parallèle dans lequel tous les processeurs traitent la
même opération à la fois, mais où chaque processeur est
autorisé à agir sur sa propre donnée. Ce modèle convient
naturellement au concept où l'on applique le même
traitement sur chaque élément d'un tableau, et est ainsi
souvent associé à la manipulation de vecteurs ou de
tableaux. Toutes les opérations étant implicitement
synchronisées, les interactions entre processeurs SIMD
tendent à être facilement et efficacement mises en ½uvre.
MIMD :
MIMD (« Multiple Instruction stream, Multiple Data
stream », ou « Plusieurs flots d'instructions, plusieurs
flots de données »), se rapporte au modèle d'exécution en
parallèle dans lequel chaque processeur agit
essentiellement seul. C'est le modèle qui convient le
mieux à la décomposition d'un programme pour une exécution
en parallèle sur une base fonctionnelle. Par exemple, une
processeur peut mettre à jour une base de données pendant
qu'un autre produit l'affichage graphique de la nouvelle
entrée. C'est un modèle plus flexible que l'exécution en
SIMD, mais qui s'accomplit au risque d'un cauchemar pour
le débogueur, les « race conditions » ou « accès
concurrents », dans lesquels un programme peut planter de
façon intermittente à cause des différences de minutage
entre les opérations des différents processeurs lorsque
celles d'un de ces processeurs sont réorganisées en
fonction de celles d'un autre.
SPMD :
SPMD (« Single Program, Multiple Data »), ou « Un seul
programme, plusieurs données », est une version restreinte
du MIMD dans laquelle tous les processeurs exécutent le
même programme. Contrairement au SIMD, chaque processeur
peut suivre un chemin différent dans le programme.
Bande passante :
La bande passante (« bandwidth ») d'un système de
communication correspond à la quantité maximum de données
que l'on peut transmettre en une unité de temps... une
fois que la transmission de données a commencé. La bande
passante des connexions série est souvent mesurée en bauds
ou en bits par seconde (b/s), ce qui correspond en général
à huit fois ou dix fois le nombre d'octets par secondes
(O/s ou B/s, B = « Byte » = « Octet »). Par exemple, un
modem à 1200 bauds (N.D.T. : comme celui du Minitel) peut
transférer environ 120 octets à la seconde (B/s), tandis
qu'une connexion réseau ATM à 155 Mb/s est environ 130 000
fois plus rapide, en transférant environ 17 Mo/s. Une
bande passante élevée permet un transfert efficace de
larges blocs de données entre processeurs.
Latence :
La latence d'un système de communication représente le
temps minimum nécessaire pour la transmission d'un objet,
en incluant toutes les données « forfaitaires »
logicielles pour l'émission et la réception
(« overhead »). Le temps de latence est très important
dans les traitements en parallèle car il détermine la
granularité, la durée minimum d'exécution d'un segment de
code pour gagner en vitesse d'exécution grâce au
traitement en parallèle. Concrètement, si un segment de
code s'exécute en moins de temps qu'il n'en faut pour
transmettre son résultat (ce délai-ci formant la latence),
exécuter ce segment en série plutôt qu'en parallèle sera
plus rapide puisqu'il n'y aura pas de délai de
transmission.
Envoi de messages (« Message passing ») :
Les envois de message sont un modèle d'interaction entre
les différents processeurs d'un système parallèle. En
général, un message est construit logiciellement sur un
processeur et envoyé via une interconnexion réseau à un
autre processeur. Bien que le surcoût en temps
(« overhead ») engendré par la gestion de chaque message
(ce délai formant la latence) soit élevé, typiquement, il
n'y a que peu de restrictions quant à la quantité
d'informations que ce message peut contenir. Ainsi,
l'envoi de messages peut assurer une bande passante élevée
en apportant une méthode efficace pour transmettre de
grandes quantités d'informations d'un processeur à un
autre. En revanche, afin de réduire les besoins en
coûteuses opérations d'envoi de message, les structures de
données à l'intérieur d'un programme doivent être
réparties à travers tous les processeurs de façon à ce que
la plupart des données référencées par chaque processeur
se trouve dans sa mémoire locale... Cette tâche porte le
nom de « répartition des données » (« data layout »).
Mémoire partagée :
La mémoire partagée est elle aussi un modèle d'interaction
entre les processeurs d'un système parallèle. Les systèmes
comme les machines biprocesseurs Pentium faisant
fonctionner Linux partagent physiquement la même mémoire
entre tous leurs processeurs, si bien qu'une valeur écrite
par un processeur est directement accessible par un autre
processeur. A l'inverse, la mémoire partagée logiquement
peut être implémentée sur les systèmes où chaque
processeur dispose d'une mémoire qui lui est propre, en
convertissant chaque référence à une zone non locale de la
mémoire en une communication inter-processeur appropriée.
Cette implémentation de la mémoire partagée est
généralement considérée comme étant plus facile à utiliser
que les files de messages. La mémoire partagée
physiquement peut présenter à la fois une bande passante
élevée et des temps de latence très bas, mais seulement
lorsque les différents processeurs n'essaient pas
d'accéder au bus simultanément. Ainsi, le modèle de
répartition des données peut avoir une sérieuse influence
sur les performances, et les effets de cache et autres
peuvent rendre très difficile la détermination du meilleur
modèle.
Fonctions d'agrégation (Aggregate Functions) :
Dans le modèle des files de messages comme dans celui de
la mémoire partagée, une communication est initiée par un
processeur seul. Par contraste, une fonction d'agrégation
est un modèle implicitement parallèle dans lequel tous les
processeurs d'un groupe agissent ensemble. Le cas le plus
simple est celui des barrières de synchronisation, dans
lequel chaque processeur se met en attente jusqu'à ce que
le groupe entier ait atteint la barrière. Si chaque
processeur émet une donnée en atteignant une barrière, il
est possible de demander à l'électronique responsable des
communications d'émettre en retour une valeur à chaque
processeur, valeur qui pourrait être fonction des données
collectées sur tous les processeurs. Par exemple, la
valeur de retour pourrait être la réponse à la question
« Est-ce qu'un processeur a trouvé la réponse ? » ou
pourrait être la somme d'une valeur propre à chaque
processeur. Les temps de latence peuvent être bas, mais la
bande passante a tendance à être basse elle aussi.
Traditionnellement, ce modèle est surtout utilisé pour
contrôler l'exécution en parallèle, plutôt que pour
distribuer les données.
Communication collective :
C'est un autre nom pour les fonctions d'agrégation,
utilisé le plus souvent en référence à celles qui sont
construites en utilisant de multiples opérations d'envoi
de message.
SMP :
SMP (« Symmetric Multi-Processor ») se rapporte au concept
d'un groupe de processeurs travaillant ensemble en tant
qu'homologues, si bien que chaque partie d'un travail peut
être effectuée de la même façon par n'importe quel
processeur de ce groupe. Typiquement, le SMP implique la
combinaison du MIMD et de la mémoire partagée. Dans
l'univers IA32, SMP signifie souvent « compatible MPS »
(« Intel MultiProcessor Specification »). À l'avenir, cela
pourrait signifier « Slot 2 »...
SWAR :
SWAR (« SIMD Within A Register », ou « SIMD à l'intérieur
d'un registre ») est un terme générique qui désigne le
concept consistant à partitionner un registre en plusieurs
champs entiers et à effectuer des opérations sur toute la
largeur du registre pour faire du calcul en parallèle SIMD
sur tous les champs à la fois. En considérant une machine
avec des registres longs de k bits (et donc autant pour
les chemins de données, et les unités des fonctions), on
sait depuis longtemps que les opérations sur les registres
ordinaires peuvent fonctionner comme des opérations
parallèle SIMD sur n champs de k/n bits. Bien que ce type
de parallélisme puisse être mis en ½uvre en utilisant les
registres entiers et les instructions ordinaires,
plusieurs modèles récents de microprocesseurs intègrent
des instructions spécialisées pour améliorer les
performances de cette technique pour des tâches orientées
multimédia. En plus du MMX (« MultiMedia eXtension »)
d'Intel/AMD/Cyrix, il existe : MAX (« MultimediA
eXtension ») sur l'Alpha de Digital, MAX (« Multimedia
Acceleration eXtension ») sur le PA-RISC de
Hewlett-Packard, MDMX (« Digital Media eXtension »,
prononcé « Mad Max ») sur MIPS, et VIS (« Visual
Instruction Set ») sur le SPARC V9 de Sun. En dehors des
trois constructeurs qui ont adopté le MMX, tous ces jeux
d'instructions sont comparables, mais incompatibles entre
eux.
Processeur auxiliaires, dédiés. (« Attached Processors ») :
Les processeurs auxiliaires sont essentiellement des
calculateurs dédiés à une tâche particulière, reliés à un
système hôte et servant à accélérer certains types de
calculs. Par exemple, de nombreuses cartes vidéo et son
pour PC embarquent des processeurs dédiés conçus pour
accélérer respectivement les opérations graphiques et le
DSP audio (DSP : « Digital Signal Processing », soit
« Traitement Numérique du Signal »). Il existe aussi une
large variété de processeurs de tableaux (« array
processors »), nommés ainsi car ils sont conçus pour
accélérer les opérations arithmétiques sur les tableaux. À
dire vrai, un certain nombre de supercalculateurs
commerciaux sont en réalité formés de processeurs dédiés
rattachés à des stations de travail hôtes.
RAID :
RAID (« Redundant Array of Inexpensive Disks », soit
« Batterie Redondante de Disques Peu Coûteux ») est une
technologie simple servant à améliorer tant la bande
passante que la fiabilité des accès disque. Même si le
RAID se décline en plusieurs variantes, toutes ont en
commun deux concepts-clés : D'abord, chaque bloc de
données est découpé en segments distribués à un groupe de
n+k disques de façon à ce que chaque disque n'ait à lire
que 1/nième de la donnée... offrant ainsi n fois la bande
passante d'un seul disque. Ensuite, des données
redondantes sont écrites pour que les données puissent
être recouvrées si un des disques vient à défaillir. C'est
important car autrement, si l'un des n+k disques tombait
en panne, le système de fichiers entier pourrait être
perdu. Il existe une bonne présentation du système RAID
sur http://www.dpt.com/uraiddoc.html
[http://www.dpt.com/uraiddoc.html], ainsi que des
informations concernant le RAID pour Linux sur
http://linas.org/linux/raid.html
[http://linas.org/linux/raid.html]. Hormis la prise en
charge du matériel RAID spécialisé, Linux gère aussi le
RAID logiciel 0, 1, 4 et 5 à travers plusieurs disques
hébergés sur un système Linux unique. Reportez-vous aux
Software RAID mini-HOWTO et Multi-Disk System Tuning
mini-HOWTO pour plus de détails. Le RAID au travers de
plusieurs disques sur plusieurs machines en clusters n'est
pas directement pris en charge.
IA32 :
L'IA32 (« Intel Architecture », 32 bits) n'a rien à voir
avec le traitement en parallèle, mais se réfère à la
classe de processeurs dont les instructions sont
compatibles avec celles de l'Intel 386. Concrètement, tout
processeur Intel x86 après le 286 est compatible avec le
modèle de mémoire « à plat^[1] » qui caractérise l'IA32.
AMD et Cyrix font eux aussi une multitude de processeurs
compatibles IA32. Comme Linux a évolué principalement sur
des processeurs IA32 et que c'est là qu'est centré le
marché de la grande consommation, il est commode
d'utiliser le terme IA32 pour distinguer ce type de
processeur des PowerPC, Alpha, PA-RISC, MIPS, SPARC, et
cætera. La future IA64 (64 bits avec EPIC, « Explicitly
Parallel Instruction Computing ») va certainement
compliquer les choses, mais la production de Merced, le
premier processeur IA64, n'est pas envisagée avant 1999.
Produits du commerce :
Depuis la mort de plusieurs fabricants de
supercalculateurs en parallèle, les solutions commerciales
toutes faites et prêtes à l'emploi (en anglais
« Commercial Off-The-Shelf » ou COTS, pour « disponibles
en rayons ») sont couramment considérées comme une
nécessité dans le monde des systèmes de calcul en
parallèle. En étant totalement puriste, les seuls moyens
de traitement en parallèle disponibles sous forme de
produits du commerce utilisant des PC sont des choses
comme les serveurs Windows NT en SMP et les différentes
applications Windows utilisant le MMX. Être aussi puriste
ne mène à rien. L'idée fondamentale de l'utilisation de
produits du commerce est de réduire les coûts et les temps
de développement. Ainsi, une manière plus complète et plus
utile de comprendre l'utilisation de ce type de produit
serait de dire que la plupart des sous-systèmes tirent
profit du marché de masse mais que d'autres technologies
sont utilisées là où elles servent vraiment. Le plus
souvent, les produits du commerce pour le traitement en
parallèle sont utilisés au sein d'un groupe de machines
(« cluster ») dans lequel les postes sont des PC courants,
mais dont l'interface réseau et les logiciels ont été
quelque peu personnalisés... classiquement, fonctionnant
sous Linux avec des applications dont le code source est
libre et disponible (par exemple sous copyleft ou dans le
domaine public), mais pas littéralement des produits du
commerce.
1.3. Algorithme d'exemple
Afin de bien comprendre l'usage des différentes approches de
programmation en parallèle mises en évidence dans ce guide, il est
utile d'étudier cet exemple. Bien qu'un algorithme simple de
traitement en parallèle eût suffi, si l'on en choisit un qui a
déjà été utilisé pour faire la démonstration d'autres systèmes de
programmation parallèle, il devient un peu plus facile de comparer
et mettre en évidence les caractéristiques de ces différentes
approches. le livre de M. J. Quinn, Parallel Computing Theory And
Practice (« Théorie et Pratique du Calcul en Parallèle »), seconde
édition, édité par McGraw Hill, New York en 1994, utilise un
algorithme parallèle qui calcule la valeur de Pi pour présenter
différents environnements de programmation sur supercalculateurs
parallèles (par exemple, le message passing du nCube ou la mémoire
partagée des Sequent). Dans ce guide, nous utiliserons le même
algorithme.
Cet algorithme calcule la valeur approchée de Pi en faisant la
somme de l'aire située sous x au carré. En tant que programme C
purement séquentiel, l'algorithme ressemble à :
#include <stdlib.h>
#include <stdio.h>
main(int argc, char **argv)
{
register double largeur, somme;
register int intervalles, i;
/* Lit le nombre d'intervalles désiré */
intervalles = atoi(argv[1]);
largeur = 1.0 / intervalles;
/* fait le calcul */
somme = 0;
for (i=0; i<intervalles; ++i) {
register double x = (i + 0.5) * largeur;
somme += 4.0 / (1.0 + x * x);
}
somme *= largeur;
printf("Estimation de la valeur de pi: %f\n", somme);
return(0);
}
En revanche, cet algorithme séquentiel conduit facilement à une
implémentation « parallèle et embarrassante ». L'aire est
subdivisée en intervalles, et un nombre quelconque de processeurs
peut faire la somme de l'intervalle qui lui est assigné
indépendamment des autres, sans nécessité d'interaction entre les
processeurs. Une fois que les sommes locales ont toutes été
calculées, elles sont additionnées pour former la somme globale.
Cette étape requiert un certain niveau de coordination et de
communication entre les différents processeurs. Enfin, cette somme
globale est renvoyée à l'écran par un seul processeur, en tant que
valeur approximative de Pi.
Dans ce guide, les différentes implémentations parallèles de cet
algorithme apparaissent là ou les différentes méthodes de
programmation sont traitées.
1.4. Structure du document
Le reste de ce document est divisé en cinq parties. Les sections
2, 3, 4 et 5 correspondent aux trois différents types de
configuration matérielle pouvant assumer le traitement en
parallèle en utilisant Linux.
o La section 2 traite des systèmes Linux sur SMP, lesquels
prennent directement en charge l'exécution MIMD en utilisant
la mémoire partagée, même si les files de messages sont
facilement mises en place, elles aussi. Bien que Linux sache
gérer les configurations SMP jusqu'à 16 processeurs, la
plupart des ordinateurs SMP de type PC sont dotés soit de
deux, soit de quatre processeurs identiques.
o La section 3 traite des batteries d'ordinateurs en réseau
(« clusters »), chaque machine fonctionnant sous Linux. Un
cluster peut être utilisé comme un système de traitement en
parallèle gérant directement l'exécution en MIMD et l'échange
de messages, et peut-être même aussi la mémoire partagée
logique. L'exécution SIMD simulée et la communication des
fonctions d'agrégation peuvent aussi être prises en charge,
selon le réseau exploité. Le nombre de processeurs compris
dans un cluster peut s'étendre de deux à plusieurs milliers,
la principale limitation étant le câblage physique du réseau.
Dans certains cas, des machines de différents types peuvent
être mélangées au sein d'un cluster. Par exemple, un réseau
qui combinerait des Alpha DEC et des Pentium sous Linux serait
appelé cluster hétérogène.
o La section 4 traite du SWAR, le « SIMD dans un registre ».
C'est une forme très restrictive d'exécution en parallèle,
mais d'un autre coté, c'est une possibilité intégrée aux
processeurs ordinaires. Ces derniers temps, les extensions MMX
et autres des processeurs modernes ont rendu cette approche
encore plus efficace.
o La section 5 traite de l'utilisation de PC sous Linux comme
hôtes pour des systèmes de calcul parallèle simples. Sous
forme de carte d'extension ou de boîtiers externes, les
processeurs auxiliaires peuvent apporter à des systèmes Linux
une formidable puissance de traitement pour des applications
spécifiques. Par exemple, des cartes ISA disponibles à peu de
frais fournissent de multiples processeurs DSP, offrant
plusieurs centaines de MégaFLOP aux calculs de grande
envergure. En revanche, ces cartes ne sont que des
processeurs. Elle n'embarquent généralement pas de système
d'exploitation, de disque dur, ou de connecteur pour terminal
de contrôle, et cætera. Pour rendre ces systèmes exploitables,
l'« hôte » Linux doit fournir ces facilités.
La section finale de ce document couvre les aspects d'intérêt
général concernant le traitement en parallèle sous Linux, non
spécifique à l'une des approches listées ci-dessus.
En lisant ce document, gardez à l'esprit que nous n'avons pas tout
testé, et que beaucoup de choses rapportées dans ce document ont
toujours « un caractère expérimental » (une jolie manière de dire
que cela ne fonctionne pas tout à fait comme espéré ;-) ). Cela
dit, le traitement en parallèle sous Linux est désormais
exploitable, et un groupe incroyablement vaste de personnes
travaille à le rendre encore meilleur.
L'auteur de la version originale de ce guide est le Dr (Ph.D) Hank
Dietz, actuellement Professeur Associé de l'Electrical and
Computer Engineering à l'université de Purdue, West Lafayette, IN,
47907-1285. Dietz est propriétaire des droits sur ce document,
conformément aux règles du Linux Documentation Project (LDP). Bien
qu'un effort ait été fait pour assurer l'exactitude de cette
présentation, ni Dietz ni l'Université de Purdue ne peuvent être
tenus responsables d'éventuels problèmes ou erreurs, et
l'Université de Purdue n'endosse la responsabilité d'aucun produit
ou travaux traités dans ce document.
1.5. Note du traducteur
Chers lecteurs, avant de poursuivre la lecture de ce guide, il est
important de revenir, notament au vu de la date de publication de
cette version française, sur plusieurs points :
o Le Professeur Henry G. Dietz (dit « Hank »), après avoir
enseigné plusieurs années à l'Université de Purdue et y avoir
développé la plupart de ce qui forme ce document, mène
aujourd'hui ses recherches à l'Université du Kentucky. Son
site personnel se trouve désormais ici:
http://aggregate.org/hankd/ [http://aggregate.org/hankd/].
Cela signifie également que la plupart des références à
l'Université de Purdue sont désormais caduques. Toutefois, un
certain nombre de ces références ont été conservées en l'état
dans ce guide, ce lorsque le contenu référencé était toujours
disponible sur le site de l'Université sans avoir été
transféré vers le nouveau site. En tout état de cause,
dirigez-vous en priorité sur le site de l'Université du
Kentucky pour tout contact ou pour obtenir les informations
les plus récentes.
o La totalité des termes, notament techniques, employés dans ce
documents ont été traduits en français, à quelques exceptions
près. C'est par exemple le cas du mot « cluster », qui désigne
en informatique la mise en parallèle de plusieurs machines
individuelles et coordonnées de manière à les faire agir comme
un seul super-ordinateur. Le terme français homologue est
« grappe ». Toutefois, la fréquence à laquelle ce mot est
employé tant dans ce document (un chapitre entier est consacré
à ce sujet précis) que dans la communauté du traitement en
parallèle en général est telle que le terme original a été
conservé dans la présente version française. Dans le même
esprit, la notion de « bande passante » se retrouve très
fréquement tout au long de ce guide. C'est à la base un abus
de langage, mais la popularité de cette formule est également
suffisament grande pour la conserver en l'état.
o La version originale de ce document a été écrite en 1998, la
version française est parue en 2004. Il va sans dire qu'au
cours d'une aussi longue période, le paysage informatique a
beaucoup évolué, spécialement en ce qui concerne le
développement du noyau Linux. Certaines technologies réseau
(telles que ATM, FireWire, ou Fiber Channel) ou de clustering
(comme MOSIX), recensées comme indisponibles en 1998, ont
depuis intégré le noyau, ou sont devenues disponibles. En
revanche, il est très peu probable qu'une technologie connue
pour fonctionner sous Linux lors de la rédaction de ce
document soit devenue inutilisable depuis.
o Plus encore que celui de l'industrie informatique, le paysage
du World Wide Web s'est transformé de façon à rendre la
plupart des liens proposés obsolètes. Un effort a été fait
pour assurer leur mise à jour ou leur remplacement, ainsi que
la pertinence de leur contenu. En dépit de cela, un certain
nombre d'entre eux, en particulier ceux dont les projets
étaient hébergés sur les pages personnelles d'étudiants de
grandes écoles, n'ont pu être corrigés et ont été retirés du
document.
Malgré toutes ces réserves, les techniques couvertes par ce
document sont suffisament générales pour rester valables au cours
du temps et au travers des différents modèles de machines, et son
contenu présente toujours un intérêt à la fois pédagogique et
historique, qui restera encore longtemps profitable au lecteur.
Tout ceci justifie une publication même tardive.
Enfin, le traducteur s'est efforcé de rendre le présent document
aussi correct et fidèle à son original que possible, mais n'est
pas infaillible. Tout signalement d'un contresens, d'une erreur
technique, ou tout autre défaut de traduction sera apprécié à sa
juste valeur à l'adresse suivante : <dvandenbroeck CHEZ free POINT
fr>.
Bonne lecture !
2. Linux sur SMP
Ce document donne un bref aperçu de la manière dont on utilise le
SMP sous Linux [http://www.linux.org.uk/SMP/title.html] pour le
traitement en parallèle. L'information la plus à jour concernant
le SMP sous Linux est fort probablement disponible via la liste de
diffusion du SMP Linux Project (N.D.T. : en anglais). Envoyez un
courrier électronique à <majordomo CHEZ vger POINT rutgers POINT
edu> avec le texte subscribe linux-smp pour rejoindre la liste.
Le SMP sous Linux fonctionne-t-il vraiment ? En juin 1996, j'ai
fait l'achat d'un bi-Pentium 100MHz flambant neuf. Le système
complet et assemblé, comprenant les deux processeurs, la
carte-mère Asus, 256 kilo-octets de mémoire cache, 32 méga-octets
de RAM, le disque dur d'1.6 giga-octet, le lecteur de CD-ROM 6X,
une carte Stealth 64 et un moniteur 15'' Acer m'a coûté 1800
dollars. Cela ne fait que quelques centaines de dollars de plus
qu'un système monoprocesseur. Pour faire fonctionner le SMP sous
Linux, il a suffi d'installer le Linux monoprocesseur d'origine,
de recompiler le noyau en décommentant la ligne SMP=1 dans le
Makefile (bien que je trouve le fait de mettre SMP à 1 un peu
ironique ! ;-) ), et d'informer lilo de l'existence du nouveau
noyau. Ce système présente une stabilité et des performances
suffisamment bonnes pour qu'il me serve depuis de station de
travail principale. Pour résumer, le SMP sous Linux, ça
fonctionne !
La question qui se présente alors est : existe-t-il suffisamment
d'API de haut niveau permettant d'écrire et d'exécuter des
programmes en parallèle et utilisant la mémoire partagée sous
Linux SMP ? Courant 1996, il n'y en avait pas beaucoup. Les choses
ont changé. Par exemple, il existe désormais une bibliothèque
POSIX de gestion des threads^[2] très complète.
Bien que les performances soient moins élevées que celles des
mécanismes de mémoire partagée natifs, un système Linux sur SMP
peut aussi utiliser la plupart des logiciels de traitement en
parallèle initialement développés pour des clusters de stations de
travail en utilisant la communication par socket. Les sockets
(voir section 3.3) fonctionnent à l'intérieur d'une machine en
SMP, et même dans un cluster de machines SMP reliées en réseau.
Cependant, les sockets engendrent beaucoup de pertes en temps
inutiles pour du SMP. Cela complique le problème car Linux SMP
n'autorise en général qu'un seul processeur à la fois à se trouver
dans le noyau et le contrôleur d'interruption est réglé de façon à
ce que seul le processeur de boot^[3] puisse traiter les
interruptions. En dépit de cela, l'électronique de communication
typique des systèmes SMP est tellement meilleure que la plupart
des clusters en réseau que les logiciels pour cluster
fonctionneront souvent mieux sur du SMP que sur le cluster pour
lequel ils ont été conçus.
Le reste de cette section traite de l'électronique contrôlant le
SMP, passe en revue les mécanismes Linux de base partageant de la
mémoire à travers les différents processus d'un programme en
parallèle, fait quelques remarques concernant l'atomicité, la
volatilité, les verrous et les lignes de cache, et donne enfin des
références vers d'autres ressources de traitement en parallèle à
mémoire partagée.
2.1. L'électronique SMP
Bien que les systèmes SMP soit répandus depuis de nombreuses
années, jusque très récemment, chaque machine tendait à
implémenter les fonctions de base d'une manière suffisamment
différente des autres pour que leur gestion par le système
d'exploitation ne soit pas portable. Les choses ont changé avec la
Intel's MultiProcessor Specification (Spécification
MultiProcesseurs d'Intel) souvent désignée par MPS. La
spécification MPS 1.4 est actuellement disponible sous forme de
document PDF sur
http://www.intel.com/design/intarch/MANUALS/242016.htm
[http://www.intel.com/design/intarch/MANUALS/242016.htm]^[4], mais
gardez à l'esprit qu'Intel réorganise souvent son site web. Un
large panel de constructeurs fabrique des systèmes conformes à MPS
pouvant recevoir jusqu'à quatre processeurs, mais en théorie, MPS
admet bien plus de processeurs.
Les seuls systèmes non MPS et non IA32 reconnus par Linux SMP sont
les machines SPARC multiprocesseurs de Sun4m. Linux SMP prend
aussi en charge la plupart des machines Intel conformes à MPS 1.1
ou 1.4, comptant jusqu'à 16 processeurs 486DX, Pentium, Pentium
MMX, Pentium Pro ou Pentium II. Parmi les processeurs IA32 non
pris en charge (N.D.T. : par le SMP), on trouve les Intel 386 et
486SX/SLC (l'absence de coprocesseur mathématique interfère sur
les mécanismes du SMP) et les processeurs AMD et Cyrix (qui
nécessitent des circuits de gestion du SMP différents et qui ne
semblent pas être disponibles à l'heure où ce document est écrit).
Il est important de bien comprendre que les performances de
différents systèmes conformes à MPS peuvent fortement varier.
Comme l'on peut s'y attendre, une des causes de différence de
performance est la vitesse du processeur : Une horloge plus rapide
tend à rendre les systèmes plus rapides, et un processeur Pentium
Pro est plus rapide qu'un Pentium. En revanche, MPS ne spécifie
pas vraiment comment le matériel doit mettre en ½uvre la mémoire
partagée, mais seulement comment cette implémentation doit
fonctionner d'un point de vue logiciel. Cela signifie que les
performances dépendent aussi de la façon dont l'implémentation de
la mémoire partagée interagit avec les caractéristiques de Linux
SMP et de vos applications en particulier.
La principale différence entre les systèmes conformes à MPS réside
dans la manière dont ils implémentent l'accès à la mémoire
physiquement partagée.
2.1.1. Chaque processeur possède-t-il sa propre mémoire cache de
niveau 2 (L2) ?
Certains systèmes MPS à base de Pentium, et tous les systèmes MPS
Pentium Pro et Pentium II ont des mémoires cache L2 indépendantes
(le cache L2 est embarqué dans le module des Pentium Pro et
Pentium II). Les mémoires caches L2 dissociées sont généralement
réputées augmenter les performances de l'ordinateur, mais les
choses ne sont pas si évidentes sous Linux. La principale
complication provient du fait que l'ordonnanceur de Linux SMP
n'essaie pas de maintenir chaque processus sur le même processeur,
concept connu sous le nom d'affinité processeur. Cela pourrait
bientôt changer. Un débat a récemment eu lieu sur ce sujet dans la
communauté des développeurs Linux SMP, sous le titre « processor
bindings » (« associations de processeurs »). Sans affinité
processeur, des caches L2 séparés peuvent introduire des délais
non négligeables lorsqu'un processus se voit allouer une tranche
de temps d'exécution sur un processeur qui n'est pas le même que
celui sur lequel il s'exécutait juste avant.
Plusieurs systèmes relativement bon marché sont organisés de
manière à ce que deux processeurs Pentium puissent partager la
même mémoire cache L2. La mauvaise nouvelle, c'est que cela crée
des conflits à l'utilisation de ce cache, qui dégradent
sérieusement les performances lorsque plusieurs programmes
séquentiels indépendants s'exécutent simultanément. La bonne
nouvelle, c'est que bon nombre de programmes parallèles pourraient
tirer profit de la mémoire cache partagée, car si les deux
processeurs veulent accéder à la même ligne de mémoire partagée,
seul un processeur doit aller la rapatrier dans le cache, et l'on
évite des conflits de bus. Le manque d'affinité processeur peut
aussi s'avérer moins désastreux avec un cache L2 partagé. Ainsi,
pour les programmes parallèles, il n'est pas vraiment certain que
partager la mémoire cache L2 soit si préjudiciable que l'on
pourrait le penser.
À l'usage, notre bi-Pentium à mémoire cache partagée de 256Ko
présente une vaste échelle de performances, dépendantes du niveau
d'activité noyau requis. Au pire, le gain en vitesse n'atteint
qu'un facteur de 1,2. En revanche, nous avons aussi constaté une
accélération de 2,1 fois la vitesse d'origine, ce qui suggère que
les calculs intensifs à base de SPMD tirent vraiment profit de
l'effet d'« acquisition partagée » (« shared fetch »).
2.1.2. Configuration du bus ?
La première chose à dire est que la plupart des systèmes modernes
relient le processeur à un ou plusieurs bus PCI qui à leur tour
sont « pontés » vers un ou plusieurs bus ISA ou EISA. Ces ponts
engendrent des temps de latence, et l'ISA comme l'EISA offrent
généralement des bandes passantes plus réduites que le PCI (ISA
étant le plus lent). C'est pourquoi les disques, cartes vidéos et
autres périphériques de haute performance devraient en principe
être connectés sur un bus PCI.
Bien qu'un système MPS puisse apporter un gain en vitesse
honorable à plusieurs programmes parallèles de calcul intensif
même avec un seul bus PCI, les opérations d'entrées/sorties,
elles, ne sont pas meilleures que sur un système monoprocesseur.
Elles sont peut-être même un peu moins bonnes à cause des conflits
de bus entre les processeurs. Ainsi, si votre objectif est
d'accélérer les entrées/sorties, prenez soin de choisir un système
MPS comportant plusieurs bus PCI indépendants et plusieurs
contrôleurs d'entrées/sorties (par exemple : plusieurs chaînes
SCSI). Il vous faudra être prudent, et sûr que Linux reconnaît
tout votre matériel. Gardez aussi à l'esprit le fait que Linux
n'autorise qu'un seul processeur à la fois à entrer en mode noyau,
aussi devrez-vous choisir des contrôleurs qui réduisent au minimum
le temps noyau nécessaire à leurs opérations. Pour atteindre des
performances vraiment très élevées, il se pourrait même qu'il vous
faille envisager d'effectuer vous-même les opérations
d'entrée/sortie de bas niveau directement depuis les processus
utilisateurs, sans appel système... ce n'est pas forcément aussi
difficile que cela en a l'air, et cela permet d'éviter de
compromettre la sécurité du système (voir la section 3.3 pour une
description des techniques de base).
Il est important de remarquer que la relation entre vitesse du bus
et vitesse du processeur est devenue très floue ces dernières
années. Bien que la plupart des systèmes utilisent maintenant la
même fréquence de bus PCI, il n'est pas rare de trouver un
processeur rapide apparié avec un bus lent. L'exemple classique
est celui du Pentium 133 qui utilise en général un bus plus rapide
que celui du Pentium 150, produisant des résultats étranges sur
les logiciels bancs de tests (« benchmarks »). Ces effets sont
amplifiés sur les systèmes SMP, où il est encore plus important
d'utiliser un bus rapide.
2.1.3. Interfoliage de la mémoire et technologie DRAM
L'interfoliage de la mémoire n'a en fait absolument rien à voir
avec le MPS, mais vous verrez souvent cette mention accompagner
les systèmes MPS car ceux-ci sont typiquement gourmands en bande
passante mémoire. Concrètement, l'interfoliage en deux ou en
quatre voies organise la RAM de façon à ce que l'accès à un bloc
de mémoire se fasse au travers de plusieurs bancs de RAM plutôt
qu'un seul. Ceci accélère grandement les accès à la mémoire,
particulièrement en ce qui concerne le chargement et
l'enregistrement du contenu des lignes de cache.
Il faut toutefois souligner que ce fait n'est pas aussi évident
qu'il y parait, car la DRAM EDO et les différentes technologies
mémoire tendent à optimiser ce genre d'opérations. Un excellent
aperçu des différentes technologies DRAM est disponible sur
http://www.pcguide.com/ref/ram/tech.htm
[http://www.pcguide.com/ref/ram/tech.htm].
Ainsi, par exemple, mieux vaut-il avoir de la mémoire DRAM EDO
interfoliée à 2 voies, ou de la mémoire SDRAM non interfoliée ?
C'est une très bonne question et la réponse n'est pas simple, car
la mémoire interfoliée comme les technologies DRAM exotiques ont
tendance à être coûteuses. Le même investissement en mémoire plus
ordinaire vous apporte en général une mémoire centrale bien plus
vaste. Même la plus lente des mémoire DRAM reste autrement plus
rapide que la mémoire virtuelle par fichier d'échange...
2.2. Introduction à la programmation en mémoire partagée
Okay, donc vous avez décidé que le traitement en parallèle sur
SMP, c'est génial... Par quoi allez-vous commencer ? Eh bien, la
première étape consiste à en apprendre un peu plus sur le
fonctionnement réel de la communication par mémoire partagée.
A première vue, il suffit qu'un processeur range une valeur en
mémoire et qu'un autre la lise. Malheureusement, ce n'est pas
aussi simple. Par exemple, les relations entre processus et
processeurs sont très floues. En revanche, si nous n'avons pas
plus de processus actifs que de processeurs, les termes sont à peu
près interchangeables. Le reste de cette section résume brièvement
les cas de figure typiques qui peuvent poser de sérieux problèmes,
si vous ne les connaissiez pas déjà : les deux différents modèles
utilisés pour déterminer ce qui est partagé, les problèmes
d'atomicité, le concept de volatilité, les instructions de
verrouillage matériel, les effets de la ligne de cache, et les
problèmes posés par l'ordonnanceur de Linux.
2.2.1. Partage Intégral contre Partage Partiel
Il existe deux modèles fondamentaux couramment utilisés en
programmation en mémoire partagée : le partage intégral et le
partage partiel. Ces modèles permettent tous deux aux processeurs
de communiquer en chargeant et rangeant des données depuis et dans
la mémoire. La différence réside dans le fait que le partage
intégral place toutes les structures en mémoire partagée, quand le
partage partiel, lui, distingue les structures qui sont
potentiellement partageables et celles qui sont privées, propres à
un seul processeur (et oblige l'utilisateur à classer
explicitement ses structures dans l'une de ces catégories).
Alors quel modèle de partage mémoire faut-il utiliser ? C'est
surtout une affaire de chapelle. Beaucoup de gens aiment le
partage intégral car ils n'ont pas spécialement besoin
d'identifier les structures qui doivent être partagées au moment
de leur déclaration. On place simplement des verrous sur les
objets auxquels l'accès peut créer des conflits, pour s'assurer
qu'un seul processeur (ou processus) y accède à un moment donné.
Mais là encore, ce n'est pas aussi simple... aussi beaucoup
d'autres gens préfèrent, eux, le modèle relativement sûr du
partage partiel.
2.2.1.1. Partage intégral
Le bon coté du partage intégral est que l'on peut aisément
reprendre un programme séquentiel existant et le convertir
progressivement en programme parallèle en partage intégral. Vous
n'avez pas à déterminer au préalable les données qui doivent être
accessibles aux autres processeurs.
Posé simplement, le principal problème avec le partage intégral
vient du fait qu'une action effectuée par un processeur peut
affecter les autres processeurs. Ce problème ressurgit de deux
manières :
o Plusieurs bibliothèques utilisent des structures de données
qui ne sont tout simplement pas partageables. Par exemple, la
convention UNIX stipule que la plupart des fonctions peuvent
renvoyer un code d'erreur dans une variable appelée errno. Si
deux processus en partage intégral font des appels divers, ils
vont interférer l'un sur l'autre car ils partagent la même
variable errno. Bien qu'il existe désormais une bibliothèque
qui règle le problème de cette variable, ce problème se
présente toujours dans la plupart des bibliothèques comme par
exemple X-Window qui, à moins de prendre des précautions très
spéciales, ne fonctionnera pas si différents appels sont
passés depuis différents processus en partage intégral.
o En temps normal, un programme qui utilise un pointeur ou un
index défaillant provoque au pire l'arrêt du processus qui
contient le code corrompu. Il peut même générer un fichier
core vous renseignant sur les conditions dans lesquelles se
sont déroulés les événements. En programmation parallèle à
partage intégral, il est fort probable que les accès illégaux
provoquent la fin d'un processus qui n'est pas le fautif,
rendant la localisation et la correction de l'erreur quasiment
impossibles.
Aucun de ces deux problèmes n'est courant dans le cas du partage
partiel, car seules sont partagées les structures explicitement
marquées comme telles. De plus, il est trivial que le partage
intégral ne peut fonctionner que si les processeurs exécutent
exactement la même image en mémoire. On ne peut pas utiliser le
partage intégral entre des images de code différentes
(c'est-à-dire que vous pourrez travailler en SPMD, mais pas d'une
manière générale en MIMD).
Les supports de programmation en partage intégral existent le plus
couramment sous la forme de bibliothèques de threads. Les threads
[http://liinwww.ira.uka.de/bibliography/Os/threads.html] sont
essentiellement des processus « allégés » dont l'exécution peut ne
pas être planifiée comme celle des processus UNIX normaux et qui,
c'est le plus important, partagent tous la même page mémoire.
L'adaptation des Pthreads
[http://www.mit.edu:8001/people/proven/IAP_2000/index.html] POSIX
a fait l'objet de nombreux efforts. La grande question est : ces
adaptations parallélisent-elles les threads d'un programme en
environnement Linux SMP (idéalement, en attribuant un processeur à
chaque thread) ?. L'API POSIX ne l'impose pas, et certaines
versions comme PCthreads semblent ne pas implémenter une exécution
en parallèle des threads : tous les threads d'un programme sont
conservés à l'intérieur d'un seul processus Linux.
La première bibliothèque de threads à avoir pris en charge le
parallélisme sous Linux SMP fut la désormais quelque peu obsolète
bibliothèque bb_thread, une toute petite bibliothèque qui
utilisait l'appel Linux clone() pour donner naissance à de
nouveaux processus Linux, planifiés indépendamment les uns des
autres, tous partageant un même espace d'adressage. Les machines
Linux SMP peuvent lancer plusieurs de ces « threads » car chaque
« thread » est un processus Linux à part entière. L'inconvénient,
c'est que l'on ne peut obtenir l'ordonnancement « poids-plume »
apportée par les bibliothèques de threads d'autres systèmes
d'exploitation. La bibliothèque utilisait un peu de code
assembleur intégré dans un code source en langage C pour mettre en
place un bloc de mémoire pour la pile de chaque thread et fournir
des fonctions d'accès atomiques à un tableau de verrous (les
mutex). Sa documentation se résumait à un fichier LISEZMOI et à un
court programme d'exemple.
Plus récemment, une version de threads POSIX utilisant clone() a
été développée. Cette bibliothèque, LinuxThreads
[http://pauillac.inria.fr/~xleroy/linuxthreads/], est clairement
la bibliothèque en partage intégral favorite pour l'utilisation
sous Linux SMP. Les threads POSIX sont bien documentés, et les
documents LinuxThreads README
[http://pauillac.inria.fr/~xleroy/linuxthreads/README] et
LinuxThreads FAQ
[http://pauillac.inria.fr/~xleroy/linuxthreads/faq.html] sont
vraiment très bien réalisés. A présent, le principal problème est
que les threads POSIX ont encore beaucoup de détails à régler, et
que LinuxThread est toujours un projet en cours d'évolution.
D'autre part, les threads POSIX ont évolué pendant dans leur phase
de standardisation, aussi devrez-vous être prudent pour ne pas
développer en suivant une version obsolète du standard.
2.2.1.2. Partage Partiel
Le Partage Partiel consiste réellement à « ne partager que ce qui
doit être partagé ». Cette approche est valable pour le MIMD en
général (et pas simplement le SPMD) à condition de prendre soin
d'allouer les objets partagés aux mêmes endroits dans le plan
mémoire de chaque processeur. Plus important encore, le partage
partiel facilite l'estimation et l'ajustage des performances, le
débogage des sources, et cætera. Les seuls problèmes sont :
o Déterminer à l'avance ce qui doit être partagé peut s'avérer
difficile.
o L'allocation d'objets dans la mémoire partagée peut en fait se
révéler malaisé, spécialement en ce qui concerne tout ce qui
aurait du être déclaré dans la pile. Par exemple, il peut être
nécessaire d'allouer explicitement des objets partagés dans
des segments de mémoire séparés, nécessitant des routines
d'allocation mémoire séparées, et impliquant l'ajout de
pointeurs et d'indirections supplémentaires à chaque
référence.
Actuellement, il existe deux mécanismes similaires permettant aux
groupes de processus sous Linux de posséder des espaces mémoire
indépendants, mais de tous partager un unique et relativement
étroit segment de mémoire. En supposant que vous n'ayez pas
bêtement exclu l'option « System V IPC » lorsque que vous avez
configuré votre système Linux (N.D.T. : ici à la recompilation du
noyau), Linux gère un mécanisme très portable devenu célèbre sous
le nom de « mémoire partagée System V ». L'autre alternative est
une fonction de projection en mémoire dont l'implémentation varie
grandement selon le système UNIX utilisé : L'appel système mmap.
Vous pouvez -- et devriez -- apprendre le fonctionnement de ces
primitives au travers des pages du manuel (man pages)... mais vous
trouverez quand même un rapide aperçu de chacune d'elles dans les
sections 2.5 et 2.6 pour vous aider à démarrer.
2.2.2. Atomicité et ordonnancement
Que vous utilisiez l'un ou l'autre des modèles cités ci-dessus, le
résultat est à peu près le même : vous obtenez un pointeur sur un
bloc de mémoire en lecture/écriture accessible par tous les
processus de votre programme en parallèle. Cela signifie-t-il que
je peux laisser mes programmes accéder aux objets partagés comme
s'ils se trouvaient en mémoire locale ordinaire ? Pas tout à
fait...
L'atomicité désigne une opération sur un objet effectuée en une
séquence indivisible et ininterruptible. Malheureusement, les
accès à la mémoire partagée n'impliquent pas que les toutes les
opérations sur les données de cette mémoire se fassent de manière
atomique. A moins de prendre des précautions spéciales, seules les
opérations de lecture ou d'écriture s'accomplissant en une seule
transaction sur le bus (c'est-à-dire alignées sur une adresse
multiple de 8, 16 ou 32 bits, à l'exclusion des opérations 64 bits
ou mal alignées) sont atomiques. Pire encore, les compilateurs
« intelligents » comme GCC font souvent des optimisations qui
peuvent éliminer les opérations mémoire nécessaires pour s'assurer
que les autres processeurs puissent voir ce que le processeur
concerné a fait. Heureusement, ces problèmes ont tous deux une
solution... en acceptant seulement de ne pas se soucier de la
relation entre l'efficacité des accès mémoire et la taille de la
ligne de cache.
En revanche, avant de traiter de ces différents cas de figure, il
est utile de préciser que tout ceci part du principe que les
références à la mémoire pour chaque processeur se produisent dans
l'ordre où elles ont été programmées. Le Pentium fonctionne de
cette manière, mais les futurs processeurs d'Intel pourraient ne
pas le faire. Aussi, quand vous développerez sur les processeurs à
venir, gardez à l'esprit qu'il pourrait être nécessaire d'encadrer
les accès à la mémoire avec des instructions provoquant
l'achèvement de toutes les accès à la mémoire en suspens,
provoquant ainsi leur mise en ordre. L'instruction CPUID semble
provoquer cet effet.
2.2.3. Volatilité
Pour éviter que l'optimiseur du GCC ne conserve les valeurs de la
mémoire partagée dans les registres de processeur, tous les objets
en mémoire partagée doivent être déclarés avec l'attribut
volatile. Tous les accès en lecture ou écriture ne nécessitant
l'accès qu'à un seul mot se feront alors de manière atomique. Par
exemple, en supposant que p est un pointeur sur un entier, et que
ce pointeur comme l'entier qu'il pointe se trouvent en mémoire
partagée, la déclaration en C ANSI ressemblera à :
volatile int * volatile p;
Dans ce code, le premier volatile concerne l'int que p pointe
éventuellement, quand le second volatile s'applique au pointeur
lui-même. Oui, c'est ennuyeux, mais c'est le prix à payer pour que
GCC puisse faire des optimisations vraiment puissantes. En
théorie, l'option -traditional devrait suffire à produire du code
correct au prix de quelques optimisations, car le standard C K&R
(N.D.T. : Kernigan & Ritchie) pré norme ANSI établit que toutes
les variables sont volatiles si elles ne sont pas explicitement
déclarées comme register. Ceci étant dit, si vos compilations GCC
ressemblent à cc -O6 ..., vous n'aurez réellement besoin de
déclarer les choses comme étant volatiles qu'aux endroits où c'est
nécessaire.
Un rumeur a circulé à propos du fait que les verrous écrits en
assembleur signalés comme modifiant tous les registres du
processeur provoquaient de la part du compilateur GCC
l'enregistrement adéquat de toutes les variables en suspens,
évitant ainsi le code compilé « inutile » associé aux objets
déclarés volatile. Cette astuce semble fonctionner pour les
variables globales statiques avec la version 2.7.0 de GCC... En
revanche, ce comportement n'est pas une recommandation du standard
C ANSI. Pire encore, d'autres processus n'effectuant que des accès
en lecture pourraient conserver éternellement les valeurs dans des
registres, et ainsi ne jamais s'apercevoir que la vraie valeur
stockée en mémoire partagée a en fait changé. En résumé,
développez comme vous l'entendez, mais seules les variables
déclarées volatile offrent un fonctionnement normal garanti.
Notez qu'il est possible de provoquer un accès volatile à une
variable ordinaire en utilisant un transtypage (« casting »)
imposant l'attribut volatile. Par exemple, un int i; ordinaire
peut être référencé en tant que volatile par *((volatile int *)
&i); . Ainsi, vous pouvez forcer la volatilité et les coûts
supplémentaires qu'elle engendre seulement aux endroits où elle
est critique.
2.2.4. Verrous (Locks)
Si vous pensiez que ++i; aurait toujours incrémenté une variable i
sans problème, vous allez avoir une mauvaise surprise : même
codées en une seule instruction, le chargement et l'enregistrement
du résultat sont deux transactions mémoire séparées, et d'autres
processeurs peuvent accéder à i entre ces deux transactions. Par
exemple, deux processus effectuant chacun l'instruction ++i;
pourraient n'incrémenter la variable i que d'une unité et non
deux. Selon le « Manuel de l'Architecture et de la Programmation »
du Pentium d'Intel, le préfixe LOCK peut être employé pour
s'assurer que chacune des instructions suivantes soit atomique par
rapport à l'adresse mémoire à laquelle elles accèdent :
BTS, BTR, BTC mem, reg/imm
XCHG reg, mem
XCHG mem, reg
ADD, OR, ADC, SBB, AND, SUB, XOR mem, reg/imm
NOT, NEG, INC, DEC mem
CMPXCHG, XADD
En revanche, il n'est pas conseillé d'utiliser toutes ces
opérations. Par exemple, XADD n'existait même pas sur 386, aussi
l'employer en programmation peut poser des problèmes de
portabilité.
L'instruction XCHG engendre toujours un verrou, même sans le
préfixe LOCK, et est ainsi et indiscutablement l'opération
atomique favorite pour construire d'autres opérations atomiques de
plus haut niveau comme les sémaphores et les files d'attente
partagées. Bien sûr, on ne peut pas demander à GCC de générer
cette instruction en écrivant simplement du code C. Il vous faudra
à la place écrire un peu de code assembleur en ligne^[5]. En
prenant un objet volatile obj et un registre du processeur reg,
tous deux de type word (longs de 16 bits), le code assembleur GCC
sera :
__asm__ __volatile__ ("xchgl %1,%0"
:"=r" (reg), "=m" (obj)
:"r" (reg), "m" (obj));
Quelques exemples de programmes assembleur en ligne utilisant des
opérations bit-à-bit pour réaliser des verrous sont disponibles
dans le code source de la bibliothèque bb_threads.
Il est toutefois important de se souvenir que faire des
transactions mémoire atomiques a un coût. Une opération de
verrouillage engendre des délais supplémentaires assez importants
et peut retarder l'activité mémoire d'autres processeurs, quand
des références ordinaires auraient utilisé le cache local. Les
meilleures performances s'obtiennent en utilisant les opérations
atomiques aussi peu souvent que possible. De plus, ces
instructions atomiques IA32 ne sont évidement pas portables vers
d'autres systèmes.
Il existe plusieurs alternatives permettant aux instructions
ordinaires d'être utilisées pour mettre en ½uvre différents types
de synchronisation, y compris l'exclusion mutuelle, qui garantit
qu'au plus un seul processeur met à jour un objet partagé donné à
un moment précis. La plupart des manuels des différents systèmes
d'exploitation traitent d'au moins une de ces techniques. On
trouve un très bon exposé sur le sujet dans la quatrième édition
des Operating System Concepts (Principes des Systèmes
d'Exploitation), par Abraham Silberschatz et Peter B. Galvin, ISBN
0-201-50480-4.
2.2.5. Taille de la ligne de cache
Encore une chose fondamentale concernant l'atomicité et qui peut
avoir des conséquence dramatiques sur les performances d'un SMP :
la taille de la ligne de cache. Même si le standard MPS impose que
les références soient cohérentes quelque soit le cache utilisé, il
n'en reste pas moins que lorsque qu'un processeur écrit sur une
ligne particulière de la mémoire, chaque copie en cache de
l'ancienne ligne doit être invalidée ou mise à jour. Ceci implique
que si au moins deux processeurs écrivent chacun sur des portions
différentes de la ligne de cache, cela peut provoquer un trafic
important sur le bus et le cache, pour au final transférer la
ligne depuis le cache vers le cache. Ce problème est connu sous le
nom de faux partage (« false sharing »). La solution consiste
uniquement à organiser les données de telle manière que ce que les
objets auxquels on accède en parallèle proviennent globalement de
différentes lignes de cache pour chaque processus.
Vous pourriez penser que le faux partage n'est pas un problème
quand on utilise un cache de niveau 2 partagé, mais souvenez-vous
qu'il existe toujours des caches de niveau 1 séparés.
L'organisation du cache et le nombre de niveaux séparés peut
varier, mais la ligne de cache de premier niveau d'un Pentium est
longue de 32 octets, et le cache externe typique tourne autour de
256 octets. Supposons que les adresses (physiques ou logiques) de
deux objets soient a et b, et que la taille de la ligne de cache
soit c, que nous admettrons être une puissance de 2. Pour être
très précis, si ((int) a) & ~(c-1) est égal à ((int) b) & ~(c-1),
alors les deux références se trouvent dans la même ligne de cache.
Une règle plus simple consiste à dire que si deux objets
référencés en parallèle sont éloignés d'au moins c octets, ils
devraient se trouver dans des lignes de cache différentes.
2.2.6. Les problèmes de l'ordonnanceur de Linux
Bien que tout l'intérêt d'utiliser de la mémoire partagée pour les
traitements en parallèle consiste à éviter les délais dus au
système d'exploitation, ces délais peuvent parfois provenir
d'autres choses que les communications en elles-mêmes. Nous avons
déjà remarqué que le nombre de processus que l'on devrait créer
doit être inférieur ou égal au nombre de processeurs de la
machine. Mais comment décide-t-on exactement du nombre de
processus à créer ?
Pour obtenir les meilleures performances, le nombre de processus
de votre programme en parallèle doit être égal au nombre de
processus qui peuvent être exécutés simultanément, chacun sur son
processeur. Par exemple, si un système SMP à quatre processeurs
héberge un processus très actif pour un autre usage (par exemple
un serveur web), alors votre programme en parallèle ne devra
utiliser que trois processus. Vous pouvez vous faire une idée
générale du nombre de processus actifs exécutés sur votre système
en consultant la « charge système moyenne » (« load average »)
mise en évidence par la commande uptime.
Vous pouvez en outre « pousser » la priorité de vos processus de
votre programme parallèle en utilisant, par exemple, la commande
renice ou l'appel système nice(). Vous devez être privilégié^[6]
pour augmenter la priorité d'un processus. L'idée consiste
simplement à éjecter les autres programmes des autres processeurs
pour que votre programme puisse être exécuté sur tous les
processeurs simultanément. Ceci peut être effectué de manière un
peu plus explicite en utilisant la version prototype de Linux SMP
disponible sur http://www.fsmlabs.com/products/openrtlinux/
[http://www.fsmlabs.com/products/openrtlinux/] et qui propose un
ordonnanceur en temps réel (N.D.T. : il existe désormais un guide
consacré à RTLinux, accessible en ligne : RTLinux HOWTO
[http://www.traduc.org/docs/howto/lecture/RTLinux-HOWTO.html]).
Si vous n'êtes pas le seul utilisateur employant votre système SMP
comme une machine en parallèle, il se peut que vous entriez en
conflit avec les autres programmes en parallèle essayant de
s'exécuter simultanément. La solution standard est
l'ordonnancement de groupe (« gang scheduling »), c'est-à-dire la
manipulation de la priorité d'ordonnancement de façon à ce que
seuls les processus d'un seul programme en parallèle s'exécutent à
un moment donné. Il est bon de rappeler, en revanche, que
multiplier les parallélismes tend à réduire les retours et que
l'activité de l'ordonnanceur introduit des délais supplémentaires.
Ainsi, par exemple, il sera sûrement préférable, pour une machine
à quatre processeurs, d'exécuter deux programmes contenant chacun
deux processus, plutôt que d'ordonnancer en groupe deux programmes
de quatre processus chacun.
Il y a encore une chose dont il faut tenir compte. Supposons que
vous développiez un programme sur une machine très sollicitée le
jour, mais disponible à cent pour cent pendant la nuit pour le
traitement en parallèle. Il vous faudra écrire et tester votre
code dans les conditions réelles, donc avec tous ses processus
lancés, même en sachant que des tests de jour risquent d'être
lents. Ils seront en fait très lents si certains de vos processus
sont en état d'attente active (« busy waiting »)^[7], guettant le
changement de certaines valeurs en mémoire partagée, changement
censé être provoqué par d'autres processus qui ne sont pas
exécutés (sur d'autres processeurs) au même moment. Ce même
problème apparaît lorsque l'on développe et que l'on teste un
programme sur un système monoprocesseur.
La solution consiste à intégrer des appels système à votre code là
où il peut se mettre en boucle en attendant une action d'un autre
processeur, pour que Linux puisse donner une chance de s'exécuter
à un autre processus. J'utilise pour cela une macro en langage C,
appelons-la IDLE_ME (N.D.T. : MetsMoiEnAttente) : pour faire un
simple test, compilez votre programme par « cc
-DIDLE_ME=usleep(1);... ». Pour produire un exécutable définitif,
utilisez « cc -DIDLE_ME={}... ». L'appel usleep(1) réclame une
pause d'une microseconde, qui a pour effet de permettre à
l'ordonnanceur de Linux de choisir un nouveau processus à exécuter
sur ce processeur. Si le nombre de processus dépasse le nombre de
processeurs disponibles, il n'est pas rare de voir des programmes
s'exécuter dix fois plus rapidement avec usleep(1) que sans.
2.3. bb_threads
La bibliothèque bb_threads ("Bare Bones" threads) est une
bibliothèque remarquablement simple qui fait la démonstration de
l'utilisation de l'appel système Linux clone(). Le fichier tar.gz
n'occupe que 7 ko ! Bien que cette bibliothèque ait été rendue
pour l'essentiel obsolète par la bibliothèque LinuxThreads,
traitée dans la section 2.4, bb_threads reste utilisable, et est
suffisamment simple et peu encombrante pour former une bonne
introduction à la gestion des threads sous Linux. Il est beaucoup
moins effrayant de se lancer dans la lecture de ce code source que
dans celui de LinuxThreads. En résumé, la bibliothèque bb_threads
forme un bon point de départ, mais n'est pas vraiment adaptée à la
réalisation de grands projets.
La structure de base des programmes utilisant la bibliothèque
bb_threads est la suivante :
1. Lancez le programme en tant que processus unique.
2. Il vous faudra estimer l'espace maximum dans la pile qui sera
nécessaire à chaque thread. Prévoir large est relativement
sage (c'est à çà que sert la mémoire virtuelle ;-), mais
souvenez-vous que toutes les piles proviennent d'un seul
espace d'adressage virtuel, aussi voir trop grand n'est pas
une idée formidable. La démo suggère 64Ko. Cette taille est
fixée à b octets par bb_threads_stacksize(b).
3. L'étape suivante consiste à initialiser tous les verrous dont
vous aurez besoin. Le mécanisme de verrouillage intégré à
cette bibliothèque numérote les verrous de 0 à MAX_MUTEXES, et
initialise un verrou i par bb_threads_mutexcreate(i).
4. La création d'un nouveau thread s'effectue en appelant une
routine de la bibliothèque recevant en arguments la fonction
que le nouveau thread doit exécuter, et les arguments qui
doivent lui être transmis. Pour démarrer un nouveau thread
exécutant la fonction f de type void et attendant un argument
arg, l'appel ressemblera à bb_threads_newthread (f, &arg), où
f devra être déclaré comme suit :
void f (void *arg, size_t dummy)
Si vous avez besoin de passer plus d'un argument à votre
fonction, utilisez un pointeur sur une structure contenant les
valeurs à transmettre.
5. Lancement du code en parallèle, en prenant soin d'utiliser
bb_threads_lock(n) et bb_threads_unlock(n) où n est un entier
indiquant le verrou à utiliser. Notez que les opérations de
verrouillage et déverrouillage sont des opérations de
blocage^[8] très primaires et utilisant des instructions
atomiques de verrouillage du bus, lesquelles peuvent causer
des interférences d'accès à la mémoire, et qui n'essaient en
aucun cas d'agir « proprement ». Le programme de démonstration
fourni avec bb_threads n'utilisait pas correctement les
verrous pour empêcher printf() d'être exécuté depuis les
fonctions fnn et main, et à cause de cela, la démo ne
fonctionne pas toujours. Je ne dis pas cela pour démolir la
démo, mais plutôt pour bien mettre en évidence le fait que ce
travail comporte beaucoup de pièges. Ceci dit, utiliser
LinuxThreads ne se révèle que légèrement plus facile.
6. Lorsqu'un thread exécute return, il détruit le processus...
mais la pile locale n'est pas automatiquement désallouée. Pour
être plus précis, Linux ne gère pas la désallocation, et
l'espace mémoire n'est pas automatiquement rendu à la liste
d'espace libre de malloc(). Aussi, le processus parent doit-il
récupérer l'espace mémoire de chaque processus fils mort par
bb_threads_cleanup(wait(NULL)).
Le programme suivant, écrit en langage C, utilise l'algorithme
traité dans la section 1.3 pour calculer la valeur de Pi en
utilisant deux threads bb_threads.
#include <stdio.h>
#include <stdlib.h>
#include <unistd.h>
#include <sys/types.h>
#include <sys/wait.h>
#include "bb_threads.h"
volatile double pi = 0.0;
volatile int intervalles;
volatile int pids[2]; /* Numéros de processus Unix des threads */
void
do_pi(void *data, size_t len)
{
register double largeur, sommelocale;
register int i;
register int iproc = (getpid() != pids[0]);
/* Fixe la largeur des intervalles */
largeur = 1.0 / intervalles;
/* Effectue les calculs locaux */
sommelocale = 0;
for (i=iproc; i<intervalles; i+=2) {
register double x = (i + 0.5) * largeur;
sommelocale += 4.0 / (1.0 + x * x);
}
sommelocale *= largeur;
/* Obtention des permissions, mise à jour de Pi, et déverrouillage */
bb_threads_lock(0);
pi += sommelocale;
bb_threads_unlock(0);
}
int
main(int argc, char **argv)
{
/* Récupère le nombre d'intervalles */
intervalles = atoi(argv[1]);
/* Fixe la taille de la pile, et crée le verrou */
bb_threads_stacksize(65536);
bb_threads_mutexcreate(0);
/* crée deux threads ... */
pids[0] = bb_threads_newthread(do_pi, NULL);
pids[1] = bb_threads_newthread(do_pi, NULL);
/* nettoie derrière les deux threads */
/* (forme ainsi une barrière de synchro) */
bb_threads_cleanup(wait(NULL));
bb_threads_cleanup(wait(NULL));
/* Affiche le résultat */
printf("Estimation de la valeur de Pi: %f\n", pi);
/* Sortie avec code de SUCCES */
exit(0);
}
2.4. LinuxThreads
LinuxThreads (http://pauillac.inria.fr/~xleroy/linuxthreads/
[http://pauillac.inria.fr/~xleroy/linuxthreads/]) est une
implémentation assez complète et bien construite en accord avec le
standard de threads POSIX 1003.1c. Contrairement aux autres
adaptations d'implémentations de threads POSIX, LinuxThreads
utilise également l'appel clone() du noyau Linux, déjà employé par
bb_threads. La compatibilité POSIX implique qu'il est relativement
aisé de faire l'adaptation de certaines applications provenant
d'autres systèmes, et différents tutoriels et leur support sont
disponibles. Bref, c'est incontestablement la bibliothèque à
utiliser pour développer des applications multi-threads à grande
échelle sous Linux.
La structure de base d'un programme utilisant LinuxThreads suit ce
modèle :
1. Lancement du programme en tant que processus unique.
2. Initialisation de tous les verrous dont vous aurez besoin.
Contrairement aux verrous de bb_threads qui sont identifiés
par des numéros, les verrous POSIX sont déclarés comme des
variables de type pthread_mutex_t lock. Utilisez
pthread_mutex_init(&lock,val) pour initialiser chacun des
verrous que vous utiliserez.
3. Comme avec bb_threads, la création d'un nouveau thread se fait
par l'appel d'une fonction de la bibliothèque admettant des
arguments spécifiant à leur tour la fonction que le nouveau
thread doit exécuter et les arguments que celle-ci reçoit.
Cependant, POSIX impose à l'utilisateur la déclaration d'une
variable de type pthread_t pour identifier chaque thread. Pour
créer un thread pthread_t thread exécutant la fonction f(), on
appelle pthread_create(&thread,NULL,f,&arg).
4. Lancement de la partie parallèle du programme, en prenant soin
d'utiliser pthread_mutex_lock(&lock) et
pthread_mutex_unlock(&lock) comme il se doit.
5. Utilisation de pthread_join(thread,&retval) après chaque
thread pour tout nettoyer.
6. Utilisation de -D_REENTRANT à la compilation de votre
programme en C.
Voici l'exemple du calcul de Pi en parallèle, s'appuyant sur
LinuxThreads. L'algorithme de la section 1.3 est utilisé et, comme
pour l'exemple de bb_threads, deux threads s'exécutent en
parallèle.
#include <stdio.h>
#include <stdlib.h>
#include "pthread.h"
volatile double pi = 0.0; /* Approximation de pi (partagée) */
pthread_mutex_t pi_lock; /* Verrou de la variable ci-dessous */
volatile double intervalles; /* Combien d'intervalles ? */
void *
process(void *arg)
{
register double largeur, sommelocale;
register int i;
register int iproc = (*((char *) arg) - '0');
/* Fixe la largeur */
largeur = 1.0 / intervalles;
/* Fais les calculs locaux */
sommelocale = 0;
for (i=iproc; i<intervalles; i+=2) {
register double x = (i + 0.5) * largeur;
sommelocale += 4.0 / (1.0 + x * x);
}
sommelocale *= largeur;
/* Verrouille la variable pi en vue d'une mise à jour,
effectue la mise à jour, puis déverrouille Pi. */
pthread_mutex_lock(&pi_lock);
pi += sommelocale;
pthread_mutex_unlock(&pi_lock);
return(NULL);
}
int
main(int argc, char **argv)
{
pthread_t thread0, thread1;
void * retval;
/* Récupère le nombre d'intervalles */
intervalles = atoi(argv[1]);
/* Initialise un verrou sur pi */
pthread_mutex_init(&pi_lock, NULL);
/* Crée les deux threads */
if (pthread_create(&thread0, NULL, process, "0") ||
pthread_create(&thread1, NULL, process, "1")) {
fprintf(stderr, "%s: Création des threads impossible\n", argv[0]);
exit(1);
}
/* « Joint » (détruit) les deux threads */
if (pthread_join(thread0, &retval) ||
pthread_join(thread1, &retval)) {
fprintf(stderr, "%s: Erreur à la fusion des threads\n", argv[0]);
exit(1);
}
/* Affiche le résultat */
printf("Estimation de la valeur de Pi: %f\n", pi);
/* Sortie */
exit(0);
}
2.5. La mémoire partagée de System V
La gestion des IPC (Inter-Process Communication) System V
s'effectue au travers d'un certain nombre d'appels système
fournissant les mécanismes des files de message, des sémaphores et
de la mémoire partagée. Bien sûr, ces mécanismes ont été
initialement conçus pour permettre à plusieurs processus de
communiquer au sein d'un système monoprocesseur. Cela signifie
néanmoins que ces mécanismes devraient aussi fonctionner dans un
système Linux SMP, quelque soit le nombre de processeurs.
Avant d'aller plus loin dans l'utilisation de ces appels, il est
important de comprendre que même s'il existe des appels IPC System
V pour des choses comme les sémaphores et la transmission de
messages, vous ne les utiliserez probablement pas. Pourquoi ?
Parce ces fonctions sont généralement lentes et sérialisées sous
Linux SMP. Inutile de s'étendre.
La marche à suivre standard pour créer un groupe de processus
partageant l'accès à un segment de mémoire partagée est la
suivante.
1. Lancement du programme en tant que processus unique.
2. En temps normal, chaque instance de votre programme en
parallèle devra avoir son propre segment de mémoire partagée,
aussi vous faudra-t-il appeler shmget() pour créer un nouveau
segment de la taille souhaitée. Mais d'autre part, cet appel
peut être utilisé pour récupérer l'identifiant d'un segment de
mémoire partagée déjà existant. Dans les deux cas, la valeur
de retour est soit l'identifiant du segment de mémoire
partagée, soit -1 en cas d'erreur. Par exemple, pour créer un
segment de mémoire partagée long de b octets, on passe un
appel ressemblant à shmid = shmget(IPC_PRIVATE, b, (IPC_CREAT
| 0666)).
3. L'étape suivante consiste à attacher ce segment de mémoire
partagée au processus, c'est-à-dire l'ajouter à son plan
mémoire. Même si l'appel shmat() permet au programmeur de
spécifier l'adresse virtuelle à laquelle le segment doit
apparaître, cette adresse doit être alignée sur une page (plus
précisément être un multiple de la taille d'une page renvoyée
par getpagesize(), correspondant à 4096 octets), et recouvrera
(prendra le pas sur) tout segment de mémoire s'y trouvant
déjà. Ainsi est-il plus sage de laisser le système choisir une
adresse. Dans les deux cas, la valeur de retour est un
pointeur sur l'adresse virtuelle de base du segment
fraîchement installé dans le plan mémoire. L'instruction
correspondante est la suivante : shmptr = shmat(shmid, 0, 0).
Remarquez que vous pouvez allouer toutes vos variables
statiques dans ce segment de mémoire partagée en déclarant
simplement vos variables partagées comme étant les membres
d'une structure de type struct, et en déclarant shmptr comme
étant un pointeur vers ce type de données. Avec cette
technique, une variable partagée x serait accessible par
shmptr->x.
4. Comme ce segment de mémoire partagée doit être détruit quand
le dernier processus à y accéder prend fin ou s'en détache, il
nous faut appeler shmctl() pour configurer cette action par
défaut. Le code correspondant ressemble à shmctl(shmid,
IPC_RMID, 0).
5. Utiliser l'appel Linux fork()^[9] pour créer le nombre désiré
de processus. Chacun d'eux héritera du segment de mémoire
partagée.
6. Lorsqu'un processus a fini d'utiliser un segment de mémoire
partagée, il doit s'en détacher. On accomplit cela par un
shmdt(shmptr).
Même avec si peu d'appels système, une fois le segment de mémoire
partagée établi, tout changement effectué par un processeur sur
une valeur se trouvant dans cet espace sera automatiquement
visible par les autres processus. Plus important, chaque opération
de communication sera exonérée du coût d'un appel système.
Ci-après, un exemple de programme en langage C utilisant les
segments de mémoire partagée System V. Il calcule Pi, en utilisant
les algorithmes de la section 1.3.
#include <stdio.h>
#include <stdlib.h>
#include <unistd.h>
#include <sys/types.h>
#include <sys/stat.h>
#include <fcntl.h>
#include <sys/ipc.h>
#include <sys/shm.h>
volatile struct shared { double pi; int lock; } * partage;
inline extern int xchg(register int reg,
volatile int * volatile obj)
{
/* Instruction atomique d'échange */
__asm__ __volatile__ ("xchgl %1,%0"
:"=r" (reg), "=m" (*obj)
:"r" (reg), "m" (*obj));
return(reg);
}
main(int argc, char **argv)
{
register double largeur, sommelocale;
register int intervalles, i;
register int shmid;
register int iproc = 0;;
/* Alloue de la mémoire partagée */
shmid = shmget(IPC_PRIVATE,
sizeof(struct shared),
(IPC_CREAT | 0600));
partage = ((volatile struct shared *) shmat(shmid, 0, 0));
shmctl(shmid, IPC_RMID, 0);
/* Fais les inits ... */
partage->pi = 0.0;
partage->lock = 0;
/* Crée un fils */
if (!fork()) ++iproc;
/* Récupère le nombre d'intervalles */
intervalles = atoi(argv[1]);
largeur = 1.0 / intervalles;
/* Fais les calculs locaux */
sommelocale = 0;
for (i=iproc; i<intervalles; i+=2) {
register double x = (i + 0.5) * largeur;
sommelocale += 4.0 / (1.0 + x * x);
}
sommelocale *= largeur;
/* Verrou d'attente atomique, ajout, et déverrouillage ... */
while (xchg((iproc + 1), &(shared->lock))) ;
shared->pi += sommelocale;
shared->lock = 0;
/* Fin du processus fils (barrière de synchro) */
if (iproc == 0) {
wait(NULL);
printf("Estimation de pi: %f\n", partage->pi);
}
/* Sortie en bonne et due forme */
return(0);
}
Dans cet exemple, j'ai utilisé l'instruction atomique d'échange
pour mettre le verrouillage en ½uvre. Pour de meilleures
performances, préférez-lui une technique de synchronisation
évitant les intructions verrouillant le bus.
Pendant les phases de débogage, il est utile de se souvenir que la
commande ipcs renvoie la liste des facilités des IPC System V en
cours d'utilisation.
2.6. Projection mémoire (Memory Map Call)
L'utilisation des appels système pour accéder aux fichiers (les
entrées/sorties) peut revenir cher. En fait, c'est la raison pour
laquelle il existe une bibliothèque de gestion des entrées/sorties
gérant un tampon dans l'espace utilisateur (getchar(), fwrite(),
et cætera). Mais les tampons utilisateur ne remplissent pas leur
fonction si plusieurs processus accèdent au même fichier ouvert en
écriture. La solution Unix BSD à ce problème fut l'ajout d'un
appel système permettant à une portion d'un fichier d'être
projetée en mémoire utilisateur, en utilisant principalement les
mécanismes de la mémoire virtuelle pour provoquer les mises à
jour. Le même mécanisme a été utilisé pendant plusieurs années
dans les systèmes de Sequent comme base de leur gestion du
traitement parallèle en mémoire partagée. En dépit de commentaires
très négatifs dans la page de manuel (assez ancienne), Linux
semble correctement effectuer au moins quelques unes des fonctions
de base, et sait prendre en charge l'usage dérivé de cet appel
pour projeter un segment anonyme de mémoire pouvant être partagé
par plusieurs processus.
L'implémentation Linux de l'appel mmap() est en elle-même une
solution intégrée de remplacement des étapes 2, 3 et 4 du schéma
classique de mémoire partagée System V, mis en évidence dans la
section 2.5. Pour créer un segment de mémoire partagée anonyme :
shmptr =
mmap(0, /* Le système choisit l'adresse */
b, /* Taille du segment de mémoire partagée */
(PROT_READ | PROT_WRITE), /* droits d'accès, peuvent être rwx */
(MAP_ANON | MAP_SHARED), /* anonyme, partagé */
0, /* descripteur de fichier (inutilisé) */
0); /* offset fichier (inutilisé) */
L'équivalent de l'appel de mémoire partagée System V shmdt() est
munmap() :
munmap(shmptr, b);
À mon avis, on ne gagne pas grand chose à utiliser mmap() plutôt
que les mécanismes de gestion de la mémoire partagée de System V.
3. Clusters de systèmes Linux
Cette section tente de donner un aperçu de ce qu'est le traitement
parallèle en cluster sous Linux. Les clusters sont, actuellement,
à la fois l'approche la plus populaire et la plus variée, en
s'étendant du simple réseau de stations de travail (Network Of
Workstations : NOW) aux machines en parallèle essentiellement
construites sur mesure, et dans lesquelles il arrive que l'on
trouve comme éléments des PC sous Linux. Il existe également un
grand nombre de logiciels pouvant prendre en charge le calcul en
parallèle dans des clusters de machines Linux.
3.1. Pourquoi un cluster ?
Le traitement en parallèle au travers d'un cluster offre plusieurs
avantages majeurs :
o Chacune des machines d'un cluster peut être un système
complet, utilisable avec une large gamme d'applications de
calcul. Cela conduit beaucoup de gens à suggérer l'idée que ce
type de cluster pourrait faire usage de tous les « cycles
machine perdus » sur les ordinateurs tournant à ne rien faire
dans les bureaux. Il n'est pas si facile de récupérer ces
cycles, et cela risque de ralentir l'écran de veille de votre
collègue, mais cela peut être fait.
o L'explosion actuelle des systèmes en réseau signifie que la
plupart du matériel nécessaire à la construction d'un cluster
se vend déjà en grande quantité et aux prix réduits inhérents
à la « grande distribution ». On peut économiser encore un peu
plus en partant du principe qu'une seule carte vidéo, un seul
moniteur et un seul clavier soient nécessaires pour chaque
cluster (bien qu'il vous faille tout de même les passer d'une
machine à une autre pour faire l'installation initiale de
Linux, une fois lancé, un PC sous Linux typique n'a pas besoin
de « console »). En comparaison, les systèmes SMP et
processeurs auxiliaires représentent des marchés plus réduits,
tendant à proposer des prix plus élevés par performances à
l'unité.
o Les calculateurs en cluster peuvent évoluer en de très grands
systèmes. Alors qu'il est actuellement difficile de trouver un
ordinateur SMP à plus de quatre processeurs qui soit
compatible avec Linux, la plupart du matériel réseau
disponible permet de bâtir facilement un cluster incluant
jusqu'à 16 machines. Avec un peu d'huile de coude, on peut
mettre en réseau des centaines voire des milliers de machines.
En fait, Internet tout entier pourrait être assimilé à un seul
immense cluster.
o Le fait que remplacer une « mauvaise machine » au sein d'un
cluster soit une opération triviale comparé à la réparation
d'un ordinateur SMP partiellement défaillant garantit une
disponibilité bien plus élevée aux configurations de cluster
soignées. Cela devient important non seulement pour les
applications qui ne peuvent tolérer des interruptions de
service trop importantes, mais aussi dans l'utilisation en
général de systèmes qui contiennent un nombre suffisant de
processeurs pour que la panne d'une machine en particulier
soit assez courante (par exemple, même si la durée moyenne
avant la première panne d'un PC est environ deux ans, dans un
cluster de 32 machines, la probabilité qu'au moins une machine
tombe en panne dans les six premiers mois est assez élevée).
Très bien. Si les clusters sont gratuits ou très peu onéreux,
peuvent devenir très grands et offrir une haute disponibilité...
pourquoi tout le monde n'utilise pas un cluster ? Eh bien, parce
qu'il y a aussi des problèmes :
o À quelques exceptions près, le matériel réseau n'est pas conçu
pour le traitement en parallèle. Typiquement, les temps de
latence sont élevés et la bande passante réduite comparés aux
systèmes SMP et processeurs auxiliaires. Par exemple, si les
temps de latence d'un SMP n'excèdent généralement pas plus de
quelques microsecondes, ils atteignent couramment des
centaines, voire des milliers de microsecondes dans un
cluster. La bande passante des communications dans un système
SMP dépasse souvent 100 mégaoctets par seconde. Bien que le
matériel réseau le plus rapide (c'est-à-dire le « Gigabit
Ethernet ») présente une vitesse comparable, la plupart des
réseaux sont de 10 à 1000 fois plus lents. La performance d'un
matériel réseau est déjà suffisamment médiocre dans un cluster
isolé. Si le réseau n'est pas isolé du reste du trafic, ce qui
est souvent le cas lorsque l'on utilise des « machines qui
sont en réseau » plutôt qu'un système conçu pour être un
cluster, les performances peuvent être bien pires encore.
o La gestion logicielle des clusters en tant que système unique
est très mince. Par exemple, la commande ps ne fait état que
des processus s'exécutant sur un seul système Linux, pas des
processus s'exécutant à travers le cluster Linux entier.
Moralité, les clusters ont un très grand potentiel, mais ce
potentiel risque d'être très difficile à concrétiser pour la
plupart des applications. La bonne nouvelle, c'est qu'il existe un
soutien logiciel très développé pour vous aider à obtenir de
bonnes performances avec les programmes adaptés à cet
environnement, et qu'il existe également des réseaux conçus
spécialement pour élargir la palette de programmes pouvant avoir
de bonnes performances.
3.2. Le matériel réseau
Les réseaux informatiques sont en pleine explosion... mais vous le
savez déjà. Un nombre toujours grandissant de technologies et
produits réseau a été développé, et la plupart d'entre eux sont
disponibles sous une forme qui peut être utilisée pour faire d'un
groupe de machines (des PC fonctionnant chacun sous Linux) un
cluster de traitement en parallèle.
Malheureusement, aucune technologie réseau ne résout complètement
tous les problèmes. À vrai dire, le nombre d'approches
différentes, en coût et en performances, est à première vue assez
difficile à croire. Par exemple, le coût par machine mise en
réseau s'étend de moins de 5 dollars jusqu'à plus de 4000. La
bande passante et les temps de latence varient aussi selon quatre
ordres de grandeur.
Avant d'en apprendre plus sur les spécificités de certains
réseaux, il est important de remarquer que ces choses évoluent
très fréquemment (voir http://www.linux.org.uk/NetNews.html
[http://www.linux.org.uk/NetNews.html] pour avoir des nouvelles
fraîches concernant les réseaux sous Linux), et qu'il est très
difficile d'obtenir des infos précises concernant certains
réseaux.
J'ai placé un « ? » aux endroits incertains. J'ai aussi passé
beaucoup de temps à faire des recherches sur ce sujet, mais je
reste sûr que ce résumé est plein d'erreurs et d'omissions
importantes. Si vous avez des corrections ou des ajouts à y
apporter, merci de m'envoyer un courrier électronique en anglais à
l'adresse suivante : <hankd CHEZ engr POINT uky POINT edu>.
Les résumés comme le LAN Technology Scorecard
[http://www.mcgeoch.com/other/lan-technology.html]^[10] donnent
les caractéristiques de nombreux et différents types de réseaux et
de standards de réseaux locaux (LAN). Cependant, l'essentiel de ce
guide pratique est centré sur les propriétés les plus indiquées à
la construction d'un cluster Linux. Chaque section décrivant un
type de réseau débute par une courte liste de caractéristiques. Ci
dessous, la définition de chaque entrée.
Prise en charge sous Linux :
Si la réponse est non, la signification est claire. Les
autres réponses tentent de décrire l'interface de base
utilisée pour accéder au réseau. La plupart du matériel
réseau est interfacé via un pilote de périphérique du
noyau, sachant typiquement gérer les communications
TCP/UDP. D'autres réseaux utilisent des interfaces plus
directes (par exemple des bibliothèques) pour réduire les
temps de latence en évitant d'avoir à passer par le noyau.
Il y a quelques années, il était considéré comme
parfaitement acceptable d'accéder au coprocesseur
mathématique (« floating point unit ») par un appel
système mais aujourd'hui, c'est clairement ridicule. À mon
avis, nécessiter un appel système pour chaque
communication entre les processeurs exécutant un programme
en parallèle est peu commode. Le problème est que les
ordinateurs n'ont pas encore intégré ces mécanismes de
communication, et que les approches non « orientées
noyau » tendent à présenter des problèmes de portabilité.
Vous allez entendre beaucoup parler de ce sujet dans un
avenir proche, principalement sous la forme de la nouvelle
Virtual Interface (VI) Architecture
(http://www.intel.com/intelpress/sum_via.htm
[http://www.intel.com/intelpress/sum_via.htm]) méthode
standardisée pour les opérations des interfaces réseau et
servant à contourner les couches des systèmes
d'exploitation usuels. Le standard VI est appuyé par
Compaq, Intel et Microsoft, et aura assurément un impact
important sur la conception des SAN (System Area Network)
dans les prochaines années.
Bande passante maximum :
C'est le chiffre dont tout le monde se soucie. J'ai
généralement repris les débits maximum théoriques. Votre
moyenne, elle, va varier.
Temps de latence minimum :
À mon avis, c'est le chiffre dont tout le monde devrait se
soucier, plus encore que de la bande passante. Là encore,
j'ai utilisé les (irréalistes) valeurs théoriques idéales,
mais au moins ces nombres prennent en compte toutes les
sources de latence, tant logicielles que matérielles. Dans
la plupart des cas, les temps de latence réseau ne durent
que quelques microsecondes. Des nombres beaucoup plus
grands reflètent les couches des matériels et logiciels
inefficaces.
Disponibilité :
Reprise telle quelle, cette ligne décrit la forme sous
laquelle vous pouvez acquérir ce type de matériel. Le
matériel de la grande distribution est disponible
largement et de plusieurs fabricants, le prix étant alors
le premier critère de choix. Les choses proposées par
« différents fabricants » sont disponibles chez plus d'un
seul concurrent, mais il existe des différences
significatives, et des problèmes potentiels
d'interopérabilité. Les réseaux produits par un
« fabricant exclusif » vous laissent à la merci de ce
fournisseur, aussi bienveillant soit-il. « Domaine
public » signifie que même si vous ne pouvez trouver
quelqu'un pour vous vendre ce type de matériel, vous ou
n'importe qui d'autre pouvez acheter les composants et en
fabriquer un exemplaire. C'est typiquement le cas des
prototypes de recherche. Ils ne sont en général ni prêts à
être utilisés par le public, ni disponibles à celui-ci.
Port ou bus utilisé :
La manière dont on relie l'interface réseau à
l'ordinateur. Les meilleures performances (et désormais
les plus courantes) s'obtiennent avec le bus PCI. Il
existe aussi des cartes pour bus EISA, VESA local bus
(VLB), et ISA. ISA fut le premier, et il est toujours
utilisé par les cartes aux basses performances. On trouve
toujours l'EISA comme bus secondaire dans les machines
PCI. Ces derniers temps, on ne trouve plus beaucoup de
matériel à base de VLB (même si la Video Electronics
Standards Association [http://www.vesa.org] voit les
choses autrement).
Bien sûr, toute interface que vous pouvez utiliser sans
avoir à ouvrir le boîtier de votre PC est plus
qu'attrayante. les interfaces IrDA (N.D.T. : port
infrarouge) et USB font leur apparition de plus en plus
fréquemment. Le Port Parallèle Standard (SPP) est
longtemps resté « ce sur quoi vous branchiez votre
imprimante », mais s'est avéré dernièrement être très
utile comme extension du bus ISA. Cette nouvelle fonction
est améliorée par le standard IEEE 1284, qui spécifie les
optimisations EPP et ECP. Il y a aussi le bon vieux port
série RS232, lent mais fiable. Je n'ai eu vent d'aucun
témoignage concernant l'interconnexion de machines par le
biais des connecteurs vidéo (VGA), clavier, souris ou
joystick...
Structure du réseau :
Un bus est un fil, un ensemble de fils, ou une fibre
(optique). Un hub (« concentrateur » ou « plaque
tournante ») est une petite boite qui peut recevoir
différents types de fils ou de fibres. Les commutateurs
(« switched hubs ») permettent à plusieurs connexions de
transmettre activement et simultanément leurs données.
Coût par machine reliée :
Voici comment lire ces nombres. Supposons que, en dehors
des connexions réseau, acheter un PC comme unité de votre
cluster vous coûte 2000 dollars. L'ajout de Fast Ethernet
porte le prix à l'unité à environ 2400 dollars. L'ajout de
Myrinet mène ce prix à 3800 dollars environ. Si vous avez
20 000 dollars à dépenser, vous pouvez alors avoir soit 8
machines reliées par du Fast Ethernet, soit 5 machines
reliées par du Myrinet. Il est également très raisonnable
d'utiliser plusieurs types de réseaux. Par exemple, avec
20 000 dollars, vous pouvez vous offrir 8 machines reliées
entre elles par Fast Ethernet et TTL_PAPERS. Choisissez un
réseau -- ou un ensemble de réseaux -- qui permettra à
votre cluster d'exécuter votre application le plus
rapidement possible.
Au moment où vous lirez ces lignes, ces chiffres seront
faux... En fait, ils le sont sûrement déjà. Il peut aussi
y avoir un grand nombre de réductions, d'offres spéciales,
et cætera. Mais en tout cas, les prix cités ici ne seront
jamais suffisamment erronés pour vous conduire à faire un
choix totalement inapproprié. Nul besoin d'avoir un
doctorat (même si c'est mon cas ;-) pour constater que
l'utilisation de réseaux onéreux n'a de sens que si votre
application a réellement besoin de leurs propriétés ou si
les PC utilisés dans votre cluster sont eux aussi
relativement chers.
Maintenant que vous êtes avertis, place au spectacle...
3.2.1. ArcNet
o Prise en charge par Linux : pilotes du noyau
o Bande passante maximum : 2,5 Mbits/s
o Temps de latence minimum : 1000 microsecondes ?
o Disponibilité : différents fabricants
o Port ou bus utilisé : ISA
o Structure du réseau : Hub ou bus non commutés (anneau logique)
o Coût par machine reliée : 200 dollars
ARCNET est un réseau local principalement destiné à être utilisé
dans les systèmes de contrôle temps réel embarqués. Comme
Ethernet, le réseau est physiquement organisé en prises le long
d'un bus d'un ou plusieurs hubs. En revanche, et contrairement à
Ethernet, il utilise un protocole à base de jetons qui structure
de manière logique le réseau comme un anneau. Les entêtes des
paquets sont réduites (3 ou 4 octets) et les messages peuvent être
très courts (jusqu'à un seul octet). De fait, ARCNET est plus
efficace qu'Ethernet. Malheureusement, il est aussi plus lent, et
moins populaire ce qui le rend plus cher. Vous trouvez plus
d'informations sur le site de l'ARCNET Trade Association
[http://www.arcnet.com/].
3.2.2. ATM
o Prise en charge par Linux : pilotes du noyau, bibliothèques
AAL*
o Bande passante maximum : 155 Mbits/s (bientôt, 1200 Mbits/s)
o Temps de latence minimum : 120 microsecondes
o Disponibilité : différents fabricants
o Port ou bus utilisé : PCI
o Structure du réseau : hubs commutés
o Coût par machine reliée : 3000 dollars
A moins d'avoir été dans le coma ces dernières années, vous avez
sûrement beaucoup entendu dire qu'ATM (« Asynchronous Transfer
Mode ») est l'avenir... Eh bien, en quelque sorte. ATM est
meilleur marché que HiPPI et plus rapide que Fast Ethernet, et il
peut être utilisé sur de très longues distances, ce qui intéresse
beaucoup les opérateurs téléphoniques. Le protocole du réseau ATM
est également conçu pour fournir une interface logicielle aux
temps d'accès réduits et gérant plus efficacement les messages
courts et les communications en temps réel (c'est-à-dire les
transmissions audio et vidéo numériques). C'est aussi l'un des
réseaux aux plus hauts débits que Linux prenne actuellement en
charge. La mauvaise nouvelle, c'est qu'ATM n'est pas vraiment bon
marché, et qu'il demeure encore des problèmes de compatibilité
entre fabricants. Un aperçu du développement ATM sous Linux est
disponible sur http://linux-atm.sourceforge.net/
[http://linux-atm.sourceforge.net/].
3.2.3. CAPERS
o Prise en charge par Linux : bibliothèque AFAPI
o Bande passante maximum : 1,2 Mbit/s
o Temps de latence maximum : 3 microsecondes
o Disponibilité : grande distribution
o Port ou bus utilisé : SPP (port parallèle)
o Structure du réseau : câble entre 2 machines
o Coût par machine reliée : 2 dollars
CAPERS (« Cable Adapter for Parallel Execution and Rapid
Synchronisation » : « Adaptateur par Câble pour l'Exécution en
Parallèle et la Synchronisation Rapide ») est un produit dérivé du
projet PAPERS, de l'University School of Electrical and Computer
Engineering de Purdue. En substance, ce projet définit un
protocole logiciel permettant d'utiliser une simple liaison
point-à-point par le port parallèle, type « LapLink », pour
implémenter la bibliothèque PAPERS sur deux PC sous Linux. L'idée
n'est exploitable à grande échelle, mais le prix est imbattable.
Tout comme avec TTL_PAPERS, pour améliorer la sécurité du système,
il est recommandé, mais pas nécessaire, d'appliquer un correctif
mineur au noyau.
3.2.4. Ethernet
o Prise en charge par Linux : pilotes du noyau
o Bande passante maximum : 10 Mbits/s
o Latence minimum : 100 microsecondes
o Disponibilité : grande distribution
o Port ou bus utilisé : PCI
o Structure du réseau : commutateurs ou concentrateurs, ou même
bus simple
o Coût par machine connectée : 100 dollars (sans concentrateur,
50 dollars)
Depuis plusieurs années maintenant, l'Ethernet à 10Mbits/s est le
standard des technologies réseau. Une bonne carte Ethernet
s'achète pour moins de 50 dollars, et bon nombre de PC en sont
aujourd'hui équipés de série, l'interface étant intégrée à la
carte-mère. Les réseaux à base Ethernet dont la charge n'est pas
très élevée peuvent être organisés comme un long bus à prises
multiples sans concentrateur (« hub »). Une telle configuration
peut servir jusqu'à 200 machines pour un coût minimal, mais n'est
pas appropriée au traitement en parallèle. Ajouter un
concentrateur non commuté n'améliore pas beaucoup les
performances. En revanche, les commutateurs (« switches »), qui
peuvent offrir une bande passante maximum à plusieurs connexions
simultanément ne coûtent qu'aux alentours de 100 dollars par port.
Linux prend en charge un nombre impressionnant d'interfaces
Ethernet différentes, mais il est important de garder à l'esprit
que les variations entre ces matériels peuvent engendrer de
grandes différences de performance. Consultez le Guide pratique de
la compatibilité matérielle avec Linux
[http://www.traduc.org/docs/howto/lecture/Hardware-HOWTO.html]
(N.D.T. : version française du Hardware Compatibility HOWTO
[http://www.tldp.org/HOWTO/Hardware-HOWTO/]) pour plus
d'informations concernant les différents équipements fonctionnant
sous Linux, et pour avoir une idée de leur qualité.
Le cluster Linux à 16 machines réalisé dans le cadre du projet
« Beowulf [http://www.beowulf.org] » (initialement développé au
CESDIS de la NASA) est une manière intéressante d'augmenter ses
performances. C'est à Donald Becker, auteur de plusieurs pilotes
de cartes Ethernet, que l'on doit la prise en charge de la
répartition du trafic au travers de plusieurs cartes réseau
s'éclipsant mutuellement (autrement dit, partageant les mêmes
adresses réseau). Cette fonction est intégrée en standard dans
Linux, et s'effectue de manière invisible en dessous du niveau des
opérations sur les sockets. Le coût d'un hub n'étant pas
négligeable, relier chaque machine à deux (ou plus) réseaux
Ethernet, sans hubs ni switches, pour améliorer les performances
peut s'avérer financièrement très rentable. D'une manière
générale, dans les situations où une machine est le goulet
d'étranglement d'un réseau, la répartition de charge à travers
plusieurs réseaux (« shadow networks ») se révèle bien plus
efficace que l'usage d'un réseau équipé d'un commutateur seul.
3.2.5. Ethernet (Fast Ethernet)
o Prise en charge par Linux : pilotes du noyau
o Bande passante maximum : 100 Mbits/s
o Temps de latence minimum : 80 microsecondes
o Disponibilité : grande distribution
o Port ou bus utilisé : PCI
o Structure du réseau : concentrateurs ou commutateurs (hubs ou
switches)
o Coût par machine connectée : 400 dollars (?)
Bien qu'il existe un certain nombre de technologies différentes
nommées « Fast Ethernet », elles se réfèrent souvent à un réseau
Ethernet 100 Mbits/s en grande partie compatible avec les anciens
câbles et périphériques 10 Mbits/s type « 10 BaseT ». Comme on
peut s'y attendre, tout ce qui s'appelle Ethernet bénéficie des
prix de la vente de masse, et ces interfaces ne coûtent
généralement qu'une fraction du prix des cartes ATM à 155 Mbits/s.
Le problème est qu'une collection de machines partageant tous le
même « bus » à 100 Mbits/s (à l'aide d'un hub non commuté) peut
présenter des performances n'atteignant en moyenne même pas celles
d'un réseau 10 Mbits/s utilisant un commutateur fournissant à
chaque machine une connexion 10 Mbits/s complète.
Les commutateurs pouvant fournir une connexion 100 Mbits à chaque
machine simultanément sont chers, mais les prix chutent chaque
jour, et ces commutateurs offrent une bande passante autrement
plus élevée que de simples hubs non commutés. Ce qui rend les
commutateurs ATM si onéreux est la nécessité de commuter chaque
cellule ATM, cellule relativement courte. Certains commutateurs
Ethernet parient sur une fréquence de commutation attendue
relativement lente et en tirent profit en utilisant des techniques
aux temps de latence réduits à l'intérieur du commutateur, mais
nécessitant quelques millisecondes pour changer de voie. Si
l'itinéraire de votre trafic réseau change fréquemment, évitez ce
type d'équipement.
Notez aussi que, comme pour Ethernet, le projet Beowulf
(http://www.beowulf.org [http://www.beowulf.org]) de la NASA
développe des pilotes aux performances supérieures car utilisant
la répartition de charge entre plusieurs cartes Fast Ethernet.
3.2.6. Ethernet (Gigabit Ethernet)
o Prise en charge par Linux : pilotes du noyau
o Bande passante maximum : 1000 Mb/s
o Temps de latence minimum : 300 microsecondes (?)
o Disponibilité : différents fabricants
o Port ou bus utilisé : PCI
o Structure réseau : commutateurs ou FDR
o Coût par machine connectée : 2500 dollars (?)
Je ne suis pas sûr que Gigabit Ethernet
[http://www.gigabit-ethernet.org/] ait une raison technologique
valable de s'appeler Ethernet... mais son nom inspire le fait que
Gigabit Ethernet est conçu pour être une technologie réseau bon
marché et de grande distribution, avec une prise en charge native
de l'IP. En revanche, les prix actuels reflètent le fait que cela
reste un produit difficile à fabriquer.
Contrairement aux autres technologies Ethernet, Gigabit Ethernet
apporte un contrôle du flux, ce qui devrait en faire un réseau
plus fiable. Les FDR, ou « Full-Duplex Repeaters » (« répéteurs
bidirectionnels simultanés »), se contentent de multiplexer les
lignes, en utilisant des mémoires tampons et des contrôles de flux
localisés pour améliorer les performances. La plupart des
commutateurs sont construits comme de nouveaux modules pour les
différents modèles de commutateurs compatible Gigabit déjà
existants. Les commutateurs ou FDR sont distribués ou annoncés par
au moins Acacianet, Bay networks [http://www.baynetworks.com/],
Cabletron [http://www.cabletron.com/] (désormais Enterasys. Page
française : http://www.enterasys.com/fr/
[http://www.enterasys.com/fr/]), Networks digital, Extreme
networks [http://www.extremenetworks.com/homepage_french.asp],
Foundry networks [http://www.foundrynet.com/], Gigalabs.com,
Packet engines, Plaintree systems [http://www.plaintree.com/],
Prominet [http://www.prominet.com/], Sun microsystems
[http://fr.sun.com/], et Xlnt.
Il existe un pilote pour Linux pour les « Yellowfin » G-NIC de
Packet Engines^[11]. Les premiers essais sous Linux ont fait état
d'un taux de transfert environ 2,5 fois supérieur à la plus rapide
des cartes Fast Ethernet à 100 Mbits/s. Avec les réseaux Gigabit,
une configuration soigneuse du bus PCI est un facteur critique. Il
reste toujours un doute quant à la poursuite des améliorations de
ce pilote, et du développement des pilotes Linux des autres cartes
réseau.
3.2.7. FC (« Fibre Channel »)
o Prise en charge par Linux : non^[12]
o Bande passante maximum : 1062 Mbits/s
o Temps de latence minimum : ?
o Disponibilité : différents fabricants
o Interface ou bus utilisé : PCI (?)
o Structure du réseau : ?
o Coût par machine connectée : ?
L'objectif du FC (« Fibre Channel ») est de fournir un médium
d'entrée/sortie de type bloc aux performances élevées (une trame
FC transporte un bloc de données d'une longueur forfaitaire de
2048 octets), particulièrement adapté aux partages de disques et
autres périphériques de stockage, qui peuvent alors être reliés
directement au réseau FC plutôt qu'à travers un ordinateur. Niveau
bande passante, le FC est présenté comme étant relativement
rapide, avec un taux s'étendant de 133 à 1062 Mbits/s. Si le FC
tend à devenir populaire en tant que solution haut-de-gamme de
remplacement du SCSI, il pourrait rapidement devenir une
technologie très abordable. Pour le moment, ce n'est pas
abordable, et ce n'est pas pris en charge par Linux. La Fibre
Channel Association tient une importante collection de références
au FC, sur http://www.fibrechannel.org
[http://www.fibrechannel.org]^[13].
3.2.8. FireWire (IEEE 1394)
o Prise en charge par Linux : non^[14]
o Bande passante maximum : 196,608 Mbits/s (bientôt, 393,216
Mbits/s)
o Temps de latence minimum : ?
o Disponibilité : différents fabricants
o Interface ou bus utilisé : PCI
o Structure du réseau : aléatoire, sans cycles (auto-configuré)
o Coût par machine connectée : 600 dollars
FireWire, ou standard IEEE 1394-1995, est voué à être le réseau
numérique à grande vitesse et à prix réduit des appareils
électroniques domestiques. Son application-phare est la connexion
des caméscopes numériques aux ordinateurs, mais FireWire est
destiné à être utilisé dans des domaines s'étendant de
l'alternative au SCSI jusqu'à l'interconnexion des différents
composants de votre « Home Cinéma ». Il vous permet de relier plus
de 64000 périphériques dans une topologie utilisant des bus et des
ponts mais ne formant pas de boucle, et détecte automatiquement la
configuration des périphériques lorsqu'ils sont ajoutés ou
retirés. Les messages courts (les « quadlets », longs de quatre
octets) sont également pris en charge, de même que les
transmissions isochrones sur le modèle de l'ATM (utilisées pour
préserver le synchronisme des messages multimédia). Adaptec
propose des produits FireWire permettant de relier jusqu'à 63
périphériques à une seule carte PCI, et tient aussi un bon site
d'information générale concernant le FireWire sur
http://www.adaptec.com
[http://www.adaptec.com/worldwide/product/prodtechindex.html?cat=%2fTechnology%2fFireWire-1394&prodkey=1394_summary].
Bien que le FireWire ne soit pas le réseau le plus rapide
disponible actuellement, le marché de la grande distribution (qui
tire les prix vers le bas) et les temps de latence réduits
pourraient en faire d'ici l'an prochain la meilleure interface
réseau pour le message passing dans un cluster de PC sous Linux.
3.2.9. HiPPI et Serial HiPPI
o Prise en charge par Linux : non^[15]
o Bande passante maximum : 1600 Mbits/s (1200 Mb/s pour Serial
HiPPI)
o Temps de latence minimum : ?
o Disponibilité : différents fabricants
o Interface ou bus utilisé : EISA, PCI
o Structure du réseau : commutateurs
o Coût par machine connectée : 3500 dollars (4,500 dollars pour
Serial HiPPI)
HiPPI (« High Performance Parallel Interface », soit « Interface
Parallèle aux Performances Élevées ») était initialement censée
fournir un taux de transfert élevé pour l'échange d'immenses blocs
de données entre un supercalculateur et une autre machine (un
autre supercalculateur, un « frame buffer », une batterie de
disques, et cætera), et est devenu le standard dominant dans le
monde des supercalculateurs. Bien que ce soit un oxymoron, Serial
HiPPI devient également très populaire en utilisant typiquement de
la fibre optique à la place des câbles HiPPI standard de 32 bits
de large (donc parallèles). Ces dernières années, les commutateurs
HiPPI en croix sont devenus courants et les prix ont sérieusement
chuté. Malheureusement, les équipement HiPPI Série, eux, sont
encore très onéreux, et sont en général les seuls pris en charge
par le bus PCI. Pire, Linux ne gère pas encore HiPPI. Le CERN
tient une bonne présentation d'HiPPI sur
http://www.cern.ch/HSI/hippi/ [http://www.cern.ch/HSI/hippi/]. Ils
tiennent aussi une liste assez longue de distributeurs proposant
le HiPPI sur http://www.cern.ch/HSI/hippi/procintf/manufact.htm
[http://www.cern.ch/HSI/hippi/procintf/manufact.htm].
3.2.10. IrDA (« Infrared Data Association »)
o Prise en charge par Linux : non (?)^[16]
o Bande passante maximum : 1,15 Mbits/s et 4 Mbits/s
o Temps de latence minimum : ?
o Disponibilité : Différents fabricants
o Interface ou bus utilisé : IrDA
o Structure réseau : Air libre ;-)
o Coût par machine connectée : 0
L'IrDA (« Infrared Data Association » ou « Association de Données
par Infrarouges », sur http://www.irda.org [http://www.irda.org]),
c'est ce petit appareil à infrarouges sur le coté des ordinateurs
portables. Il reste assez difficile, par conception, de relier
plus de deux ordinateurs par ce biais, aussi l'IrDA ne se
prête-t-il guère à la « clusterisation », ou mise en parallèle
massive de nombreuses machines. Don Becker est toutefois l'auteur
de quelques travaux préliminaires sur l'IrDA.
3.2.11. Myrinet
o Prise en charge par Linux : bibliothèques
o Bande passante maximum : 1280 Mbits/s
o Temps de latence minimum : 9 microsecondes
o Disponibilité : matériel propriétaire.
o Interface ou bus utilisés : PCI
o Structure du réseau : commutateurs
o Coût par machine connectée : 1800 dollars
Myrinet [http://www.myri.com] est un réseau local (LAN : « Local
Area Network ») conçu pour servir également de réseau système
^[17]. Les versions LAN et SAN utilisent des médias physiques
distincts et leur caractéristiques sont sensiblement différentes.
La version SAN est généralement utilisée au sein d'un cluster.
La structure de Myrinet est très conventionnelle, mais a la
réputation d'être très bien implémentée. Les pilotes pour Linux
sont connus pour donner de très bons résultats, bien qu'il eût été
fait état de frappantes différences de performances d'une
implémentation du bus PCI à l'autre.
Actuellement, Myrinet est assurément le réseau favori des
responsables de clusters n'étant pas trop sévèrement limité au
niveau budgétaire. Si, pour vous, un PC Linux typique est un
Pentium Pro dernier cri ou un Pentium II avec au moins 256 Mo de
mémoire vive, et un disque RAID et SCSI, alors le coût de Myrinet
apparaît raisonnable. En revanche, avec des machines plus
conventionnelles, il vous faudra probablement choisir entre relier
N machines avec Myrinet, ou 2N machines avec plusieurs équipements
de type « Fast Ethernet » ou « TTL_PAPERS ». Tout cela dépend
réellement de votre budget et du type de calcul qui vous importe
le plus.
3.2.12. Parastation
o Prise en charge par Linux : couches d'abstraction (« HAL ») ou
bibliothèques réseau
o Bande passante maximum : 125 Mbits/s
o Temps de latence minimum : 2 microsecondes
o Disponibilité : fabricant exclusif
o Interface ou bus utilisé : PCI
o Structure du réseau : maillage, sans concentrateur
o Coût par machine connectée : plus de 1000 dollars
Le projet ParaStation (http://wwwipd.ira.uka.de/parastation
[http://wwwipd.ira.uka.de/parastation]) de la section informatique
de l'Université de Karlsruhe est en train de mettre sur pieds un
réseau « maison » compatible PVM et aux temps de latence réduits.
Ils ont d'abord construit un prototype de ParaPC biprocesseur en
utilisant une carte EISA conçue sur mesure et des PC fonctionnant
sous Unix BSD, puis ont bâti de plus grands clusters composés de
machines Alpha DEC. Depuis Janvier 1997, Parastation est
disponible sous Linux. Les cartes PCI sont produites en
coopération avec une société nommée Hitex [http://www.hitex.com].
Le matériel de Parastation implémente à la fois un système de
transmission de messages rapide et fiable, et des barrières de
synchronisation simples.
3.2.13. PLIP
o Prise en charge par Linux : pilotes du noyau
o Bande passante maximum : 1,2 Mbits/s
o Temps de latence minimum : 1000 microsecondes ?
o Disponibilité : grande distribution
o Interface ou bus utilisé : SPP
o Structure du réseau : câble entre 2 machines
o Coût par machine connectée : 2 dollars
Pour le seul coût d'un câble « LapLink » (N.D.T. : câble parallèle
croisé), PLIP (« Parallel Line Interface Protocol », soit
« Protocole d'Interface par Ligne Parallèle ») permet à deux
machines Linux de communiquer par le port parallèle en utilisant
les couches logicielles standard basées sur la communication par
« sockets ». En termes de bande passante, de temps de latence et
d'évolutivité, il ne s'agit pas d'une technologie réseau sérieuse.
En revanche, le coût de revient quasi-nul et la compatibilité
logicielle s'avèrent être très utiles. Le pilote est partie
intégrante du noyau Linux standard.
3.2.14. SCI
o Prise en charge par Linux : non
o Bande passante maximum : 4000 Mbit/s
o Temps de latence minimum : 2,7 microsecondes
o Disponibilité : différents fabricants.
o Interface ou bus utilisé : PCI et propriétaire
o Structure réseau : ?
o Coût par machine connectée : + de 1000 dollars
L'objectif de SCI (Scalable Coherent Interconnect, ANSI/IEEE
1596-1992) consiste essentiellement à fournir un mécanisme de
haute performance pouvant assurer des accès cohérents à la mémoire
partagée au travers d'un grand nombre de machines. On peut dire
sans se mouiller que la bande passante et les temps de latences de
SCI sont « très impressionnants » comparés à la plupart des autres
technologies réseau. Le problème est que SCI n'est pas très
répandu et reste donc assez onéreux, et que ce matériel n'est pas
pris en charge par Linux.
SCI est principalement utilisé dans diverses implémentations
propriétaires pour des machines à mémoire partagée logiquement et
distribuée physiquement, comme le HP/Convex Exemplar SPP et le
Sequent NUMA-Q 2000 (voir http://www.sequent.com
[http://www.sequent.com]^[18]). Ceci dit, SCI est disponible sous
forme de carte PCI et de commutateurs quatre ports de Dolphin (on
peut relier ainsi jusqu'à 16 machines en montant ces commutateurs
en cascade), http://www.dolphinics.com
[http://www.dolphinics.com], sous la série "Clustar". Le CERN
tient à jour une bonne collection de liens concernant SCI sur
http://www.cern.ch/HSI/sci/sci.html
[http://www.cern.ch/HSI/sci/sci.html].
3.2.15. SCSI
o Prise en charge par Linux : pilotes du noyau
o Bande passante maximum : de 5 Mbits/s à plus de 20 Mbits/s
o Temps de latence minimum : ?
o Disponibilité : différents fabricants
o Interface ou bus utilisé : cartes PCI, EISA ou ISA
o Structure du réseau : bus inter-machines partageant des
périphériques SCSI
o Coût par machine connectée : ?
Le SCSI (Small Computer Systems Interconnect) consiste
essentiellement en un bus d'entrée/sortie utilisé par les disques
durs, les lecteurs de CD-ROM, les numériseurs (« scanners »), et
cætera. Il existe trois standards distincts : SCSI-1, SCSI-2 et
SCSI-3, en vitesses "Fast" et "Ultra" et en largeur de bus de 8,
16 ou 32 bits (avec compatibilité FireWire annoncée pour SCSI-3).
Tout cela est plutôt confus, mais nous savons tous qu'un bon SCSI
est bien plus rapide que l'EIDE, et peut gérer plus de
périphériques, plus efficacement.
Ce que beaucoup de gens ne réalisent pas, c'est qu'il est très
simple de partager le même bus SCSI entre deux ordinateurs. Ce
type de configuration est très utile pour partager des disques
entre deux machines et mettre en place un système de fail-over, de
façon à ce qu'une machine prenne à sa charge les requêtes à une
base de données lorsque l'autre machine tombe en panne. C'est
actuellement le seul mécanisme reconnu par le cluster PC de
Microsoft : WolfPack. En revanche, l'incapacité du SCSI à évoluer
vers de plus grands systèmes le rend en général inintéressant pour
le traitement en parallèle.
3.2.16. ServerNet
o Prise en charge par Linux : non
o Maximum bandwidth : 400 Mbits/s
o Temps de latence minimum : 3 microsecondes
o Disponibilité : fabricant exclusif
o Interface ou bus utilisé : PCI
o Structure du réseau : arbre hexagonal / concentrateurs en
mailles tétraédriques
o Coût par machine connectée : ?
ServerNet est la solution réseau de haute performance proposée par
Tandem (http://www.tandem.com [http://www.tandem.com]). Dans le
monde du traitement des transactions en ligne (« OnLine Transation
Processing », ou « OLTP ») en particulier, Tandem est réputé être
l'un des premiers fabricants de systèmes de haute fiabilité, aussi
n'est-il pas surprenant que leurs réseaux ne revendiquent pas
simplement la haute performance, mais aussi la « haute fiabilité
et intégrité des données ». Une autre facette intéressante de
ServerNet : ce matériel serait capable de transférer des données
directement de périphérique à périphérique, pas simplement entre
processeurs, mais également entre disques durs, et cætera, dans un
style unilatéral similaire à ce qui a été suggéré pour les
mécanismes d'accès à distance à la mémoire du MPI, décrits dans la
section 3.5. Un dernier mot à propos de Servernet : Bien qu'il n'y
ait qu'un seul fabricant, celui-ci est suffisamment puissant pour
faire établir potentiellement Servernet en tant que standard
majeur : Tandem appartient à Compaq^[19].
3.2.17. SHRIMP
o Prise en charge par Linux : interface utilisateur à mémoire
mappée
o Bande passante maximum : 180 Mbits/s
o Temps de latence minimum : 5 microsecondes
o Disponibilité : prototype expérimental
o Interface ou bus utilisé : EISA
o Structure du réseau : Fond de panier en maille (comme pour le
Paragon d'Intel)
o Coût par machine connectée : ?
Le projet SHRIMP [http://www.cs.princeton.edu/shrimp/] de la
section des sciences des ordinateurs de l'Université de Princeton,
met sur pieds un ordinateur parallèle en utilisant dont les
éléments de traitement sont des ordinateurs PC sous Linux. Le
premier SHRIMP (« Scalable, High-Performance, Really Inexpensive
Multi-Processor », soit « multiprocesseur évolutif et de hautes
performances vraiment bon marché ») était un simple prototype
biprocesseur utilisant une mémoire partagée sur une carte EISA
développée pour l'occasion. Il existe désormais un prototype
pouvant évoluer vers de plus larges configurations en utilisant
une interface « maison » pour se connecter à une sorte de
concentrateur, essentiellement conçu comme le réseau de routage en
mailles utilisé dans le Paragon d'Intel. Des efforts considérables
ont été faits pour développer une électronique de « communication
mappée en mémoire virtuelle » aux overheads réduits, avec sa
couche logicielle.
3.2.18. SLIP
o Prise en charge par Linux : pilotes du noyau
o Bande passante maximum : 0,1 Mbits/s
o Temps de latence minimum : 1000 microsecondes ?
o Disponibilité : grande distribution
o Interface ou bus utilisé : RS232C
o Structure du réseau : câble entre deux machines
o Coût par machine connectée : 2 dollars
Même si SLIP (« Serial Line Interface Protocol ») se situe
définitivement au pied de l'échelle des performances, ce protocole
(tout comme CSLIP ou PPP) permet à deux machines de communiquer en
utilisant les « sockets » et ce au travers d'un câble RS232
ordinaire. Les ports RS232 peuvent être reliés à l'aide d'un câble
série type NULL-MODEM, ou même au travers d'une ligne téléphonique
en utilisant des modems. Dans tous les cas, les temps de latence
sont élevés, et la bande passante réduite. Aussi, SLIP ne devrait
être utilisé qu'en dernier recours. En revanche, la plupart des PC
sont dotés de deux ports RS232. Il doit donc être possible de
relier un groupe de machines sous forme de réseau linéaire ou
d'anneau. Il existe même un logiciel de répartition de la charge
appelé EQL.
3.2.19. TTL_PAPERS
o Prise en charge par Linux : bibliothèque AFAPI
o Bande passante maximum : 1,6 Mbits/s
o Temps de latence minimum : 3 microsecondes
o Disponibilité : conception dans le domaine public, fabricant
exclusif
o Interface ou bus utilisé : SPP (port parallèle)
o Structure du réseau : arbre de concentrateurs
o Coût par machine connectée : 100 dollars
Le projet PAPERS (« Purdue's Adapter for Parallel Execution and
Rapid Synchronization », soit « Adaptateur pour l'Exécution en
Parallèle et la Synchronisation Rapide de l'université de
Purdue »), mené par la Purdue University School of Electrical and
Computer Engineering (« École Supérieure d'Électricité et
d'Ingénierie en Informatique »), développe un ensemble logiciel et
matériel évolutif et aux temps de latence réduits pour les
communications des fonctions d'agrégation, permettant de mettre
sur pieds un supercalculateur en parallèle utilisant comme n½uds
des PC d'origine, non modifiés.
Plus d'une douzaine de versions de cartes « PAPERS », reliées au
PC à la station de travail via le port parallèle standard (SPP :
« Standard Parallel Port »), ont été construites, en suivant
globalement deux grands axes. Les versions estampillées « PAPERS »
visent les hautes performances, quelle que soit la technologie la
plus indiquée, la version actuelle utilisant des FPGA (N.D.T. :
famille de réseaux logiques programmables), et des modèles
d'interfaces PCI à haut débit sont actuellement à l'étude. Par
opposition, les versions nommées « TTL_PAPERS » sont conçues pour
être facilement reproduites hors de l'université de Purdue, et
s'appuient sur des modèles du domaine public remarquablement
simples et qui peuvent être mis en place en utilisant de la
logique TTL ordinaire. L'une de ces versions est produite
commercialement.
Contrairement au matériel sur mesure conçu par d'autres
universités, des clusters TTL_PAPERS ont été assemblés dans
plusieurs écoles depuis les États-Unis jusqu'en Corée du Sud. La
bande passante est sévèrement limitée par la connectivité du port
parallèle, mais PAPERS met en ½uvre des fonctions d'agrégation aux
temps de latence très réduits. Même les systèmes orientés messages
les plus rapides ne peuvent offrir de telles performances sur ces
fonctions d'agrégation. Ainsi, PAPERS est particulièrement
performant dans la synchronisation des différents écrans d'un mur
vidéo (à débattre dans le Video-Wall-HOWTO actuellement en
préparation), pour planifier les accès à un réseau à haut débit,
pour évaluer les probabilités en recherche génétique, et cætera.
Même si des clusters PAPERS ont été construits en utilisant AIX
d'IBM sur PowerPC, des DEC Alpha OSF/1, ou HP-UX sur HP PA-RISC,
le PC sous Linux reste la plate-forme la mieux prise en charge.
Les programmes utilisateur utilisant l'AFAPI de TTL_PAPERS
attaquent directement les registres matériels du port parallèle
sous Linux, sans effectuer d'appel système à chaque accès. Pour ce
faire, l'AFAPI demande d'abord les droits d'accès au port
parallèle en utilisant soit iopl(), soit ioperm(). Le problème est
que, l'un comme l'autre, ces appels obligent le programme appelant
à être privilégié, ce qui introduit une faille de sécurité
potentielle. La solution réside en un correctif optionnel à
appliquer au noyau Linux et permettant à un processus privilégié
de contrôler les permissions d'accès aux ports d'entrée/sortie
pour n'importe quel autre processus.
3.2.20. USB (« Universal Serial Bus »)
o Prise en charge par Linux : pilotes du noyau
o Bande passante maximum : 12 Mbits/s
o Temps de latence minimum : ?
o Disponibilité : dans le commerce
o Interface ou bus utilisé : USB
o Structure du réseau : bus
o Coût par machine connectée : 5 dollars
USB (« Universal Serial Bus », http://www.usb.org
[http://www.usb.org]) est un bus fonctionnant à la vitesse de
l'Ethernet conventionnel, dont les périphériques qui s'y
rattachent peuvent être connectés à chaud (« Hot-Plug » : sans
imposer la mise hors tension préalable du bus) et pouvant
accueillir simultanément jusqu'à 127 de ces périphériques pouvant
s'étendre du clavier à la caméra de vidéo-conférence. La manière
dont on relie plusieurs ordinateurs par le biais de l'USB n'est
pas clairement définie. Quoi qu'il en soit, les ports USB sont en
train de s'établir très rapidement en standard sur les
cartes-mères, au même titre que le port série RS232 ou le port
parallèle, aussi ne soyez pas surpris si vous voyez apparaître un
ou deux ports USB ^[20] sur votre prochain PC.
D'une certaine manière, l'USB est pratiquement la version basse
performance à prix nul du FireWire que l'on peut se procurer
aujourd'hui.
3.2.21. WAPERS
o Prise en charge par Linux : bibliothèque AFAPI
o Bande passante maximum : 0,4 Mbits/s
o Temps de latence : 3 microsecondes
o Disponibilité : modèle dans le domaine public
o Interface ou bus utilisé : SPP (Port Parallèle Standard)
o Structure du réseau : modèle de câblage entre 2 à 64 machines
o Coût par machine connectée : 5 dollars
WAPERS (« Wired-AND Adapter for Parallel Execution and Rapid
Synchronization », soit « Adaptateur par ET Câblé pour l'Exécution
en Parallèle et la Synchronisation Rapide ») est une des facettes
du projet PAPERS, de la Purdue University School of Electrical and
Computer Engineering (« École Supérieure d'Électricité et
d'Ingénierie en Informatique »). S'il est construit proprement, le
port parallèle possède quatre bits de sortie à collecteur ouvert
qui peuvent être câblés entre eux pour former un ET câblé de 4
bits de large. Ce ET câblé est assez sensible électriquement, et
le nombre maximum de machines qui peuvent y être reliées dépend de
façon critique des propriétés analogiques des ports (les limites
maximum des puits de courant et les valeurs des résistances de
pull-up). On peut typiquement relier 7 à 8 machines en réseau de
cette façon, avec WAPERS. Bien que les coûts et les temps de
latences soient très réduits, la bande passante l'est aussi.
WAPERS est donc bien plus indiqué comme réseau secondaire dédié
aux fonctions d'agrégations que comme unique réseau d'un cluster.
Comme pour TTL_PAPERS, il existe un correctif noyau visant à
améliorer la sécurité, recommandé mais non requis.
3.3. Interface Logicielle Réseau
Avant d'explorer les ressources logicielles existantes en matière
de traitement en parallèle, il est utile de couvrir rapidement les
bases de l'interface logicielle de bas niveau gérant
l'électronique du réseau. Il n'existe en réalité que trois options
de base : les sockets, les pilotes de périphériques et les
bibliothèques utilisateur.
3.3.1. Les sockets
Le socket est de loin la plus courante des interfaces réseau de
bas niveau. Les sockets sont partie intégrante d'Unix depuis plus
d'une décennie et la plupart des standards dans le domaine du
matériel électronique de réseau est conçue pour prendre en charge
au moins deux types de protocoles de socket : TCP et UDP. Ces deux
types de sockets vous permettent d'envoyer des blocs de données
d'une longueur arbitraire d'une machine à l'autre, mais il existe
plusieurs différences importantes. Typiquement, ils engendrent
tous deux un temps de latence minimum d'environ 1000
microsecondes, même si les performances peuvent bien pires encore
en fonction du trafic.
Ces types de sockets constituent l'interface logicielle réseau de
base pour la majorité des logiciels de traitement en parallèle
portables et de plus haut niveau. Par exemple, PVM utilise une
combinaison de l'UDP et du TCP, aussi en connaître les différences
vous aidera à affiner les performances de votre système. Ce qui
suit n'est qu'un aperçu de TCP et UDP. Référez-vous aux pages du
manuel et à un bon livre de programmation pour plus de détails.
3.3.1.1. Le protocole UDP (SOCK_DGRAM)
UDP signifie « User Datagram Protocol » ou « Protocole de
Datagrammes Utilisateur » mais il est plus facile de se souvenir
des propriétés d'UDP en tant que « Unreliable Datagram
Processing », ou « Traitement des Datagrammes Peu fiable ». En
d'autres termes, UDP permet à chaque bloc d'être émis comme un
message individuel, mais un message peut être perdu pendant la
transmission. De fait, selon l'état du trafic sur le réseau,
certains messages UDP peuvent être perdus, arriver plusieurs fois,
ou arriver dans un ordre différent de celui dans lequel ils ont
été émis. L'expéditeur d'un message UDP ne reçoit pas
systématiquement d'accusé de réception, et c'est donc au programme
écrit par l'utilisateur qu'il appartient de détecter et compenser
ces problèmes. Heureusement, le protocole UDP garantit que si un
message arrive, son contenu sera intact (c'est-à-dire que vous ne
recevrez jamais un message incomplet).
Le bon coté de l'UDP est qu'il tend à être le plus rapide des
protocoles des socket. En outre, UDP est « orienté hors
connexion » (« connectionless »), ce qui signifie que chaque
message est essentiellement indépendant des autres. On peut
comparer chaque message à une lettre à La Poste. Vous pouvez
envoyer plusieurs lettres à la même adresse, mais chacune d'entre
elles est indépendante des autres, et vous n'êtes pas limité quant
aux nombre de personnes à qui vous pouvez en envoyer.
3.3.1.2. Le protocole TCP (SOCK_STREAM)
Contrairement à l'UDP, le TCP est un protocole fiable et orienté
connexion. Chaque bloc est considéré non pas comme un message,
mais comme un bloc de données appartenant à un flot d'octets
voyageant au travers d'une connexion établie entre l'expéditeur et
le destinataire. Ce principe est très différent du système de
messages de l'UDP car chaque bloc n'est qu'une partie du flot
d'octets, et il appartient au programme utilisateur de trouver le
moyen de les isoler car il n'y a aucune marque de séparation pour
les distinguer. De plus, les connexions sont plus vulnérables aux
perturbations du réseau, et seul un nombre limité de connexions
simultanées peut exister au sein d'un même processus. Parce qu'il
est fiable, le TCP engendre souvent des overheads plus importants
que l'UDP.
Le TCP réserve en revanche quelques bonnes surprises. Par exemple,
si plusieurs messages sont envoyés à travers une connexion, TCP
est capable de les rassembler dans une mémoire tampon pour mieux
correspondre aux tailles standard des paquets de l'électronique du
réseau, ce qui peut donner de meilleurs résultats que l'UDP dans
le cas de groupes de messages courts ou de taille inhabituelle. Un
autre avantage : Les réseaux bâtis sur des connexions physiques
directes entre deux machines peuvent facilement et efficacement
être assimilés à des connexions TCP. Ce fut le cas pour la
« Socket Library » (« bibliothèque de gestion de Sockets »),
présentant une gestion compatible TCP au niveau de l'utilisateur
qui ne différait des appels systèmes TCP standard que par le
préfixe PSS, que l'on rajoutait au début du nom des fonctions à
invoquer.
3.3.2. Les pilotes de périphériques
Lorsque l'on en arrive au stade où il faut effectivement injecter
des données sur le réseau ou les y en extraire, l'interface
logicielle des Unix standard fait partie du noyau et s'appelle
« pilote » (« driver »). UDP et TCP ne se contentent pas de
transporter des données, ils s'accompagnent également d'importants
overheads dus à la gestion des sockets. Par exemple, il faut que
quelque chose s'occupe du fait que plusieurs connexions TCP
peuvent partager la même interface réseau physique. Par
opposition, un pilote de périphérique dédié à une interface réseau
n'a besoin de mettre en ½uvre qu'un petit nombre de fonctions de
transport élémentaires. Ces pilotes peuvent alors être invoqués à
l'aide de l'appel open() pour identifier le périphérique adéquat,
puis en utilisant par exemple read() et write() sur le « fichier »
ouvert. Ainsi, chaque opération peut transporter un bloc de
données en coûtant à peine plus cher qu'un appel système, ce qui
permet d'atteindre des délais de l'ordre de quelques dizaines de
microsecondes.
Écrire un pilote de périphérique pour Linux n'est pas difficile...
pourvu que vous sachiez parfaitement comme fonctionne votre
périphérique. Si vous n'en êtes pas sûr, n'essayez pas de le
deviner. Déboguer un pilote de périphérique n'est pas une chose
amusante, et faire des erreurs peut coûter la vie à votre
matériel. En revanche, si ces risques ne vous effraient pas, il
est possible d'écrire un pilote pour, par exemple, utiliser des
cartes Ethernet dédiées comme des connexions machine-vers-machine
« bêtes » mais très rapides car exonérées du protocole Ethernet
habituel. Pour être exact, c'est pratiquement la technique
utilisée par les premiers supercalculateurs Intel. Référez-vous au
Device-Driver-HOWTO pour plus d'informations.
3.3.3. Bibliothèques utilisateurs
Si vous avez pris des cours de programmation système, on a dù vous
y apprendre qu'accéder directement aux registres matériels des
périphériques à partir d'un programme utilisateur était l'exemple
typique de ce qu'il ne faut pas faire, parce que l'un des
principes même d'un système d'exploitation est de contrôler
l'accès aux périphériques. Cependant, le simple fait de passer un
appel système coûte au minimum quelques dizaines de microsecondes.
Dans le cas d'interfaces réseau bâties sur mesure comme
TTL_PAPERS, qui peut effectuer des opérations de base sur un
réseau en seulement 3 microsecondes, un tel surcoût pour un appel
système est intolérable. Le seul moyen d'éviter ce temps d'attente
est de faire en sorte que du code s'exécutant au niveau de
l'utilisateur, donc une « bibliothèque au niveau de
l'utilisateur » ^[21], puisse accéder directement au matériel,
mais sans remettre en cause la souveraineté du système
d'exploitation sur la gestion des droits d'accès aux ressources
matérielles.
Sur un système typique, les seuls moyens, pour une bibliothèque
utilisateur, d'accéder directement aux registres du matériel sont
les suivants :
1. Au lancement du programme utilisateur, faire un appel système
pour mapper l'espace d'adressage qui contient les registres du
périphérique dans le plan mémoire du processus utilisateur.
Sur certains systèmes, l'appel système mmap() (traité pour la
première fois dans la section 2.6) peut être utilisé pour
mapper un fichier spécial représentant les adresses de la page
de mémoire physique du périphérique. Il est en même temps
relativement simple d'écrire un pilote de périphérique
effectuant cette opération. De plus, ce pilote peut obtenir
l'accès en ne mappant que la ou les pages qui contiennent les
registres nécessaires, en maintenant ainsi le contrôle des
droits d'accès sous la coupe du système d'exploitation.
2. Accéder ensuite aux registres du périphérique sans passer par
un appel système en se contentant de charger ou de ranger des
valeurs sur la plage d'adressage mappée. Par exemple, un
*((char *) 0x1234) = 5; déposera un octet de valeur 5 à
l'adresse mémoire 1234 en hexadécimal.
Par bonheur, il se trouve que Linux pour Intel 386 et compatibles
offre une solution meilleure encore :
1. En invoquant l'appel système ioperm() depuis un processus
privilégié, obtenir la permission d'accéder aux ports
d'entrée/sortie correspondant précisément aux registres du
périphérique. Parallèlement, ces permissions peuvent être
gérées par un processus utilisateur privilégié et indépendant
(autrement dit : un « méta-système d'exploitation ») en
utilisant l'appel système giveioperm(), disponible sous la
forme d'un correctif à appliquer au noyau Linux.
2. Accéder aux registres du périphérique sans appel système en
utilisant les instructions assembleur d'accès aux ports
d'entrée/sortie du 386.
Cette seconde solution est préférable car il arrive souvent que
les registres de plusieurs périphériques soient réunis sur une
même page, auquel cas la première méthode ne pourrait offrir de
protection contre l'accès aux autres registres résidant dans la
même page que ceux appartenant au périphérique concerné.
L'inconvénient est que ces instructions ne peuvent bien sûr pas
être écrites en langage C. Il vous faudra à la place utiliser un
peu d'assembleur. La fonction utilisant l'assembleur en ligne
intégré à GCC (donc utilisable dans les programmes C) permettant
de lire un octet depuis un port est la suivante :
extern inline unsigned char
inb(unsigned short port)
{
unsigned char _v;
__asm__ __volatile__ ("inb %w1,%b0"
:"=a" (_v)
:"d" (port), "0" (0));
return _v;
}
La fonction symétrique permettant l'émission d'un octet est :
extern inline void
outb(unsigned char value,
unsigned short port)
{
__asm__ __volatile__ ("outb %b0,%w1"
:/* pas de valeur retournée */
:"a" (value), "d" (port));
}
3.4. PVM (« Parallel Virtual Machine »)
PVM (pour « Parallel Virtual Machine », soit « Machine Virtuelle
en Parallèle ») est une bibliothèque de message-passing portable
et disponible gratuitement, s'appuyant généralement directement
sur les sockets. Cette bibliothèque s'est incontestablement
établie comme le standard de facto dans le domaine du traitement
en parallèle à l'aide de clusters à transmission de messages.
PVM prend en charge les machines Linux monoprocesseur et SMP,
comme les clusters de machines Linux reliées entre elles à l'aide
par des réseaux reconnaissant les sockets (donc SLIP, PLIP,
Ethernet, ATM). En fait, PVM fonctionnera même à travers un groupe
de machines utilisant différents types de processeurs, de
configurations et de réseaux physiques -- Un cluster hétérogène --
même si l'envergure de ce cluster est de l'ordre de la mise en
parallèle de machines en utilisant Internet pour les relier entre
elles. PVM offre même des facilités de contrôles de tâches
(« jobs ») en parallèle au travers d'un cluster. Cerise sur le
gâteau, PVM est disponible gratuitement et depuis longtemps
(actuellement sur http://www.epm.ornl.gov/pvm/pvm_home.html
[http://www.epm.ornl.gov/pvm/pvm_home.html]), ce qui a conduit bon
nombre de langages de programmation, de compilateurs, et d'outils
de débogage ou autres à l'adopter comme leur « bibliothèque cible
portable de message-passing ». Il existe également un groupe de
discussion : [1]news:comp.parallel.pvm.
Il est important de remarquer, en revanche, que les appels PVM
ajoutent généralement aux opérations socket un overhead non
négligeable alors que les temps de latence de celles-ci sont déjà
importants. En outre, les appels eux-mêmes ne sont pas aisés à
manipuler.
Appliquée au même exemple de calcul de Pi décrit en section 1.3,
la version PVM du programme en langage C est la suivante :
#include <stdlib.h>
#include <stdio.h>
#include <pvm3.h>
#define NPROC 4
main(int argc, char **argv)
{
register double sommelocale, largeur;
double somme;
register int intervalles, i;
int mytid, iproc, msgtag = 4;
int tids[NPROC]; /* Tableau des numéros des tâches */
/* Début du traitement avec PVM */
mytid = pvm_mytid();
/* « Je rejoins le groupe et, si je suis la première instance,
iproc=0, je crée plusieurs copies de moi-même. »
*/
iproc = pvm_joingroup("pi");
if (iproc == 0) {
tids[0] = pvm_mytid();
pvm_spawn("pvm_pi", &argv[1], 0, NULL, NPROC-1, &tids[1]);
}
/* On s'assure que tous les processus sont prêts */
pvm_barrier("pi", NPROC);
/* Récupère le nombre d'intervalles */
intervalles = atoi(argv[1]);
largeur = 1.0 / intervalles;
sommelocale = 0.0;
for (i = iproc; i<intervalles; i+=NPROC) {
register double x = (i + 0.5) * largeur;
sommelocale += 4.0 / (1.0 + x * x);
}
/* On ajuste les résultats locaux en fonction de la largeur */
somme = sommlocale * largeur;
pvm_reduce(PvmSum, &sum, 1, PVM_DOUBLE, msgtag, "pi", 0);
/* Seul le processus rattaché à la console renvoie le résultat */
if (iproc == 0) {
printf("Estimation de la valeur de pi: %f\n", somme);
}
/* On attend que le programme soit terminé,
on quitte le groupe et
on sort de PVM. */
pvm_barrier("pi", NPROC);
pvm_lvgroup("pi");
pvm_exit();
return(0);
}
3.5. MPI (« Message Passing Interface »)
Bien que PVM soit le standard de fait en matière de bibliothèque
de message-passing, MPI (« Message Passing Interface ») tend à
devenir le nouveau standard officiel. Le site du standard MPI se
trouve sur http://www.mcs.anl.gov:80/mpi/
[http://www.mcs.anl.gov:80/mpi/] et le groupe de discussion
correspondant sur [2]news:comp.parallel.mpi.
En revanche, avant d'explorer MPI, je me sens obligé de parler
rapidement de la guerre de religion qui oppose PVM à MPI et qui
dure depuis quelques années. Je ne penche ni pour l'un ni pour
l'autre. Voici un résumé aussi impartial que possible des
différences entre les deux interfaces :
Environnement de contrôle de l'exécution
Pour faire simple, PVM en a un, et MPI ne précise pas s'il
existe, ni comment il doit être implémenté. Cela signifie
que certaines choses comme lancer l'exécution d'un
programme PVM se fait de la même manière partout, alors
que pour MPI, cela dépend de l'implémentation utilisée.
Prise en charge des clusters hétérogènes.
PVM a grandi dans le monde de la collecte des cycles
machines inutilisés sur les stations de travail, et sait
donc gérer donc directement les mélanges hétérogènes de
machines et de systèmes d'exploitation. A contrario, MPI
part du principe général que la cible est un MPP
(« Massively Parallel Processor », soit « Processeur
Massivement Parallèle ») ou un cluster dédié de stations
de travail pratiquement toutes identiques.
Syndrome de l'évier.
PVM se révèle être conçu pour une catégorie d'utilisation
bien définie, ce que MPI 2.0 ne fait pas. Le nouveau
standard MPI 2.0 inclut une variété de fonctionnalités qui
s'étendent bien au delà du simple modèle de
message-passing, comme le RMA (« Remote Memory Access »,
soit « Accès Mémoire à Distance ») ou les opérations
d'entrée/sortie en parallèle sur les fichiers. Toutes ces
choses sont-elles bien utiles ? Assurément... mais
assimiler MPI 2.0 est comparable à réapprendre depuis zéro
un langage de programmation totalement nouveau.
Conception de l'interface utilisateur.
MPI a été conçu après PVM, et en a incontestablement tiré
les leçons. MPI offre une gestion des tampons plus simple
et plus efficace et une couche d'abstraction de
haut-niveau permettant de transmettre des données définies
par l'utilisateur comme des messages.
Force de loi.
Pour ce que j'ai pu en voir, il existe toujours plus
d'applications conçues autour de PVM qu'autour de MPI.
Néanmoins, porter celles-ci vers MPI est chose facile, et
le fait que MPI soit soutenu par un standard formel très
répandu signifie que MPI est, pour un certain nombre
d'institutions, une question de vision des choses.
Conclusion ? Disons qu'il existe au moins trois versions de MPI
développées de façon indépendante et disponibles gratuitement
pouvant fonctionner sur des clusters de machines Linux (et j'ai
écrit l'un d'eux) :
o LAM (« Local Area Multicomputer », soit « MultiOrdinateur
Local ») est une mise en ½uvre complète du standard 1.1. Il
permet aux programmes MPI de s'exécuter sur un système Linux
individuel ou au travers d'un cluster de systèmes Linux
communiquant par le biais de sockets TCP/UDP. Le système
inclut des facilités de base de contrôle de l'exécution, ainsi
que toute une gamme d'outils de développement et de débogage
de programmes.
o MPICH (« MPI CHameleon ») est conçu pour être une
implémentation complète et hautement portable du standard MPI
1.1. Tout comme LAM, il permet aux programmes MPI d'être
exécutés sur des systèmes Linux individuels ou en clusters via
une communication par socket TCP/UDP. En revanche, l'accent
est porté sur la promotion de MPI en fournissant une
implémentation efficace et facilement repositionnable. Pour
porter cette implémentation, il faut réimplémenter soit les
cinq fonctions de la « channel interface », soit, pour de
meilleures performances, la totalité de l'ADI (« Abstract
Device Interface », soit « Interface Périphérique
Abstraite »). MPICH, et beaucoup d'informations concernant ce
sujet et la façon de le porter, sont disponibles sur
http://www.mcs.anl.gov/mpi/mpich/
[http://www.mcs.anl.gov/mpi/mpich/].
o AFMPI (« Aggregate Function MPI ») est une sous-implémentation
du standard MPI 2.0. C'est celle que j'ai écrite. S'appuyant
sur AFAPI, elle est conçue pour être la vitrine des RMA et des
fonctions de communications collectives, et n'offre donc qu'un
soutien minimal des types MPI, de ses systèmes de
communication, et cætera. Elle permet à des programmes C
utilisant MPI d'être exécutés sur un système Linux individuel
ou au travers d'un cluster mis en réseau par du matériel
pouvant prendre en charge l'AFAPI.
Quelque soit l'implémentation MPI utilisée, il est toujours très
simple d'effectuer la plupart des types de communication.
En revanche, MPI 2.0 incorpore plusieurs paradigmes de
communication suffisamment différents entre eux fondamentalement
pour qu'un programmeur utilisant l'un d'entre eux puisse ne même
pas reconnaître les autres comme étant des styles de programmation
MPI. Aussi, plutôt que d'explorer un seul exemple de programme, il
est utile de passer en revue un exemple de chacun des (différents)
paradigmes de communication de MPI. Tous les programmes qui
suivent emploient le même algorithme (celui de la section 1.3)
utilisé pour calculer Pi.
Le premier programme MPI utilise les appels de message-passing MPI
sur chaque processeur pour que celui-ci renvoie son résultat
partiel au processeur 0, qui fait la somme de tous ces résultats
et la renvoie à l'écran :
#include <stdlib.h>
#include <stdio.h>
#include <mpi.h>
main(int argc, char **argv)
{
register double largeur;
double somme, sommelocale;
register int intervalles, i;
int nproc, iproc;
MPI_Status status;
if (MPI_Init(&argc, &argv) != MPI_SUCCESS) exit(1);
MPI_Comm_size(MPI_COMM_WORLD, &nproc);
MPI_Comm_rank(MPI_COMM_WORLD, &iproc);
intervalles = atoi(argv[1]);
largeur = 1.0 / intervalles;
sommelocale = 0;
for (i=iproc; i<intervalles; i+=nproc) {
register double x = (i + 0.5) * largeur;
sommelocale += 4.0 / (1.0 + x * x);
}
sommelocale *= largeur;
if (iproc != 0) {
MPI_Send(&lbuf, 1, MPI_DOUBLE, 0, 0, MPI_COMM_WORLD);
} else {
somme = sommelocale;
for (i=1; i<nproc; ++i) {
MPI_Recv(&lbuf, 1, MPI_DOUBLE, MPI_ANY_SOURCE,
MPI_ANY_TAG, MPI_COMM_WORLD, &status);
somme += sommelocale;
}
printf("Estimation de la valeur de pi: %f\n", somme);
}
MPI_Finalize();
return(0);
}
Le second programme MPI utilise les communications collectives
(qui, pour ce cas précis, sont incontestablement les plus
appropriées) :
#include <stdlib.h>
#include <stdio.h>
#include <mpi.h>
main(int argc, char **argv)
{
register double largeur;
double somme, sommelocale;
register int intervalles, i;
int nproc, iproc;
if (MPI_Init(&argc, &argv) != MPI_SUCCESS) exit(1);
MPI_Comm_size(MPI_COMM_WORLD, &nproc);
MPI_Comm_rank(MPI_COMM_WORLD, &iproc);
intervalles = atoi(argv[1]);
largeur = 1.0 / intervalles;
sommelocale = 0;
for (i=iproc; i<intervalles; i+=nproc) {
register double x = (i + 0.5) * largeur;
sommelocale += 4.0 / (1.0 + x * x);
}
sommelocale *= largeur;
MPI_Reduce(&sommelocale, &somme, 1, MPI_DOUBLE,
MPI_SUM, 0, MPI_COMM_WORLD);
if (iproc == 0) {
printf("Estimation de la valeur de pi: %f\n", somme);
}
MPI_Finalize();
return(0);
}
La troisième version MPI utilise le mécanisme RMA de MPI 2.0 sur
chaque processeur pour ajouter la valeur locale de la variable
sommelocale de ce dernier à la variable somme du processeur 0 :
#include <stdlib.h>
#include <stdio.h>
#include <mpi.h>
main(int argc, char **argv)
{
register double largeur;
double somme = 0, sommelocale;
register int intervalles, i;
int nproc, iproc;
MPI_Win somme_fen;
if (MPI_Init(&argc, &argv) != MPI_SUCCESS) exit(1);
MPI_Comm_size(MPI_COMM_WORLD, &nproc);
MPI_Comm_rank(MPI_COMM_WORLD, &iproc);
MPI_Win_create(&somme, sizeof(somme), sizeof(somme),
0, MPI_COMM_WORLD, &somme_fen);
MPI_Win_fence(0, somme_fen);
intervalles = atoi(argv[1]);
largeur = 1.0 / intervalles;
sommelocale = 0;
for (i=iproc; i<intervalles; i+=nproc) {
register double x = (i + 0.5) * largeur;
sommelocale += 4.0 / (1.0 + x * x);
}
sommelocale *= largeur;
MPI_Accumulate(&sommelocale, 1, MPI_DOUBLE, 0, 0,
1, MPI_DOUBLE, MPI_SUM, somme_fen);
MPI_Win_fence(0, somme_fen);
if (iproc == 0) {
printf("Estimation de la valeur de pi: %f\n", somme);
}
MPI_Finalize();
return(0);
}
Il est utile de préciser que le mécanisme RMA de MPI 2.0 prévient
de façon remarquable tout problème de structures de données se
trouvant à des adresses mémoires différentes selon les
processeurs, en se référant à une "fenêtre" incluant l'adresse de
base, une protection contre les accès mémoire hors de portée, et
même le rééchelonnement d'adresse. À une implémentation efficace,
s'ajoute le fait qu'un traitement RMA peut-être reporté jusqu'à la
prochaine MPI__Win_fence. Pour faire simple, le mécanisme RMA est
un étrange croisement entre mémoire partagée distribuée et message
passing, mais reste une interface très propre pouvant générer des
communications très efficaces.
3.6. AFAPI (« Aggregate Function API »)
Contrairement à PVM, MPI, et cætera, l'interface AFAPI
(« Aggregate Function API », ou « Interface à Fonctions
d'Agrégation ») n'a pas débuté sa vie en tant que couche
d'abstraction portable s'appuyant sur un réseau matériel ou
logiciel existant. AFAPI était plutôt la bibliothèque de gestion
bas niveau d'un matériel spécifique pour PAPERS (« Purdue's
Adapter for Parallel Execution and Rapid Synchronization », soit
« Adaptateur pour l'Exécution en Parallèle et la Synchronisation
Rapide de l'université de Purdue »).
PAPERS a été rapidement présenté dans la section 3.2. Il s'agit
d'un réseau à fonction d'agrégations conçu sur mesure dont le
modèle est dans domaine public et qui présente des temps de
latence inférieurs à quelques microsecondes. Mais surtout, il
s'agit de la tentative de construction d'un supercalculateur
formant une meilleure cible pour la technologie des compilateurs
que les supercalculateurs déjà existants. Il se distingue en
qualité de la plupart des efforts en matière de clusters Linux et
de PVM/MPI, qui s'attachent généralement à essayer d'exploiter les
réseaux standard au profit des rares applications en parallèle
présentant une granularité suffisante. Le fait que les éléments de
PAPERS soient des machines PC sous Linux ne sert qu'à permettre
l'implémentation de prototypes à des coûts les plus avantageux
possibles.
La nécessité d'avoir une interface logicielle de bas niveau
commune à plus d'une douzaine d'implémentations différentes d'un
prototype a conduit la bibliothèque PAPERS à être standardisée
sous le nom d'AFAPI. Mais le modèle utilisé par AFAPI est simple
en lui-même et bien plus adapté aux interactions à la granularité
plus fine, typiquement du code compilé par des compilateurs
parallélisés, ou écrit pour des architectures SIMD. Non seulement
la simplicité du modèle rend les machines PAPERS aisées à
construire, mais elle apporte également une efficacité surprenante
aux ports d'AFAPI sur différents types de système, tels que les
SMP.
AFAPI fonctionne actuellement sur des clusters Linux utilisant
TTL_PAPERS, CAPERS ou WAPERS. Elle fonctionne également (sans
appel système ni même instruction de verrouillage de bus, voir la
section 2.2) sur les machines SMP utilisant une bibliothèque de
gestion de mémoire partagée type System V (« System V Shared
Memory ») appelée SHMAPERS. Une version fonctionnant sur des
clusters Linux utilisant la diffusion UDP sur des réseaux
conventionnels (Ex : Ethernet) est en cours de développement.
Toutes les versions d'AFAPI sont écrites pour être appelées à
partir des langages C ou C++.
L'exemple suivant est la version AFAPI du programme de calcul de
Pi décrit dans la section 1.3.
#include <stdlib.h>
#include <stdio.h>
#include "afapi.h"
main(int argc, char **argv)
{
register double largeur, somme;
register int intervalles, i;
if (p_init()) exit(1);
intervalles = atoi(argv[1]);
largeur = 1.0 / intervalles;
sum = 0;
for (i=IPROC; i<intervalles; i+=NPROC) {
register double x = (i + 0.5) * largeur;
somme += 4.0 / (1.0 + x * x);
}
somme = p_reduceAdd64f(somme) * largeur;
if (IPROC == CPROC) {
printf("Estimation de la valeur de pi: %f\n", somme);
}
p_exit();
return(0);
}
3.7. Autres bibliothèques de gestion de clusters
Outre PVM, MPI et AFAPI, les bibliothèques suivantes proposent des
services qui peuvent s'avérer utiles au travers de grappes de
machines Linux. Ces systèmes sont traités ici de manière moins
approfondie simplement parce que, contrairement à PVM, MPI et
AFAPI, je n'ai que peu, voire aucune expérience pratique de
l'utilisation de ceux-ci sur des clusters Linux. Si l'une de ces
bibliothèques (ou même d'autres) vous est particulièrement utile,
merci de m'envoyer un courrier électronique en anglais à <hankd
CHEZ engr POINT uky POINT edu> en me détaillant vos découvertes.
J'envisagerai alors d'ajouter une section plus complète à son
sujet.
3.7.1. Condor (migration de processus)
Condor est un système de gestion de ressources distribuées qui
peut diriger de vastes clusters de stations de travail
hétérogènes. Sa conception a été motivée par les besoins des
utilisateurs souhaitant utiliser la puissance inexploitée de tels
clusters au profit de leurs tâches aux temps d'exécution prolongés
et aux calculs intensifs. Condor reproduit dans une large mesure
l'environnement de la machine initiale sur celle qui exécute le
processus, même si ces deux machines ne partagent pas un système
de fichier ou un mécanisme de mot de passe communs. Les tâches
sous Condor qui se résument à un processus unique sont
automatiquement interceptées et déplacées entre les différentes
stations en fonctions des besoins pour les mener à terme.
Condor est disponible sur http://www.cs.wisc.edu/condor/
[http://www.cs.wisc.edu/condor/]. Une version Linux existe
également. Contactez l'administrateur du site, <condor TIRET admin
CHEZ cs POINT wisc POINT edu>, pour plus de détails.
3.7.2. DFN-RPC (Réseau Allemand de la Recherche -- « Remote
Procedure Call »)
Le DFN-RPC (un outil du Réseau Allemand de la Recherche --
« Remote Procedure Call ») a été développé pour distribuer et
paralléliser des applications d'intéret scientifique ou technique
entre une station de travail et un serveur de calcul ou un
cluster. L'interface est optimisée pour les applications écrites
en Fortran, mais le DFN-RPC peut aussi être utilisé dans un
environnement de langage C. Une version Linux a été écrite. Plus
d'information sur
[3]ftp://ftp.uni-stuttgart.de/pub/rus/dfn_rpc/README_dfnrpc.html.
3.7.3. DQS (« Distributed Queueing System »)
Pas vraiment une bibliothèque, DQS 3.0 (« Distributed Queueing
System », soit « Système de Files d'attente Distribuées ») est un
système de mise en file d'attente des tâches qui a été développé
et testé sous Linux. Ce système a été conçu pour permettre à la
fois l'utilisation et l'administration d'un cluster de machines
hétérogènes comme une seule entité. Disponible sur
http://www.scri.fsu.edu/~pasko/dqs.html
[http://www.scri.fsu.edu/~pasko/dqs.html].
Il existe aussi une version commerciale nommée CODINE 4.1.1
(« COmputing in DIstributed Network Environments », soit « CAlcul
en Environnement Réseau Distribué »).
3.8. Références générales aux clusters
Les clusters peuvent être construits et utilisés de tellement de
manières différentes que certains groupes ont apporté des
contributions particulièrement intéressantes. Ce qui suit fait
référence aux différents projets liés à la mise en place de
clusters pouvant avoir un intérêt d'ordre général. Ceci inclut un
mélange de références à des clusters spécifiques à Linux et à des
clusters génériques. Cette liste est présentée dans l'ordre
alphabétique.
3.8.1. Beowulf
Le projet Beowulf [http://www.beowulf.org/], se focalise sur la
production de logiciels pour une utilisation de stations de
travail immédiatement disponibles basée sur du matériel PC de
grande distribution, un réseau à haut débit interne au cluster, et
le système d'exploitation Linux.
Thomas Sterling a été le principal acteur de Beowulf, et continue
d'être un promoteur franc et éloquent de l'utilisation de clusters
Linux dans le domaine du calcul scientifique en général. À vrai
dire, plusieurs groupes parlent à présent de leur cluster comme de
système de « classe Beowulf », et ce même si la conception de ce
cluster s'éloigne du modèle Beowulf officiel.
Don Becker, apportant son appui au projet Beowulf, a produit
nombre des pilotes réseau utilisés par Linux en général. Plusieurs
de ces pilotes ont même été adaptés pour être utilisés sous BSD.
C'est également à Don que l'on doit la possibilité, pour certains
pilotes, de répartir le trafic réseau à travers plusieurs
connexions parallèles pour augmenter les taux de transfert sans
utiliser d'onéreux commutateurs. Ce type de répartition de la
charge réseau était le principal atout des clusters Beowulf.
3.8.2. Linux/AP+
Le projet Linux/AP+ [http://cap.anu.edu.au/cap/projects/linux] ne
concerne pas exactement le clustering sous Linux, mais s'attache à
faire fonctionner Linux sur l'AP1000+ de Fujitsu, et à y apporter
les améliorations appropriées en matière de traitement en
parallèle. L'AP1000+ est une machine en parallèle à base de SPARC
et disponible dans le commerce, utilisant un réseau spécifique
avec une topologie en tore, un taux de transfert de 25Mo/s et un
temps de latence de 10 microsecondes... Pour faire court, cela
ressemble beaucoup à un cluster Linux SPARC.
3.8.3. Locust
Le projet Locust est en train de mettre au point un système de
mémoire partagée virtuelle qui utilise les informations obtenues à
la compilation pour masquer les temps de latence des messages et
réduire le trafic réseau lors de l'exécution. « Pupa » forme la
base du système de communication de Locust, et est implémenté à
l'aide d'un réseau Ethernet reliant des machines PC 486 sous
FreeBSD. Et Linux ?
3.8.4. Midway DSM (« Distributed Shared Memory »)
Midway
[http://www.cs.cmu.edu/afs/cs.cmu.edu/project/midway/WWW/HomePage.html]
est une DSM (« Distributed Shared Memory », soit « Mémoire
Partagée Distribuée ») logicielle, similaire à TreadMarks. Le bon
coté réside en l'utilisation d'indications à la compilation plutôt
que de relativement lents mécanismes d'erreur de page, et en sa
gratuité. Le mauvais coté est cela ne fonctionne pas sur des
clusters Linux.
3.8.5. Mosix
MOSIX apporte des modifications au système d'exploitation BSD
« BSDI » pour proposer une répartition de charge réseau (« load
balancing ») dynamique et une migration de processus préemptive au
travers d'un groupe de PC mis en réseau. C'est un système très
utile non seulement pour le traitement en parallèle, mais d'une
manière générale pour utiliser un cluster comme une machine SMP
évolutive. Y aura-t-il une version Linux ? Voyez
http://www.mosix.org [http://www.mosix.org] pour plus
d'informations^[22].
3.8.6. NOW (« Network Of Workstations »)
Le projet NOW (« Network Of Workstations », ou « Réseau de
Stations de Travail ») de l'université de Berkeley
(http://now.cs.berkeley.edu [http://now.cs.berkeley.edu/]) a
conduit dans une large mesure l'effort pour le calcul en parallèle
en utilisant des réseaux de stations de travail. Bon nombre de
travaux sont menés là-bas, tous tournés vers la « démonstration en
pratique d'un système à 100 processeurs dans les prochaines
années ». Hélas, ils n'utilisent pas Linux.
3.8.7. Traitement en parallèle avec Linux
Le site web du « Traitement en parallèle avec Linux » (« Parallel
processing using Linux »), sur http://yara.ecn.purdue.edu/~pplinux
[http://yara.ecn.purdue.edu/~pplinux]>, est le site officiel de ce
guide pratique et de plusieurs documents en rapport avec ce thème,
y compris des présentations en ligne. Parallèlement aux travaux du
projet PAPERS, l'École Supérieure d'Électricité et d'Informatique
de Purdue (« Purdue University School of Electrical and Computer
Engineering ») reste un leader en matière de traitement en
parallèle. Ce site a été mis en place pour aider les autres à
utiliser des PC sous Linux pour faire du traitement en parallèle.
Depuis l'assemblage du premier cluster de PC Linux en février
1994, bien d'autres furent également assemblés à Purdue, dont
plusieurs équipés de murs vidéos. Bien que ces clusters
s'appuyaient sur des machines à base de microprocesseurs 386, 486
ou Pentium (mais pas de Pentium Pro), Intel a récemment accordé à
Purdue une donation qui lui permettra de construire plusieurs
grands clusters de systèmes à Pentium II (avec pas moins de 165
machines par cluster). Même si tous ces clusters sont ou seront
équipés de réseaux PAPERS, la plupart sont également dotés de
réseaux conventionnels.
3.8.8. Pentium Pro Cluster Workshop
Les 10 et 11 avril 1997, le laboratoire AMES a tenu à Des Moines,
dans l'état de l'Iowa aux États-Unis, le « Pentium Pro Cluster
Workshop » (« Atelier de clusters Pentium Pro »). Le site web de
cet atelier, http://www.scl.ameslab.gov
[http://www.scl.ameslab.gov], renferme une mine d'informations
concernant les clusters PC, glanées auprès de tous les
participants.
3.8.9. TreadMarks DSM (« Distributed Shared Memory »)
La DSM (« Distributed Shared Memory », ou « Mémoire Partagée
Distribuée ») est une technique avec laquelle un système de
message-passing peut se présenter et agir comme un SMP. Il existe
quelques systèmes de ce genre, la plupart utilisant les mécanismes
d'erreur de page du système d'exploitation pour déclencher la
transmission des messages. TreadMarks
[http://www.cs.rice.edu/~willy/TreadMarks/overview.html] est l'un
des plus efficaces, et fonctionne sur les clusters Linux. La
mauvaise nouvelle est que « TreadMarks est distribué à un coût
réduit aux universités et organisations à but non lucratif ». Pour
plus d'informations concernant le logiciel, prenez contact (en
anglais) avec <tmk CHEZ cs POINT rice POINT edu>.
3.8.10. U-Net (« User-level NETwork interface architecture »)
Le projet U-Net (« User-level NETwork interface architecture », ou
« Architecture d'interface Réseau au Niveau Utilisateur »),
accessible sur http://www.eecs.harvard.edu/~mdw/proj/old/unet
[http://www.eecs.harvard.edu/~mdw/proj/old/unet], tente d'apporter
temps de latence réduits et taux de transfert élevés sur du
matériel réseau du commerce en virtualisant les interfaces réseau
de manière à ce que les applications puissent envoyer et recevoir
des messages sans passer par un appel système. U-Net fonctionne
sur des PC Linux en utilisant du matériel Fast Ethernet basé sur
une puce DEC DC21140, ou une carte ATM Fore Systems PCA-200 (mais
pas PCA-200E).
3.8.11. WWT (« Wisconsin Wind Tunnel »)
On trouve bon nombre de projets relatifs à l'utilisation de
clusters dans le Wisconsin. Le projet WWT (« Wisconsin Wind
Tunnel », ou « Soufflerie du Wisconsin »), sur
http://www.cs.wisc.edu/~wwt/ [http://www.cs.wisc.edu/~wwt/], mène
toutes sortes de travaux orientés vers le développement d'une
interface « standard » entre les compilateurs et le matériel
réseau sur lequel ils s'appuient. Il existe le « Wisconsin COW »
(pour « Cluster Of Workstation »), « Cooperative Shared Memory »
et « Tempest », le « Paradyn Parallel Performance Tools », et
cætera. Malheureusement, il n'y a pas grand chose concernant
Linux.
4. SIMD Within A Register : SWAR (Ex : utilisation de MMX)
Le SIMD (« Single Instruction stream, Multiple Data stream » ou
« Un seul flux d'instruction, plusieurs flux de données ») à
l'Intérieur d'Un Registre (ou « SIMD Within A Register » : SWAR)
n'est pas un concept récent. En considérant une machine dotée de
registres, bus de données et unités de fonctions de k bits, il est
connu depuis longtemps que les opérations sur les registres
ordinaires peuvent se comporter comme des opérations parallèles
SIMD sur n champs de k/n bits chacun. Ce n'est en revanche qu'avec
les efforts récents en matière de multimédia que l'accélération
d'un facteur deux à huit apportée par les techniques SWAR a
commencé à concerner l'informatique générale. Les versions de 1997
de la plupart des microprocesseurs incorporent une prise en charge
matérielle du SWAR^[23] :
o AMD K6 MMX (« MultiMedia eXtensions »)
[http://www.amd.com/us-en/assets/content_type/white_papers_and_tech_docs/20726.pdf]
o Sun SPARC V9 VIS (« Visual Instruction Set »)
[http://www.sun.com/sparc/vis/index.html]
Il existe quelques lacunes dans la prise en charge matérielle
apportée par les nouveaux microprocesseurs, des caprices comme par
exemple la prise en charge d'un nombre limité d'instructions pour
certaines tailles de champ. Il est toutefois important de garder à
l'esprit que bon nombre d'opérations SWAR peuvent se passer
d'accélération matérielle. Par exemple, les opérations au niveau
du bit sont insensibles au partitionnement logique d'un registre.
4.1. Quels usages pour le SWAR ?
Bien que tout processeur moderne soit capable d'exécuter un
programme en effectuant un minimum de parallélisme SWAR, il est de
fait que même le plus optimisé des jeux d'instructions SWAR ne
peut gérer un parallélisme d'intérêt vraiment général. A dire
vrai, de nombreuses personnes ont remarqué que les différences de
performance entre un Pentium ordinaire et un Pentium « avec
technologie MMX » étaient surtout dûes à certains détails, comme
le fait que l'augmentation de la taille du cache L1 coïncide avec
l'apparition du MMX. Alors, concrètement, à quoi le SWAR (ou le
MMX) est-il utile ?
o Dans le traitement des entiers, les plus courts étant les
meilleurs. Deux valeurs 32 bits tiennent dans un registre MMX
64 bits, mais forment aussi une chaîne de huit caractères, ou
encore permettent de représenter un échiquier complet, à
raison d'un bit par case. Note : il existera une version
« virgule flottante » du MMX, bien que très peu de choses
aient été dites à ce sujet. Cyrix a déposé une présentation,
[4]ftp://ftp.cyrix.com/developr/mpf97rm.pdf, qui contient
quelques commentaires concernant MMFP. Apparemment, MMFP
pourra prendre en charge le chargement de nombres 32 bits en
virgule flottante dans des registres MMX 64 bits. Ceci combiné
à deux pipelines MMFP fournirait quatre FLOP ^[24] en simple
précision par cycle d'horloge.
o Pour le SIMD, ou parallélisme vectorisé. La même opération
s'applique à tous les champs, simultanément. Il existe des
moyens d'annihiler ses effets sur des champs sélectionnés
(l'équivalent du « SIMD enable masking », ou « activation du
masquage »), mais ils sont compliqués à mettre en ½uvre et
grèvent les performances.
o Pour les cas où la référence à la mémoire se fait de manière
localisée et régulière (et de préférence regroupée). Le SWAR
en général, et le MMX en particulier se révèlent désastreux
sur les accès aléatoires. Rassembler le contenu d'un vecteur
x[y] (où y est l'index d'un tableau) est extrêmement coûteux.
Il existe donc d'importantes limitations, mais ce type de
parallélisme intervient dans un certain nombre d'algorithmes, et
pas seulement dans les applications multimédia. Lorsque
l'algorithme est adapté, le SWAR est plus efficace que le SMP ou
le parallélisme en clusters... et son utilisation ne coûte rien !
4.2. Introduction à la programmation SWAR
Le concept de base du SWAR (« SIMD Within A Register », ou « SIMD
à l'intérieur d'un registre ») réside dans le fait que l'on peut
utiliser des opérations sur des registres de la taille d'un mot
pour accélérer les calculs en effectuant des opérations parallèles
SIMD sur n champs de k/n bits. En revanche, employer les
techniques du SWAR peut parfois s'avérer maladroit, et certaines
de leurs opérations peuvent au final être plus coûteuses que leurs
homologues en série car elles nécessitent des instructions
supplémentaires pour forcer le partitionnement des champs.
Pour illustrer ce point, prenons l'exemple d'un mécanisme SWAR
grandement simplifié gérant quatre champs de 8 bits dans chaque
registre de 32 bits. Les valeurs de ces deux registres pourraient
être représentées comme suit :
PE3 PE2 PE1 PE0
+-------+-------+-------+-------+
Reg0 | D 7:0 | C 7:0 | B 7:0 | A 7:0 |
+-------+-------+-------+-------+
Reg1 | H 7:0 | G 7:0 | F 7:0 | E 7:0 |
+-------+-------+-------+-------+
Ceci indique simplement que chaque registre est vu essentiellement
comme un vecteur de quatre valeurs entières 8 bits indépendantes.
Alternativement, les valeurs A et E peuvent être vues comme les
valeurs, dans Reg0 et Reg1, de l'élément de traitement 0 (ou
« PE0 » pour « Processing Element 0 »), B et F comme celles de
l'élément 1, et ainsi de suite.
Le reste de ce document passe rapidement en revue les classes de
base des opérations parallèles SIMD sur ces vecteurs d'entiers et
la façon dont ces fonctions peuvent être implémentées.
4.2.1. Opérations polymorphiques
Certaines opérations SWAR peuvent être effectuées de façon
triviale en utilisant des opérations ordinaires sur des entiers 32
bits, sans avoir à se demander si l'opération est réellement faite
pour agir en parallèle et indépendemment sur ces champs de 8 bits.
On qualifie ce genre d'opération SWAR de polymorphique, parce que
la fonction est insensible aux types des champs (et à leur
taille).
Tester si un champ quelconque est non-nul est une opération
polymorphique, tout comme les opérations logiques au niveau du
bit. Par exemple, un « ET » logique bit-à-bit ordinaire
(l'opérateur « & » du registre C) effectue son calcul bit-à-bit,
quelque soit la taille des champs. Un « ET » logique simple des
registres ci-dessus donnerait :
PE3 PE2 PE1 PE0
+---------+---------+---------+---------+
Reg2 | D&H 7:0 | C&G 7:0 | B&F 7:0 | A&E 7:0 |
+---------+---------+---------+---------+
Puisque le bit de résultat k de l'opération « ET » logique n'est
affecté que par les valeurs des bits d'opérande k, toutes les
tailles de champs peuvent être prises en charge par une même
instruction.
4.2.2. Opérations partitionnées
Malheureusement, de nombreuses et importantes opérations SWAR ne
sont pas polymorphiques. Les opérations arithmétiques comme
l'addition, la soustraction, la multiplication et la division sont
sujettes aux interactions de la « retenue » entre les champs. Ces
opérations sont dites partitionnées car chacune d'elles doit
cloisonner effectivement les opérandes et le résultat pour éviter
les interactions entre champs. Il existe toutefois trois méthodes
différentes pouvant être employées pour parvenir à ces fins :
4.2.2.1. Instructions partitionnées
L'approche la plus évidente pour implémenter les opérations
partitionnées consiste peut-être à proposer une prise en charge
matérielle des « instructions parallèles partitionnées » coupant
le système de retenue entre les champs. Cette approche peut offrir
les performances les plus élevées, mais elle nécessite la
modification du jeu d'instruction du processeur et implique en
général des limitations sur la taille des champs (Ex : ces
instructions pourraient prendre en charge des champs larges de 8
bits, mais pas de 12).
Le MMX des processeurs AMD, Cyrix et Intel, Le MAX de Digital,
celui d'HP, et le VIS de Sun implémentent tous des versions
restreintes des instructions partitionnées. Malheureusement, ces
différents jeux d'instructions posent des restrictions assez
différentes entre elles, ce qui rend les algorithmes difficilement
portables. Étudions à titre d'exemple l'échantillon d'opérations
partitionnées suivant :
Instruction AMD/Cyrix/Intel MMX DEC MAX HP MAX Sun VIS
+---------------------+---------------------+---------+--------+---------+
| Différence Absolue | | 8 | | 8 |
+---------------------+---------------------+---------+--------+---------+
| Maximum | | 8, 16 | | |
+---------------------+---------------------+---------+--------+---------+
| Comparaison | 8, 16, 32 | | | 16, 32 |
+---------------------+---------------------+---------+--------+---------+
| Multiplication | 16 | | | 8x16 |
+---------------------+---------------------+---------+--------+---------+
| Addition | 8, 16, 32 | | 16 | 16, 32 |
+---------------------+---------------------+---------+--------+---------+
Dans cette table, les chiffres indiquent les tailles de champ
reconnues par chaque opération. Même si la table exclut un certain
nombre d'instructions dont les plus exotiques, il est clair qu'il
y a des différences. Cela a pour effet direct de rendre
inefficaces les modèles de programmation en langages de haut
niveau, et de sévèrement restreindre la portabilité.
4.2.2.2. Opérations non partitionnées avec code de correction
Implémenter des opérations partitionnées en utilisant des
instructions partitionnées est certainement très efficace, mais
comment faire lorsque l'opération dont vous avez besoin n'est pas
prise en charge par le matériel ? Réponse : utiliser une série
d'instructions ordinaires pour effectuer l'opération malgré les
effets de la retenue entre les champs, puis effectuer la
correction de ces effets indésirés.
C'est une approche purement logicielle, et les corrections
apportent bien entendu un surcoût en temps, mais elle fonctionne
pleinement avec le partitionnement en général. Cette approche est
également « générale » dans le sens où elle peut être utilisée
soit pour combler les lacunes du matériel dans le domaine des
instructions partitionnées, soit pour apporter un soutien logiciel
complet aux machines qui ne sont pas du tout dotées d'une prise en
charge matérielle. À dire vrai, en exprimant ces séquences de code
dans un langage comme le C, on permet au SWAR d'être totalement
portable.
Ceci soulève immédiatement une question : quelle est précisément
l'inefficacité des opérations SWAR partitionnées simulées à l'aide
d'opérations non partitionnées ? Eh bien c'est très certainement
la question à 65536 dollars, mais certaines opérations ne sont pas
aussi difficiles à mettre en ½uvre que l'on pourrait le croire.
Prenons en exemple le cas de l'implémentation de l'addition d'un
vecteur de quatre éléments 8 bits contenant des valeurs entières,
soit x+y, en utilisant des opérations 32 bits ordinaires.
Une addition 32 bits ordinaire pourrait en fait rendre un résultat
correct, mais pas si la retenue d'un champ de 8 bits se reporte
sur le champ suivant. Aussi, notre but consiste simplement à faire
en sorte qu'un tel report ne se produise pas. Comme l'on est sûr
qu'additionner deux champs de k bits ne peut générer qu'un
résultat large d'au plus k+1 bits, on peut garantir qu'aucun
report ne va se produire en « masquant » simplement le bit de
poids fort de chaque champs. On fait cela en appliquant un « ET »
logique à chaque opérande avec la valeur 0x7f7f7f7f, puis en
effectuant un addition 32 bits habituelle.
t = ((x & 0x7f7f7f7f) + (y & 0x7f7f7f7f));
Ce résultat est correct... sauf pour le bit de poids fort de
chacun des champs. Il n'est question, pour calculer la valeur
correcte, que d'effectuer deux additions 1-bit partitionnées,
depuis x et y vers le résultat à 7 bits calculé pour t.
Heureusement, une addition partitionnée sur 1 bit peut être
implémentée à l'aide d'une opération « OU Exclusif » logique
ordinaire. Ainsi, le résultat est tout simplement :
(t ^ ((x ^ y) & 0x80808080))
D'accord. Peut-être n'est-ce pas si simple, en fin de compte.
Après tout, cela fait six opérations pour seulement quatre
additions. En revanche, on remarquera que ce nombre d'opérations
n'est pas fonction du nombre de champs. Donc, avec plus de champs,
on gagne en rapidité. À dire vrai, il se peut que l'on gagne quand
même en vitesse simplement parce que les champs sont chargés et
redéposés en une seule opération (vectorisée sur des entiers), que
la disponibilité des registres est optimisée, et parce qu'il y a
moins de code dynamique engendrant des dépendances (parce que l'on
évite les références à des mots incomplets).
4.2.2.3. Contrôler les valeurs des champs
Alors que les deux autres approches de l'implémentation des
opérations partitionnées se centrent sur l'exploitation du maximum
d'espace possible dans les registres, il peut être, au niveau du
calcul, plus efficace de contrôler les valeurs des champs de façon
à ce que l'interaction de la retenue entre ceux-ci ne se produise
jamais. Par exemple, si l'on sait que toutes les valeurs de champs
additionnées sont telles qu'aucun dépassement ne peut avoir lieu,
une addition partitionnée peut être implémentée à l'aide d'une
instruction ordinaire. Cette contrainte posée, une addition
ordinaire pourrait en fin de compte apparaître polymorphique, et
être utilisable avec n'importe quelle taille de champ sans
programme de correction. Ce qui nous amène ainsi à la question
suivante : Comment s'assurer que les valeurs des champs ne vont
pas provoquer d'événements dus à la retenue ?
Une manière de faire cela consiste à implémenter des instructions
partitionnées capables de restreindre la portée des valeurs des
champs. Les instructions vectorisées de maximum et de minimum du
MAX de Digital peuvent être assimilées à une prise en charge
matérielle de l'écrêtage des valeurs des champs pour éviter les
interactions de la retenue entre les champs.
En revanche, si l'on ne dispose pas d'instructions partitionnées à
même de restreindre efficacement la portée des valeurs des champs,
existe-t-il une condition qui puisse être imposée à un coût
raisonnable et qui soit suffisante pour garantir le fait que les
effets de la retenue n'iront pas perturber les champs adjacents ?
La réponse se trouve dans l'analyse des propriétés arithmétiques.
Additionner deux nombres de k bits renvoie un résultat large d'au
plus k+1 bits. Ainsi, un champ de k+1 bits peut recevoir en toute
sécurité le résultat d'une telle opération, même s'il est produit
par une instruction ordinaire.
Supposons donc que les champs de 8 bits de nos précédents exemples
soient désormais des champs de 7 bits avec « espaces de séparation
pour retenue » d'un bit chacun :
PE3 PE2 PE1 PE0
+----+-------+----+-------+----+-------+----+-------+
Reg0 | D' | D 6:0 | C' | C 6:0 | B' | B 6:0 | A' | A 6:0 |
+----+-------+----+-------+----+-------+----+-------+
Mettre en place un vecteur d'additions 7 bits se fait de la
manière suivante : On part du principe qu'avant l'exécution de
toute instruction partitionnée, les bits des séparateurs de
retenue (A', B', C', et D') sont nuls. En effectuant simplement
une addition ordinaire, tous les champs reçoivent une valeur
correcte sur 7 bits. En revanche, certains bits de séparation
peuvent passer à 1. On peut remédier à cela en appliquant une
seule opération supplémentaire conventionnelle et masquant les
bits de séparation. Notre vecteur d'additions entières sur 7 bits,
x+y, devient ainsi :
((x + y) & 0x7f7f7f7f)
Ceci nécessite seulement deux opérations pour effectuer quatre
additions. Le gain en vitesse est évident.
Les lecteurs avertis auront remarqué que forcer les bits de
séparation à zéro ne convient pas pour les soustractions. La
solution est toutefois remarquablement simple : Pour calculer x-y,
on garantira simplement la condition initiale, qui veut que tous
les bits de séparation de x valent 1 et que tous ceux de y soient
nuls. Dans le pire des cas, nous obtiendrons :
(((x | 0x80808080) - y) & 0x7f7f7f7f)
On peut toutefois souvent se passer du « OU » logique en
s'assurant que l'opération qui génère la valeur de x utilise |
0x80808080 plutôt que & 0x7f7f7f7f en dernière étape.
Laquelle de ces méthodes doit-on appliquer aux opérations
partitionnées du SWAR ? La réponse est simple : « celle qui offre
le gain en rapidité le plus important ». Ce qui est intéressant,
c'est que la méthode idéale peut être différente selon chaque
taille de champ, et ce à l'intérieur d'un même programme,
s'exécutant sur une même machine.
4.2.3. Opérations de communication et de conversion de type
Bien que certains calculs en parallèle, incluant les opérations
sur les pixels d'une image, ont pour propriété le fait que la
nième valeur d'un vecteur soit une fonction des valeurs se
trouvant à la nième position des vecteurs des opérandes, ce n'est
généralement pas le cas. Par exemple, même les opérations sur les
pixels telles que l'adoucissement ou le flou réclament en opérande
les valeurs des pixels adjacents, et les transformations comme la
transformée de Fourrier (FFT) nécessitent des schémas de
communications plus complexes (et moins localisés).
Il est relativement facile de mettre efficacement en place un
système de communication à une dimension entre les valeurs du
voisinage immédiat pour effectuer du SWAR, en utilisant des
opérations de décalage non partitionnées. Par exemple, pour
déplacer une valeur depuis PE vers PE(n+1), un simple décalage
logique suffit. Si les champs sont larges de 8 bits, on
utilisera :
(x << 8)
Pourtant, ce n'est pas toujours aussi simple. Par exemple, pour
déplacer une valeur depuis PEn vers PE(n-1), un simple décalage
vers la droite devrait suffire... mais le langage C ne précise pas
si le décalage vers la droite conserve le bit de signe, et
certaines machines ne proposent, vers la droite, qu'un décalage
signé. Aussi, d'une manière générale, devons-nous mettre
explicitement à zéro les bits de signe pouvant être répliqués.
((x >> 8) & 0x00ffffff)
L'ajout de connexions « à enroulement » (« wrap-around ») à l'aide
de décalages non partitionnés ^[25] est aussi raisonnablement
efficace. Par exemple, pour déplacer une valeur depuis PEi vers
PE(i+1) avec enroulement :
((x << 8) | ((x >> 24) & 0x000000ff))
Les problèmes sérieux apparaissent lorsque des schémas de
communications plus généraux doivent être mis en ½uvre. Seul le
jeu d'instructions du MAX de HP permet le réarrangement arbitraire
des champs en une seule instruction, nommée Permute. Cette
instruction Permute porte vraiment mal son nom : Non seulement
elle effectue une permutation arbitraire des champs, mais elle
autorise également les répétitions. En bref, elle met en place une
opération arbitraire de x[y].
Il reste malheureusement très difficile d'implémenter x[y] sans le
concours d'une telle instruction. La séquence de code est
généralement à la fois longue et inefficace, parce qu'en fait, il
s'agit d'un programme séquentiel. Ceci est très décevant. La
vitesse relativement élevée des opérations de type x[y] sur les
les supercalculateurs SIMD MasPar MP1/MP2 et Thinking Machines
CM1/CM2/CM200 était une des clés majeures de leur succès.
Toutefois, un x[y] reste plus lent qu'une communication de
proximité, même sur ces supercalculateurs. Beaucoup d'algorithmes
ont donc été conçus pour réduire ces besoins en opérations de type
x[y]. Pour simplifier, disons que sans soutien matériel, le
meilleur est encore très certainement de développer des
algorithmes SWAR en considérant x[y] comme étant interdit, ou au
moins très coûteux.
4.2.4. Opérations récurrentes (réductions, balayages, et cætera)
Une récurrence est un calcul dans lequel il existe une relation
séquentielle apparente entre les valeurs à traiter. Si toutefois
des opérations associatives sont impliquées dans ces récurrences,
il peut être possible de recoder ces calculs en utilisant un
algorithme parallèle à structure organisée en arbre.
Le type de récurrence parallélisable le plus courant est
probablement la classe connue sous le nom de réduction
associative. Par exemple, pour calculer la somme des valeurs d'un
vecteur, on écrit du code C purement séquentiel, comme :
t = 0;
for (i=0; i<MAX; ++i) t += x[i];
Cependant, l'ordre des additions est rarement important. Les
opérations en virgule flottante et les saturations peuvent rendre
différents résultats si l'ordre des additions est modifié, mais
les additions ordinaires sur les entiers (et qui reviennent au
début après avoir atteint la valeur maximum) renverront exactement
les mêmes résultats, indépendemment de l'ordre dans lequel elles
sont effectuées. Nous pouvons ainsi réécrire cette séquence sous
la forme d'une somme parallèle structurée en arbre, dans laquelle
nous additionnons d'abord des paires de valeurs, puis des paires
de ces sous-totaux, et ainsi de suite jusqu'à l'unique somme
finale. Pour un vecteur de quatre valeurs 8 bits, seulement deux
additions sont nécessaires. La première effectue deux additions de
8 bits et retourne en résultat deux champs de 16 bits, contenant
chacun un résultat sur 9 bits :
t = ((x & 0x00ff00ff) + ((x >> 8) & 0x00ff00ff));
La deuxième fait la somme de ces deux valeurs de 9 bits dans un
champs de 16 bits, et renvoie un résultat sur 10 bits :
((t + (t >> 16)) & 0x000003ff)
En réalité, la seconde opération effectue l'addition de deux
champs de 16 bits... mais les 16 bits de poids fort n'ont pas de
signification. C'est pourquoi le résultat est masqué en une valeur
de 10 bits.
Les balayages (« scans »), aussi connus sous le nom d'opérations
« à préfixe parallèle » sont un peu plus difficile à mettre en
½uvre efficacement. Ceci est dû au fait que contrairement aux
réductions, les balayages peuvent produire des résultats
partitionnées.
4.3. SWAR MMX sous Linux
Pour Linux, nous nous soucierons principalement des processeurs
IA32. La bonne nouvelle, c'est qu'AMD, Cyrix et Intel implémentent
tous le même jeu d'instructions MMX. En revanche, les performances
de ces différents MMX sont variables. Le K6, par exemple, n'est
doté que d'un seul pipeline là où le Pentium MMX en a deux. La
seule nouvelle vraiment mauvaise, c'est qu'Intel diffuse toujours
ces stupides films publicitaires sur le MMX... ;-)
Il existe trois approches sérieuses du SWAR par le MMX :
1. L'utilisation des fonctions d'une bibliothèque dédiée au MMX.
Intel, en particulier, a développé plusieurs « bibliothèques
de performances », offrant toute une gamme de fonctions
optimisées à la main et destinées aux tâches multimédia
courantes. Avec un petit effort, bon nombre d'algorithmes
non-multimédia peuvent être retravaillés pour permettre à
quelques unes des zones de calcul intensif de s'appuyer sur
une ou plusieurs de ces bibliothèques. Ces bibliothèques ne
sont pas disponibles sous Linux, mais pourraient être adaptées
pour le devenir.
2. L'utilisation directe des instructions MMX. C'est assez
compliqué, pour deux raisons : D'abord, le MMX peut ne pas
être disponible sur le processeur concerné, ce qui oblige à
fournir une alternative. Ensuite, l'assembleur IA32 utilisé en
général sous Linux ne reconnaît actuellement pas les
instructions MMX.
3. L'utilisation d'un langage de haut niveau ou d'un module du
compilateur qui puisse directement générer des instructions
MMX appropriées. Quelques outils de ce type sont actuellement
en cours de développement, mais aucun n'est encore pleinement
fonctionnel sous Linux. Par exemple, à l'Université de Purdue
(http://dynamo.ecn.purdue.edu/~hankd/SWAR/
[http://dynamo.ecn.purdue.edu/~hankd/SWAR/]), nous développons
actuellement un compilateur qui admettra des fonctions écrites
dans un « dialecte » explicite parallèle au langage C et qui
générera des modules SWAR accessibles comme des fonctions C
ordinaires, et qui feront usage de tous les supports SWAR
disponibles, y compris le MMX. Les premiers prototypes de
compilateurs à modules ont été générés à Fall, en 1996. Amener
cette technologie vers un état réellement utilisable prend
cependant beaucoup plus de temps que prévu initialement.
En résumé, le SWAR par MMX est toujours d'un usage malaisé.
Toutefois, avec quelques efforts supplémentaires, la seconde
approche décrite ci-dessus peut être utilisée dès à présent. En
voici les bases :
1. Vous ne pourrez pas utiliser le MMX si votre processeur ne le
prend pas en charge. Le code GCC suivant vous permettra de
savoir si votre processeur est équipé de l'extension MMX. Si
c'est le cas, la valeur renvoyée sera différente de zéro,
sinon nulle.
inline extern
int mmx_init(void)
{
int mmx_disponible;
__asm__ __volatile__ (
/* Récupère la version du CPU */
"movl $1, %%eax\n\t"
"cpuid\n\t"
"andl $0x800000, %%edx\n\t"
"movl %%edx, %0"
: "=q" (mmx_disponible)
: /* pas d'entrée */
);
return mmx_disponible;
}
2. Un registre MMX contient essentiellement ce que GCC
appellerait un unsigned long long. Ainsi, ce sont des
variables de ce type et résidant en mémoire qui vont former le
mécanisme de communication entre les modules MMX et le
programme C qui les appelle. Vous pouvez aussi déclarer vos
données MMX comme étant des structures de données alignées sur
des adresses multiples de 64 bits (il convient de garantir
l'alignement sur 64 bits en déclarant votre type de données
comme étant membre d'une union comportant un champ unsigned
long long).
3. Si le MMX est disponible, vous pouvez écrire votre code MMX en
utilisant la directive assemble .byte pour coder chaque
instruction. C'est un travail pénible s'il est abattu à la
main, mais pour un compilateur, les générer n'est pas très
difficile. Par exemple, l'instruction MMX PADDB MM0,MM1
pourrait être encodée par la ligne d'assembleur in-line GCC
suivante :
__asm__ __volatile__ (".byte 0x0f, 0xfc, 0xc1\n\t");
Souvenez-vous que le MMX utilise une partie du matériel
destiné aux opérations en virgule flottante, et donc que le
code ordinaire mélangé au MMX ne doit pas invoquer ces
dernières. La pile en virgule flottante doit également être
vide avant l'exécution de tout code MMX. Cette pile est
normalement vide à l'entrée d'une fonction C ne faisant pas
usage de la virgule flottante.
4. Clôturez votre code MMX par l'exécution de l'instruction EMMS,
qui peut être encodée par :
__asm__ __volatile__ (".byte 0x0f, 0x77\n\t");
Tout ce qui précède paraît rébarbatif, et l'est. Ceci dit, le MMX
est encore assez jeune... de futures versions de ce document
proposeront de meilleures techniques pour programmer le SWAR MMX.
5. Processeurs auxiliaires des machines Linux
Même si cette approche n'est plus à la mode depuis quelques temps,
il reste virtuellement impossible aux autres méthodes de maintenir
à la fois prix bas et performances élevées, chose habituellement
rendue possible par l'utilisation d'un système Linux, lorsqu'il
s'agit d'héberger dans la machine une unité de calcul dédiée. Le
problème est que la prise en charge logicielle de ces outils est
très limitée. Nous serons plus ou moins livrés à nous mêmes.
5.1. Un PC Linux est une bonne station d'accueil
En général, les processeurs secondaires tendent à se spécialiser
dans l'exécution de fonctions bien spécifiques.
Avant de se sentir découragés parce que livrés à nous-mêmes, il
est utile de comprendre que, bien qu'il puisse être difficile de
le préparer à recevoir un système particulier, un PC sous Linux
reste l'une des rares plate-formes qui se prêtent convenablement à
cet usage.
Un PC forme un bon système d'accueil pour deux raisons : La
première est sa capacité à évoluer aisément et de façon peu
onéreuse. Les ressources telles que la mémoire, les disques, le
réseau et autres peuvent être ajoutées vraiment très facilement à
un PC. La seconde est sa facilité d'interfaçage. Non seulement les
prototypes de cartes ISA et PCI sont largement répandus et
disponibles, mais le port parallèle fournit également des
performances raisonnables dans une interface discrète. L'adressage
séparé des entrées / sorties de l'architecture IA32 facilite
également l'interfaçage en offrant une protection de ces adresses
au niveau du port individuel.
Linux est également un bon système d'exploitation pour
l'hébergement de systèmes dédiés. La libre et complète
disponibilité du code source, et les nombreux manuels de
programmation avancée constituent évidement une aide très
précieuse. Mais Linux apporte également une gestion des tâches
pratiquement temps-réel. Il existe même une version fonctionnant
en vrai temps-réel. Mais une chose peut-être plus importante
encore est le fait que, même dans un environnement Unix complet,
Linux sait prendre en charge des outils de développement écrits
pour fonctionner sous MS-DOS ou Windows. Les programmes DOS
peuvent être exécutés dans un processus Unix en utilisant dosemu,
qui dresse une machine virtuelle protégée qui peut littéralement
exécuter du code MS-DOS. La prise en charge des programmes Windows
3.xx sous Linux est encore plus directe : certains logiciels
libres comme wine [http://www.winehq.org] simulent Windows
3.11^[26] suffisamment bien pour permettre à la plupart des
programmes Windows d'être exécutés correctement sur une machine
Unix équipée de X-Window.
Les deux sections suivantes donnent des exemples de systèmes
parallèles auxiliaires que j'aimerais voir être exploités sous
Linux :
5.2. Avez-vous essayé le DSP ?
Un marché prospère s'est développé autour des puces DSP (« Digital
Signal Processing », ou « Traitement Numérique du Signal ») à
hautes performances. Bien qu'elles soient en général conçues pour
être embarquées dans des systèmes dédiés à des usages bien
spécifiques, elles peuvent aussi être utilisées comme de très bons
ordinateurs parallèles annexes. Voici pourquoi :
o Plusieurs d'entre elles, comme le TMS320 de Texas Instruments
[http://www.ti.com] et la famille SHARC d'Analog Devices
[http://www.analog.com] sont conçues pour permettre
l'assemblage de machines parallèles en n'utilisant que très
peu, voire aucun circuit logique intermédiaire.
o Ces puces sont bon marché, spécialement au niveau du coût par
MIP ou par MFLOP. Prix des circuits de gestion logique de base
compris, on peut trouver un processeur DSP pour le dixième du
prix du processeur d'un PC, à performances comparables.
o Elle ne nécessitent que peu de puissance et ne dissipent pas
beaucoup de chaleur. Cela signifie qu'il est possible
d'alimenter toute une poignée de processeurs de ce type avec
une simple alimentation PC conventionnelle, et de les enfermer
dans le boîtier d'un PC sans transformer celui-ci en
haut-fourneau.
o La plupart des jeux d'instructions des DSP contiennent des
choses assez exotiques et que les langages de haut niveau
(c'est-à-dire : comme le C) ne sont pas à même d'utiliser
correctement. Par exemple, l'« adressage de bit inversé ». En
utilisant des systèmes parallèles inclus dans une machine, il
est possible de compiler et d'exécuter directement la plupart
du code sur cette machine, tout en confiant l'exécution des
quelques algorithmes consommant la plupart du temps système
aux DSP, par l'entremise d'un code particulièrement soigné et
optimisé à la main.
o Ces DSP ne sont pas vraiment conçus pour faire fonctionner un
système d'exploitation UNIX ou assimilé, et ne sont
généralement pas non plus adaptés à une utilisation autonome
comme processeur général d'un ordinateur. Le système de
gestion de la mémoire, par exemple, est insuffisant pour
beaucoup d'entre eux. En d'autres mots, ils sont bien plus
efficaces lorsqu'ils sont intégrés au sein d'une machine hôte
plus polyvalente ... telle qu'un PC sous Linux.
Bien que de nombreux modems et cartes son contiennent des
processeurs DSP accessibles par des pilotes Linux, les grands
profits arrivent avec l'utilisation de systèmes parallèles
intégrés comprenant au moins quatre processeurs DSP.
Même si la série TMS320 de Texas Instruments, sur
http://dspvillage.ti.com [http://dspvillage.ti.com], est populaire
depuis un bon moment, les systèmes de ce type étant disponibles
sont encore peu nombreux. Il existe à la fois une version
uniquement entière et une version virgule flottante du TMS320. Les
anciens modèles utilisaient un format de virgule flottante en
simple précision assez inhabituel, mais les nouveaux gèrent à
présent les formats IEEE. Les anciens TMS320C4x (ou simplement
« C4x »), accomplissaient jusqu'à 80 MFLOP en utilisant le format
de nombre en virgule flottante simple précision spécifique à TI.
En comparaison, un seul « C67x » apportera jusqu'à 1 GFLOP en
simple précision et 420 MFLOP en double précision au format IEEE,
en utilisant une architecture à base de VLIW nommée VelociTI. Non
seulement il est aisé de configurer un groupe de circuits de ce
type pour en faire un multiprocesseur, mais un de ces circuits, le
multiprocesseur « 'C8x », formera à lui seul un processeur
principal à technologie RISC accusant 100 MFLOP au format IEEE, et
doté soit de deux, soit de quatre DSP esclaves intégrés.
L'autre famille de processeurs DSP qui ne soit pas simplement
utilisée ces temps-ci par quelques rares systèmes en parallèle est
SHARC (ou « ADSP-2106x »), d'Analog Devices
[http://www.analog.com/]. Ces circuits peuvent être configurés en
un multiprocesseur à mémoire partagée formé par 6 processeurs sans
nécessiter de logique externe pour les associer, et peuvent aussi
former de plus grands systèmes grâce à des circuits de liaison de
4 bits. Les systèmes au-delà de celui-ci sont essentiellement
destinés aux applications militaires, et reviennent assez cher.
Toutefois, Integrated Computing Engines, Inc.
[http://www.iced.com/] produit un petit jeu de deux cartes PCI
assez intéressant, nommé GreenICE. Cette unité contient un réseau
de 16 processeurs SHARC, et affiche une vitesse de pointe d'1.9
GFLOP au format IEEE simple précision. GreenICE coûte moins de
5000 dollars.
À mon avis, les circuits DSP parallèles intégrés mériteraient une
plus grande attention de la part du petit monde du calcul en
parallèle sous Linux...
5.3. Calcul à l'aide des FPGA et circuits logiques reconfigurables
Si l'objectif final du traitement en parallèle reste l'atteinte
des plus hautes vitesses possibles, et bien pourquoi ne pas
fabriquer du matériel sur mesure ? Nous connaissons tous la
réponse : Trop cher, trop long à développer, le matériel ainsi
conçu devient inutile lorsque l'algorithme change même de façon
minime, et cætera. Cependant, les récentes avancées faites dans le
domaine des FPGA (« Field Programmable Gate Array », ou « Réseaux
Logiques Programmables à effet de Champ ») ont réduit à néant la
plupart de ces objections. Aujourd'hui, la densité des portes
logiques est suffisamment élevée pour qu'un processeur entier
puisse être intégré dans un seul FPGA, et le temps de
reconfiguration (ou de reprogrammation) d'un de ces FPGA a
également chuté à un niveau où l'on peut raisonnablement
reconfigurer le circuit même entre deux phases d'un même
algorithme.
Il ne faut pas avoir froid aux yeux pour utiliser ces techniques :
Il faudra travailler avec des langages de description matérielle
tels que le VHDL pour configurer les FPGA, tout comme écrire du
code de bas niveau pour programmer les interfaces avec le système
d'accueil Linux. En revanche, le coût des FPGA est assez bas,
spécialement pour les algorithmes opérant sur des données entières
et de précision normale (ce qui ne représente en fait qu'un
surensemble restreint de tout ce à quoi le SWAR s'applique bien),
ces FPGA peuvent effectuer des opérations complexes à peu près
aussi vite qu'on peut les leur transmettre. Par exemple, de
simples systèmes à base de FPGA ont accusé des performances
supérieures à celles des supercalculateurs lors de recherches sur
des bases de données génétiques.
Il existe plusieurs compagnies produisant du matériel approprié à
base de FPGA, mais les deux suivantes en sont un bon exemple :
Virtual Computer Company propose toute une gamme de produits
utilisant des FPGA Xilinx à base de SRAM et reconfigurables
dynamiquement. Leur « Virtual ISA Proto Board » 8/16 bits coûte
moins de 2000 dollars.
L'ARC-PCI d'Altera (« Altera Reconfigurable Computer », sur bus
PCI), sur http://www.altera.com/html/new/pressrel/pr_arc-pci.html
[http://www.altera.com/html/new/pressrel/pr_arc-pci.html], est un
type de carte similaire, mais utilisant les FPGA d'Altera et un
bus PCI comme interface plutôt qu'un bus ISA.
Bon nombre de ces outils de conception, langages de description
matérielle, compilateurs, routeurs, et cætera, sont livrés sous
forme d'un code objet qui ne fonctionne que sous DOS ou Windows.
Nous pourrions simplement conserver une partition DOS/Windows sur
notre PC d'accueil et redémarrer lorsque nous en avons besoin.
Toutefois, la plupart de ces outils peuvent probablement
fonctionner sous Linux en utilisant dosemu ou des émulateurs
Windows tels que wine.
6. D'intérêt général
Les sujets couverts dans cette section s'appliquent aux quatre
modèles de traitement en parallèle sous Linux.
6.1. Compilateurs et langages de programmation
Je suis principalement un « chercheur en compilateurs ». Je
devrais donc être capable de dire s'il y a beaucoup de
compilateurs vraiment performants, générant du code parallèle
efficace pour les systèmes Linux. Malheureusement, et pour dire la
vérité, il est difficile de battre les performances obtenues en
exprimant votre programme en parallèle avec des communications et
autres opérations parallèles, le tout dans un code en langage C,
compilé par GCC.
Les projets de compilateurs ou de langages suivants représentent
une partie des meilleurs efforts produits pour la génération d'un
code raisonnablement efficace depuis les langages de haut niveau.
Généralement, chacun d'eux est raisonnablement efficace pour les
tâches qu'il vise, mais aucun ne correspond aux langages et aux
compilateurs puissants et tout-terrain qui vous feront abandonner
définitivement l'écriture de programmes C compilés par GCC... ce
qui est très bien comme çà. Utilisez ces langages et compilateurs
à ce pour quoi ils ont été conçus, et vous serez récompensés par
des durées de développement plus courtes, des opérations de
maintenance et de débogages réduites, et cætera.
Il existe un grand nombre de langages et de compilateurs en dehors
de ceux listés ici (dans l'ordre alphabétique). Une liste de
compilateurs librement disponibles (la plupart n'ayant rien à voir
avec le traitement en parallèle sous Linux) est accessible ici :
http://www.idiom.com/free-compilers
[http://www.idiom.com/free-compilers].
6.1.1. Fortran 66/77/PCF/90/HPF/95
Au moins dans la communauté de l'informatique scientifique, le
Fortran sera toujours présent. Bien sûr, le Fortran d'aujourd'hui
n'a plus la même signification que celle définie par le standard
ANSI de 1966. En quelques mots, le Fortran 66 était très limité.
Le Fortran 77 a ajouté des nuances dans ses fonctions, la plus
intéressante étant la prise en charge améliorée des données de
type caractère et la modification de la sémantique des boucles DO.
Le Fortran PCF (« Parallel Computing Forum ») a tenté d'ajouter
diverses fonctions de gestion de traitement en parallèle au
Fortran 77. Le Fortran 90 est un langage moderne et pleinement
fonctionnel, qui apporte essentiellement des facilités de
programmation orientée objet ressemblant au C++ et une syntaxe de
tableaux en parallèle au langage du Fortran 77. HPF
(« High-Performance Fortran », lui-même proposé en deux versions
(HPF-1 et HPF-2), est essentiellement la version standardisée et
améliorée de ce que beaucoup d'entre nous ont connu sous les noms
de CM Fortran, MasPar Fortran, ou Fortran D. Il étend le Fortran
90 avec diverses améliorations dédiées au traitement en parallèle,
très centrées sur la spécification d'agencements de données.
Citons enfin le Fortran 95, version quelque peu améliorée et
raffinée du Fortran 90.
Ce qui fonctionne avec le C peut en général fonctionner aussi avec
f2c, g77, ou les produits Fortran 90/95 commerciaux de NAG. Ceci
est dû au fait que tous ces compilateurs peuvent au final produire
le même code que celui utilisé en arrière-boutique par GCC.
Les paralléliseurs Fortran commerciaux pouvant générer du code
pour SMP sont disponibles sur http://www.kai.com
[http://www.kai.com] et http://www.crescentbaysoftware.com
[http://www.crescentbaysoftware.com]. Il n'est pas clairement
indiqué si ces compilateurs sont utilisables pour des machines SMP
Linux, mais ils devraient l'être étant donné que les threads POSIX
standards (soit les LinuxThreads) fonctionnent sur des systèmes
SMP sous Linux.
Le Portlan Group [http://www.pgroup.com/] propose des compilateurs
Fortran HPF (et C/C++) parallèles commerciaux générant du code
Linux SMP. Il existe aussi une version ciblant les clusters
s'appuyant sur MPI ou PVM. Les produits de http://www.apri.com
[http://www.apri.com] pourraient aussi être utiles sur des
clusters ou des machines SMP.
Parmi les Fortran parallélisés disponibles librement et qui
pourraient fonctionner sur des systèmes Linux en parallèle,
citons :
o ADAPTOR (« Automatic DAta Parallelism TranslaTOR »,
http://www.gmd.de/SCAI/lab/adaptor/adaptor_home.html
[http://www.gmd.de/SCAI/lab/adaptor/adaptor_home.html], qui
peut traduire du Fortran HPF en Fortran 77/90 avec appels MPI
ou PVM, mais qui ne mentionne pas Linux.
o Fx, de l'Université Carnegie Mellon (N.D.T. : Pittsburgh),
vise certains clusters de stations de travail, mais Linux ?
o HPFC (un prototype de Compilateur HPF) génère du code Fortran
77 avec appels PVM. Est-il utilisable sur un cluster Linux ?
o PARADIGM (« PARAllelizing compiler for DIstributed-memory
General-purpose Multicomputers »,
http://www.crhc.uiuc.edu/Paradigm
[http://www.crhc.uiuc.edu/Paradigm]) peut-il lui aussi être
utilisé avec Linux ?
o Le compilateur Polaris génère du code Fortran pour
multiprocesseurs à mémoire partagée, et pourrait bientôt être
reciblé vers les clusters Linux PAPERS.
o PREPARE,
http://www.irisa.fr/EXTERNE/projet/pampa/PREPARE/prepare.html
[http://www.irisa.fr/EXTERNE/projet/pampa/PREPARE/prepare.html],
vise les clusters MPI... On ne sait pas vraiment s'il sait
générer du code pour processeurs IA32.
o Combinant ADAPT et ADLIB, « shpf » (« Subset High Performance
Fortran compilation system ») est dans le domaine public et
génère du code Fortran 90 avec appels MPI. Donc, si vous avez
un compilateur Fortran 90 sous Linux...
o SUIF (« Stanford University Intermediate Form », voir
http://suif.stanford.edu [http://suif.stanford.edu]) propose
des compilateurs parallélisés pour le C et le Fortran. C'est
aussi l'objectif du National Compiler Infrastructure
Project... « Quelqu'un s'occupe-t-il des systèmes parallèles
sous Linux ? »
Je suis sûr d'avoir omis plusieurs compilateurs potentiellement
utiles dans les différents dialectes du Fortran, mais ils sont si
nombreux qu'il est difficile d'en garder la trace. A l'avenir, je
préférerais ne lister que ceux qui sont réputés fonctionner sous
Linux. Merci de m'envoyer commentaires et corrections en anglais
par courrier électronique à <hankd CHEZ engr POINT uky POINT edu>.
6.1.2. GLU (« Granular Lucid »)
GLU (« Granular Lucid ») est un système de programmation de très
haut niveau basé sur un modèle hybride combinant les modèles
intentionnel (« Lucid ») et impératif. Il reconnaît à la fois les
sockets PVM et TCP. Fonctionne-t-il sous Linux ? (Le site du
« Computer Science Laboratory » se trouve sur
http://www.csl.sri.com [http://www.csl.sri.com].
6.1.3. Jade et SAM
Jade est un langage de programmation en parallèle sous forme
d'extension au langage C et exploitant les concurrences de la
granularité des programmes séquentiels et impératifs. Il s'appuie
sur un modèle de mémoire partagée distribuée, modèle implémenté
par SAM dans les clusters de stations de travail utilisant PVM.
Plus d'informations sur http://suif.stanford.edu/~scales/sam.html
[http://suif.stanford.edu/~scales/sam.html].
6.1.4. Mentat et Legion
Mentat est un système de traitement en parallèle orienté objet qui
fonctionne avec des clusters de stations de travail et qui a été
porté vers Linux. Le « Mentat Programming Language » (MPL) est un
langage de programmation orienté objet basé sur le C++. Le système
temps-réel de Mentat utilise quelque chose qui ressemble vaguement
à des appels de procédures à distance (« remote procédure
calls » : RPC) non bloquantes. Plus d'informations sur
http://www.cs.virginia.edu/~mentat
[http://www.cs.virginia.edu/~mentat].
Legion http://www.cs.virginia.edu/~legion
[http://www.cs.virginia.edu/~legion/] est construit au dessus de
Mentat, et simule une machine virtuelle unique au travers des
machines d'un réseau large zone.
6.1.5. MPL (« MasPar Programming Language »)
À ne pas confondre avec le MPL de Mentat, ce langage était
initialement développé pour être le dialecte C parallèle natif des
supercalculateurs SIMD MasPar. MasPar ne se situe plus vraiment
sur ce segment (ils s'appellent maintenant NeoVista Solutions
[http://www.neovista.com] et se spécialisent dans le data
mining^[27], mais leur compilateur MPL a été construit en
utilisant GCC. Il est donc librement disponible. Dans un effort
concerté entre les université de l'Alabama, à Huntsville, et celle
de Purdue, le MPL MasPar a été reciblé pour générer du code C avec
appels AFAPI (voir la section 3.6), et fonctionne ainsi à la fois
sur des machines Linux de type SMP et sur des clusters. Le
compilateur est, néanmoins, quelque peu bogué... voir
http://www.math.luc.edu/~laufer/mspls/papers/cohen.ps
[http://www.math.luc.edu/~laufer/mspls/papers/cohen.ps].
6.1.6. PAMS (« Parallel Application Management System »)
Myrias est une compagnie qui vend un logiciel nommé PAMS
(« Parallel Application Management System »). PAMS fournit des
directives très simples destinées au traitement en parallèle
utilisant de la mémoire partagée virtuelle. Les réseaux de
machines Linux ne sont pas encore pris en charge.
6.1.7. Parallaxis-III
Parallaxis-III est un langage de programmation structurée qui
reprend Modula-2, en ajoutant des « processeurs et connexions
virtuels » pour le parallélisme des données (un modèle SIMD). La
suite Parallaxis comprend des compilateurs pour ordinateurs
séquentiels et parallèles, un débogueur (extension des débogueurs
gdb et xgdb), et une vaste gamme d'algorithmes d'exemple de
différents domaines, en particulier dans le traitement des images.
Il fonctionne sur les systèmes Linux séquentiels. Une ancienne
version prenait déjà en charge diverses plate-formes parallèles,
et une prochaine version le fera à nouveau (comprendre : ciblera
les clusters PVM). Plus d'informations sur
http://www.informatik.uni-stuttgart.de/ipvr/bv/p3/p3.html
[http://www.informatik.uni-stuttgart.de/ipvr/bv/p3/p3.html].
6.1.8. pC++/Sage++
pC++/Sage++ est une extension au langage C autorisant les
opérations de type « données en parallèle », en utilisant des
« collections d'objets » formées à partir de classes « éléments »
de base. Il s'agit d'un préprocesseur générant du code C++ pouvant
fonctionner en environnement PVM. Est-ce que cela fonctionne sous
Linux ? Plus d'informations ici :
http://www.extreme.indiana.edu/sage
[http://www.extreme.indiana.edu/sage/].
6.1.9. SR (« Synchronizing Resources »)
SR (« Synchronizing Resources », ou « ressources synchronisées »)
est un langage de programmation de situations concurrentes et dans
lequel les ressources encapsulent les processus et les variables
qu'ils partagent. Les « opérations » forment le principal
mécanisme d'interactions entre processus. SR propose une
intégration novatrice des mécanismes utilisées pour invoquer et
traiter les opérations. En conséquence, les appels de procédures
locaux ou à distance, les rendez-vous, le message passing, la
création dynamique de processus, la multi-diffusion et les
sémaphores sont tous pris en charge. SR gère également les
variables et opérations globales partagées.
Il existe une adaptation Linux, mais le type de parallélisme que
SR peut y faire fonctionner n'est pas clairement défini. Plus
d'informations sur http://www.cs.arizona.edu/sr/www/index.html
[http://www.cs.arizona.edu/sr/www/index.html].
6.1.10. ZPL et IronMan
ZPL est un langage de programmation par matrices conçu pour gérer
les applications scientifiques et d'ingénierie. Il génère des
appels à une interface de message-passing assez simple nommée
IronMan, et les quelques fonctions qui constituent cette interface
peuvent facilement être implémentées à l'aide de pratiquement
n'importe quel système de message-passing. Il est toutefois
principalement tourné vers PVM et MPI sur des clusters de stations
de travail, et peut fonctionner sous Linux. Plus d'informations
sur http://www.cs.washington.edu/research/zpl/home/index.html
[http://www.cs.washington.edu/research/zpl/home/index.html].
6.2. Question de performance
Beaucoup de gens passent beaucoup de temps à faire des mesures de
performances « au banc d'essai » de cartes-mères particulières, de
carte réseau, et cætera, pour déterminer laquelle d'entre elles
est la meilleure. Le problème de cette approche est que, le temps
d'arriver à des résultats probants, le matériel testé peut ne plus
être le meilleur. Il peut même être retiré du marché et remplacé
par un modèle révisé et aux propriétés radicalement différentes.
Acheter du matériel pour PC, c'est un peu comme acheter du jus
d'orange. Il est généralement fabriqué à partir de produits de
bonne qualité, et ce quelque soit le nom de la compagnie qui le
distribue. Peu de gens connaissent ou se soucient de la provenance
de ces composant (ou du concentré de jus d'orange). Ceci dit, il
existe quelques différences auxquelles on devrait être attentif.
Mon conseil est simple : Soyez simplement conscients de ce que
vous pouvez attendre de votre matériel lorsqu'il fonctionne sous
Linux, puis portez votre attention sur la rapidité de livraison,
un prix raisonnable et une garantie convenable.
Il existe un excellent aperçu des différents processeurs pour PC
sur http://www.pcguide.com/ref/cpu/fam/
[http://www.pcguide.com/ref/cpu/fam/]; En fait, le site PC Guide
[http://www.pcguide.com/] entier est rempli de bonnes
présentations techniques de l'électronique d'un PC. Il est
également utile d'en savoir un peu sur les performances et la
configuration d'un matériel spécifique, et le
Linux Benchmarking HOWTO
[http://www.traduc.org/docs/howto/lecture/Benchmarking-HOWTO.html]
est un bon document pour commencer.
Les processeurs Intel IA32 sont dotés de plusieurs registres
spéciaux qui peuvent être utilisés pour mesurer les performances
d'un système en fonction dans ses moindres détails. Le VTune
d'Intel, sur http://developer.intel.com/design/perftool/vtune
[http://developer.intel.com/design/perftool/vtune], fait un usage
poussé de ces registres de performances, dans un système
d'optimisation du code vraiment très complet... qui
malheureusement ne fonctionne pas sous Linux. Un pilote sous forme
de module chargeable et une bibliothèque de fonctions servant à
accéder aux registres de performances du Pentium sont disponibles
et ont été écrits par Cuneyt Akinlar. Souvenez-vous que ces
registres de performance sont différents selon les processeurs
IA32. Ce code ne fonctionnera donc que sur un Pentium, pas sur un
486, ni sur un Pentium Pro, un Pentium II, un K6, et cætera.
Il y a encore un commentaire à faire à propos des performances,
destiné spécialement à ceux qui veulent monter de grands clusters
dans de petits espaces. Les processeurs modernes incorporent pour
certains des capteurs de température, et utilisent des circuits
ralentissant la cadence du processeur lorsque cette température
dépasse un certain seuil (tentative de réduction des émissions de
chaleur et d'amélioration de la fiabilité). Je ne suis pas en
train de dire que tout le monde devrait sortir s'acheter un module
à effet Peltier (ou « pompe à chaleur ») pour refroidir chaque
CPU, mais que nous devrions être conscients du fait qu'une
température trop élevé ne se contente pas de raccourcir la durée
de vie des composants, mais agit aussi directement sur les
performances d'un système. Ne placez vos ordinateurs dans des
configurations pouvant bloquer le flux d'air, piégeant la chaleur
dans des zones confinées, et cætera.
Enfin, les performances ne sont pas seulement une question de
vitesse, mais également de fiabilité et de disponibilité. Une
haute fiabilité signifie que votre système ne plantera
pratiquement jamais, même si un composant vient à tomber en
panne... ce qui nécessite généralement un matériel spécial comme
une alimentation redondante et une carte-mère autorisant le
remplacement « à chaud » des équipements qui y sont connectés.
Tout cela est en général assez cher. Une haute disponibilité
signifie que votre système sera prêt à être utilisé pratiquement
tout le temps. Le système peut planter si l'un des composants
tombe en panne, mais il pourra être réparé et redémarré très
rapidement. Le High-Availability HOWTO traite plusieurs des cas de
base de la haute disponibilité. En revanche, dans le cas des
clusters, une haute disponibilité peut être assurée en prévoyant
simplement quelques pièces de rechange. Éliminer le matériel
défectueux et le remplacer par une de ces pièces de rechange peut
apporter une plus grande disponibilité pour un coût d'entretien
moins élevé que celui d'un contrat de maintenance.
6.3. Conclusion -- C'est fini !
Alors, y a-t-il quelqu'un dans l'assemblée qui fasse du traitement
en parallèle sous Linux ? Oui !
Il y a encore peu de temps, beaucoup de gens se demandaient si la
mort de plusieurs compagnies fabricant des supercalculateurs
parallèles n'annonçait pas la fin du traitement en parallèle. Ce
n'était alors pas mon opinion (voir
http://dynamo.ecn.purdue.edu/~hankd/Opinions/pardead.html
[http://dynamo.ecn.purdue.edu/~hankd/Opinions/pardead.html] pour
un aperçu assez amusant de ce qui, à mon avis, s'est vraiment
passé), et il semble assez clair qu'aujourd'hui le traitement en
parallèle est à nouveau sur une pente ascendante. Même Intel, qui
n'a cessé que récemment de produire des supercalculateurs
parallèles, est fier du soutien apporté au traitement en parallèle
par des choses comme le MMX, et l'EPIC (« Explicitly Parallel
Instruction Computer », ou « Ordinateur à jeu d'Instructions
Parallèles Explicites ») de l'IA64.
Si vous faites une recherche sur les mots « Linux » et
« Parallèle » dans votre moteur de recherche favori, vous
trouverez un certain nombre d'endroits impliqués dans le
traitement en parallèle sous Linux. Les clusters de PC sous Linux,
en particulier, font leur apparition un peu partout. Le fait que
Linux se prête particulièrement bien à ce genre de tâche combiné
aux coûts réduits et aux hautes performances du matériel pour PC
ont fait du traitement en parallèle sous Linux une approche
populaire, tant pour les groupes au budget restreint que pour les
vastes laboratoires de recherche nationaux confortablement
subventionnés.
Certains projets énumérés dans ce document tiennent une liste de
sites de recherche « apparentés » utilisant des configurations
Linux parallèles similaires. Vous trouvez cependant sur
http://yara.ecn.purdue.edu/~pplinux/Sites
[http://yara.ecn.purdue.edu/~pplinux/Sites] un document hypertexte
dont le but est d'apporter photographies, descriptions et contacts
vers les sites de tous les projets utilisant Linux pour effectuer
des traitement en parallèle. Si vous voulez voir votre propre site
y figurer :
o Vous devez avoir un site « permanent » présentant le
fonctionnement d'un système Linux en parallèle : Une machine
SMP, un système SWAR, ou un PC équipé de processeurs dédiés,
configuré pour permettre aux utilisateurs d'exécuter des
programmes parallèles sous Linux. Un environnement logiciel
basé sur Linux et prenant directement en charge la gestion du
traitement en parallèle (tel que PVM, MPI ou AFAPI) doit être
installé sur le système. En revanche, le matériel ne doit pas
nécessairement être dédié au traitement en parallèle sous
Linux et peut être employé à des tâches complètement
différentes lorsque les programmes parallèles ne sont pas en
cours d'exécution.
o Vous devez formuler une demande pour que votre site apparaisse
sur cette liste. Envoyez vos informations en anglais à <hankd
CHEZ engr POINT uky POINT edu>. Merci de respecter le format
utilisé par les autres entrées pour les informations
concernant votre site. Aucun site ne sera répertorié sans
demande explicite de la part du responsable de ce site.
Quatorze clusters sont actuellement répertoriés dans cette liste,
mais nous avons été informés de l'existence de plusieurs douzaines
de clusters Linux à travers le monde. Bien sûr, cette inscription
n'implique aucun engagement. Notre objectif est simplement de
favoriser le développement des connaissances, de la recherche et
de la collaboration impliquant le traitement en parallèle sous
Linux.
--------------
^[1] N.D.T. : « flat memory model », dans lequel toute la mémoire
se trouve dans le même plan mémoire, par opposition aux segments,
mémoire paginée, et tout autre modèle composé.
^[2] N.D.T. : décomposition d'un programme en plusieurs processus
distincts, mais travaillant simultanément et de concert.
^[3] N.D.T. : qui a démarré la machine avant de passer en mode
SMP.
^[4] N.D.T. : le lien vers l'ancienne version 1.1, lui, n'existe
plus. La documentation la plus récente se trouve à ce jour sur
http://www.intel.com/design/Pentium4/documentation.htm
[http://www.intel.com/design/Pentium4/documentation.htm].
^[5] N.D.T. : inséré au sein du code source, ici en C.
^[6] N.D.T. : soit, sous Unix, être sous le compte root.
^[7] N.D.T. : temporisations introduites au sein d'un programme en
utilisant par exemple des boucles et en consommant ainsi tout le
temps machine alloué au processus plutôt qu'en rendant la main au
système.
^[8] N.D.T. : « spin locks » : mise en état d'attente jusqu'à ce
qu'une condition soit remplie.
^[9] N.D.T. : Il s'agit en fait d'un appel Unix standard.
^[10] N.D.T. : il semble que ce panel ne soit plus mis à jour
depuis un certain temps. Le site suggéré proposait à la date de
rédaction de la version française le bulletin le plus récent, mais
n'est pas officiel.
^[11] N.D.T. : désormais intégré aux sources du noyau.
^[12] N.D.T. : les pilotes FC pour le noyau Linux ont en fait été
écrits en 1999.
^[13] N.D.T. : La Fibre Channel Association (FCA) et la Fibre
Channel Loop Community (FCLC) ont fusionné en 2000 pour former la
Fibre Channel Industry Association.
^[14] N.D.T. : les premiers pilotes FireWire pour Linux ont été
écrits en 1999 mais, bien que disponibles en standard, sont
toujours considérés comme expérimentaux.
^[15] N.D.T. : HiPPI est aujourd'hui pris en charge par Linux,
mais de façon restreinte et expérimentale.
^[16] N.D.T. : l'IrDA est pris en charge par le noyau depuis 2000.
^[17] SAN : « System Area Network ».
N.D.T. : à ne pas confondre avec « Storage Area Network », qui
partage le même acronyme.
^[18] N.D.T. : Sequent a été absorbé par IBM en septembre 1999.
^[19] N.D.T. : et donc désormais à Hewlett-Packard.
^[20] N.D.T. : les ports et le standard USB sont aujourd'hui
parfaitement reconnus par Linux.
^[21] N.D.T. : par opposition à un « appel système », donc sans
franchir la barrière du passage en mode noyau.
^[22] N.D.T. : MOSIX fonctionne aujourd'hui sous Linux.
^[23] N.D.T. : initialement, huit liens étaient proposés à cet
endroit, devenus pour la plupart obsolètes.
^[24] N.D.T. : FLOP = « FLoating point OPeration », ou « OPération
en Virgule Flottante ».
^[25] N.D.T. : il s'agit en fait de simuler la ré-entrée par le
coté opposé des données éjectées par le décalage. L'exemple qui
suit permet d'implémenter ce cas en langage C, mais la plupart des
microprocesseurs sont équipés d'instructions de rotation
effectuant cela en une seule opération.
^[26] N.D.T. : WINE a évolué avec le temps et reconnaît
naturellement les versions plus récentes de ce système
d'exploitation.
^[27] N.D.T. : le data mining consiste à étudier et mettre au
point des techniques efficaces de recherche d'une information au
travers d'une immense quantité de données.