Overview

 on  Parallel  
Programming  Paradigms  
Ivan  Giro3o  –  [email protected]  
Informa(on  &    Communica(on  Technology  Sec(on  (ICTS)  
Interna(onal  Centre  for  Theore(cal  Physics  (ICTP)      
 What  Determines  Performance?    
• How  fast  is  my  CPU?  
• How  fast  can  I  move  data  around?    
• How  well  can  I  split  work  into  pieces?  
– Very  applica(on  specific:  never  assume  that  a  good  
solu(on  for  one  problem  is  as  good  a  solu(on  for  
another    
– always  run  benchmarks  to  understand  requirements  
of  your  applica(ons  and  proper(es  of  your  hardware  
– respect  Amdahl's  law    

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

2  
[email protected]   ICTP,  smr2761    
 Parallel  Architectures    
• Distributed  Memory   • Shared  Memory  
memory memory node memory
node

node

MEMORY
CPU CPU CPU

CPU CPU CPU CPU CPU

NETWORK
node  

memory memory memory

node
node

node

CPU CPU CPU

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
3  
[email protected]   ICTP,  smr2761    
 Mul(ple  Socket  CPUs  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

4  
[email protected]   ICTP,  smr2761    
 Paradigm  at  Shared  Memory  /1  
Thread 1! Thread 2! Thread 3!

PC! Private data! PC! Private data! PC! Private data!

Shared data!

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

5  
[email protected]   ICTP,  smr2761    
 Paradigm  at  Shared  Memory  /2  
• Usually  indicated  as  Mul(threading  Programming  
• Commonly  implemented  in  scien(fic  compu(ng  
using  the  OpenMP  standard  (direc(ve  based)  
• Thread  management  overhead    
• Limited  scalability  
• Write  access  to  shared  data  can  easily  lead  to  
race  condi(ons  and  incorrect  data    

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

6  
[email protected]   ICTP,  smr2761    
 Parallel  Programming  Paradigms  
• MPI  (Message  Passing  Interface)    
– A  standard  defined  for  portable  message  passing    
– It  available  in  the  form  of  library  which  includes  interfaces  
for  expressing  the  data  exchange  among  processes  
– A  framework  is  provided  for  spawning  the  independent  
processes  (i.e.,  mpirun)  
– Processes  communica(on  is  via  network  
– It  works  on  either  shared  and  distributed  mem.  
architecture  
– ideal  for  distribu(ng  memory  among  compute  nodes  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

7  
[email protected]   ICTP,  smr2761    
 MPI  Program  Design    
• Mul(ple   and   separate   processes   (can   be   local   and  
remote)   concurrently   that   are   coordinated   and  
exchange   data   through   “messages”   =>   a   “share  
nothing”  paralleliza(on    
• Best   for   coarse   grained   paralleliza(on   Distribute  
large  data  sets;  replicate  small  data    
• Minimize  communica(on  or  overlap  communica(on  
and  compu(ng  for  efficiency  =>  Amdahl's  law  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
8  
[email protected]   ICTP,  smr2761    
 What  is  MPI?    
• A  standard,  i.e.  there  is  a  document  describing  how  the  API  
(constants  &  subrou(nes)  are  named  and  should  behave;  mul(ple  
“levels”,  MPI-­‐1  (basic),  MPI-­‐2  (advanced),  MPI-­‐3  (new)    
• A  library  or  API  to  hide  the  details  of  low-­‐level  communica(on  
hardware  and  how  to  use  it    
• Implemented  by  mul(ple  vendors    
• Open  source  and  commercial  versions  
• Vendor  specific  versions  for  certain  hardware  
• Not  binary  compa(ble  between  implementa(ons    

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

9  
[email protected]   ICTP,  smr2761    
 Programming  Parallel  Paradigms  
• Are  the  tools  we  use  to  express  the  parallelism  
for  on  a  given  architecture  
• They  differ  in  how  programmers  can  manage  and  
define  key  features  like:  
– parallel  regions  
– concurrency  
– process  communica(on    
– synchronism  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
10  
[email protected]   ICTP,  smr2761    
 MPI  inter  process  communica(ons  
MPI  on  Mul(  core  CPU   1  MPI  proces  /  core  
Stress  network  
node   node  
Stress  OS  

Many  MPI  codes  (QE)  based  on  

ALLTOALL    
MPI_BCAST   Messages  =  processes  *  processes  

We  need  to  exploit  the  hierarchy  

node   node  

Re-­‐design     Mix  message  passing  

network   applica@ons   And  mul@-­‐threading  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
11  
[email protected]   ICTP,  smr2761    
 The  Hybrid  Mode  
node   node  

node   node  

network  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
12  
[email protected]   ICTP,  smr2761    
 The  Hybrid  Mode  
node   node  

node   node  

network  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
13  
[email protected]   ICTP,  smr2761    
 ~  8  GBytes  

The  Intel  Xeon  E5-­‐2665    

Sandy  Bridge-­‐EP  2.4GHz  

mpirun -np 8 pw-gpu.x -inp input file

01/10/2015  –    Ivan  GiroSo      
Computer  Architecture  for  HPC  -­‐  ICTP,  smr2761     14  
[email protected]  
 ~  8  GBytes  

The  Intel  Xeon  E5-­‐2665    

Sandy  Bridge-­‐EP  2.4GHz  

mpirun -np 1 pw-gpu.x -inp input file

01/10/2015  –    Ivan  GiroSo      
Computer  Architecture  for  HPC  -­‐  ICTP,  smr2761     15  
[email protected]  
 ~  8  GBytes  

The  Intel  Xeon  E5-­‐2665    

Sandy  Bridge-­‐EP  2.4GHz  

export OMP_NUM_THREADS=4
export OPENBLAS_NUM_THREADS=$OMP_NUM_THREADS
mpirun -np 2 pw-gpu.x -inp input file

01/10/2015  –    Ivan  GiroSo      

Computer  Architecture  for  HPC  -­‐  ICTP,  smr2761     16  
[email protected]  
 Workload Management: system level, High-throughput

Python: Ensemble simulations, workfows

MPI: Domain partition

OpenMP: Node Level shared mem

CUDA/OpenCL/OpenAcc:
floating point accelerators

01/10/2015  –    Ivan  GiroSo      

Computer  Architecture  for  HPC  -­‐  ICTP,  smr2761     17  
[email protected]  
Type  of  Parallelism  
• Func@onal  (or  task)  parallelism:  
different  people  are  performing  
different  task  at  the  same  (me  

• Data  Parallelism:                                      
different  people  are  performing  the  
same  task,  but  on  different  
equivalent  and  independent  objects    

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

18  
[email protected]   ICTP,  smr2761    
 Process  Interac(ons    
• The  effec(ve  speed-­‐up  obtained  by  the  paralleliza(on  depend  by  the  
amount  of  overhead  we  introduce  making  the  algorithm  parallel  
• There  are  mainly  two  key  sources  of  overhead:  
1. Time  spent  in  inter-­‐process  interac(ons  (communica@on)  
2. Time  some  process  may  spent  being  idle  (synchroniza@on)    

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

19  
[email protected]   ICTP,  smr2761    
 Effect  of  load-­‐unbalancing  

all here?

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

20  
[email protected]   ICTP,  smr2761    
 Mapping  and  Synchroniza(on  
   

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

21  
[email protected]   ICTP,  smr2761    
 Amdahl's  law  
In  a  massively  parallel  context,  an  upper  limit  for  the  scalability  of  parallel  
applica(ons  is  determined  by  the  frac(on  of  the  overall  execu(on  (me  
spent  in  non-­‐scalable  opera(ons  (Amdahl's  law).  

maximum  speedup  tends  to    

1  /  (  1  −  P  )    
P=  parallel  frac(on  

1000000  core  

P  =  0.999999  

serial  frac+on=  0.000001  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

22  
[email protected]   ICTP,  smr2761    
 How  do  we  evaluate  the  improvement?  
• We  want  es(mate  the  amount  of  the  
introduced  overhead  =>  To  =  npesTP  -­‐  TS    
• But  to  quan(fy  the  improvement  we  use  the  
term  Speedup:  
TS    
  SP  =    
TP    
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
23  
[email protected]   ICTP,  smr2761    
 Speedup  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

24  
[email protected]   ICTP,  smr2761    
 Efficiency  
• Only  embarrassing  parallel  algorithm  can  obtain  an  
ideal  Speedup    
• The  Efficiency  is  a  measure  of  the  frac(on  of  (me  for  
which  a  processing  element  is  usefully  employed:    

SP    
EP  =     p
   
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
25  
[email protected]   ICTP,  smr2761    
 Efficiency  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

26  
[email protected]   ICTP,  smr2761    
 Amdal’s  Law  And  Real  Life  
• The  speedup  of  a  parallel  program  is  limited  by  the  
sequen(al  frac(on  of  the  program    
• This  assumes  perfect  scaling  and  no  overhead    

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

27  
[email protected]   ICTP,  smr2761    
 Scaling  -­‐  QE-­‐CP  on  Fermi  BGQ  @  CINECA  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

28  
[email protected]   ICTP,  smr2761    
 Easy  Parallel  Compu(ng  
• Farming,  embarrassingly  parallel  
– Execu(ng  mul(ple  instances  on  the  same  program  with  different  
inputs/ini(al  cond.    
– Reading  large  binary  files  by  splivng  the  workload  among  processes    
– Searching  elements  on  large  data-­‐sets    
– Other  parallel  execu(on  of  embarrassingly  parallel  problem  (no  
communica(on  among  tasks)      

• Ensemble  simula(ons  (weather  forecast)    

• Parameter  space  (find  the  best  wing  shape)    

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

29  
[email protected]   ICTP,  smr2761    
 Single  Program  on  Mul(ple  Data  
• performing  the  same  program  (set  of  instruc(ons)  
among  different  data  
• Same  model  adopted  by  the  MPI  library    
• A  parallel  tool  is  needed  to  handle  the  different  
processes  working  in  parallel  
• The  MPI  library  provides  the  mpirun  applica(on  to  
execute  parallel  instances  of  the  same  program          
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
30  
[email protected]   ICTP,  smr2761    
 $ mpirun -np 12 my_program.x

mynode01   mynode02  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

Ivan  GiroSo       31  
[email protected]   ICTP,  smr2761    
 [igirotto@mynode01 ~]$ mpirun -np 12 /bin/hostname
mynode01
mynode02
mynode01
mynode02
mynode01
mynode02
mynode01
mynode02
mynode01
mynode02
mynode01
mynode02

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

32  
[email protected]   ICTP,  smr2761    
 Parallel  Opera(ons  in  Prac(ce  
• Parallel  reading  and  compu(ng  in  parallel  is  
always  allowed  
• Parallel  wri(ng  is  extremely  dangerous!  
• To  control  the  parallel  flow  each  process  should  
be  unique  and  iden(fiable  (ID)  
• The  OpenMPI  implementa(on  of  the  MPI  library  
provides  a  series  of  environment  variables  
defined  for  each  MPI  process  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
33  
[email protected]   ICTP,  smr2761    
OMPI_COMM_WORLD_SIZE  -­‐  the  number  of  processes  in  this  process'  MPI  
Comm_World  

OMPI_COMM_WORLD_RANK  -­‐  the  MPI  rank  of  this  process  

OMPI_COMM_WORLD_LOCAL_RANK  -­‐  the  rela(ve  rank  of  this  process  on  this  node  
within  its  job.  For  example,  if  four  processes  in  a  job  share  a  node,  they  will  each  be  
given  a  local  rank  ranging  from  0  to  3.  

OMPI_UNIVERSE_SIZE  -­‐  the  number  of  process  slots  allocated  to  this  job.  Note  that  
this  may  be  different  than  the  number  of  processes  in  the  job.  

OMPI_COMM_WORLD_LOCAL_SIZE  -­‐  the  number  of  ranks  from  this  job  that  are  
running  on  this  node.  

OMPI_COMM_WORLD_NODE_RANK  -­‐  the  rela(ve  rank  of  this  process  on  this  node  
looking  across  ALL  jobs.    hSp://www.open-­‐mpi.org  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
  [email protected]   ICTP,  smr2761    
34  
 In  Python  
import os
myid = os.environ['OMPI_COMM_WORLD_RANK']
[...]

In  BASH  
#!/bin/bash
myid=${OMPI_COMM_WORLD_RANK}
[...]

[igirotto@mynode01 ~]$ mpirun ./myprogram.[py/sh...]

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

35  
[email protected]   ICTP,  smr2761    
 Possible  Applica(ons  
• Execu(ng  mul(ple  instances  on  the  same  program  
with  different  inputs/ini(al  cond.    
• Reading  large  binary  files  by  splivng  the  workload  
among  processes    
• Searching  elements  on  large  data-­‐sets    
• Other  parallel  execu(on  of  embarrassingly  parallel  
problem  (no  communica(on  among  tasks)      
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
36  
[email protected]   ICTP,  smr2761    
 Conclusions  
• Task  Farming  is  a  simple  model  to  parallelize  
simple  problems  that  can  be  divided  in  
independent  task  
• The  mpirun  applica(on  aids  to  easily  perform  
mul(ple  processes,  includes  environment  sevng  
• Load  balancing  remains  a  main  problem,  but  
moving  from  serial  to  parallel  processing  can  
substan(ally  speed-­‐up  (me  of  simula(on  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
37  
[email protected]   ICTP,  smr2761    
 Task  Farming  
• Many  independent  programs  (tasks)  running  at  once  
– each  task  can  be  serial  or  parallel  
– “independent”  means  they  don’t  communicate  directly  
– Processes  possibly  driven  by  the  mpirun  framework  

[igirotto@localhost]$ more my_shell_wrapper.sh

#!/bin/bash
#example for the OpenMPI implementation
./prog.x --input input_${OMPI_COMM_WORLD_RANK}.dat

[igirotto@localhost]$ mpirun -np 400 ./my_shell_wrapper.sh

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

38  
[email protected]   ICTP,  smr2761    
 Master/Slave  
W1  
Master   W1  

W2  

W4   W2  
W4  
W3  

W3  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          

39  
[email protected]   ICTP,  smr2761    
 Parallel  I/O  

File   I/O  Bandwidth   P0  

System  

P4   P3   P2   P1  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
40  
[email protected]   ICTP,  smr2761    
 Parallel  I/O  
P0   P1   P2   P3  

I/O  Bandwidth  
I/O  Bandwidth  

I/O  Bandwidth  

I/O  Bandwidth  
File   File   File   File  
System   System   System   System  
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
41  
[email protected]   ICTP,  smr2761    
 Parallel  I/O  
P0   P1   P2   P3  
I/O  

I/O  

I/O  
I/O  

MPI  I/O  &  Parallel  I/O  Libraries  (Hdf5,  Netcdf,  etc…)  

Parallel  File  System  

01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  Paradigms                                          
42  
[email protected]   ICTP,  smr2761    
What  If  You  Want  to  Learning  How  to  Program  All  This?!  

• Introductory  School  on  Parallel  Programming  

and  Parallel  Architecture  for  High  
Performance  Compu(ng  |  (smr  2877)  
• 3  October  2016  -­‐  14  October  2016    

What  If  You  Want  to  Master  All  This?!  

11/09/2015  –    Ivan  GiroSo       Introduc(on  to  High-­‐Performance  Compu(ng                                        
43  
[email protected]   ICTP,  smr2706    
11/09/2015  –    Ivan  GiroSo       Introduc(on  to  High-­‐Performance  Compu(ng                                        
44  
[email protected]   ICTP,  smr2706    
01/10/2015  –    Ivan  GiroSo       Overview  on  Parallel  Programming  
45  
[email protected]   Paradigms                                          ICTP,  smr2761