МЕТОДИКА ДИНАМИЧЕСКОГО АНАЛИЗА ВРЕМЕНИ ВЫПОЛНЕНИЯ ПРОГРАММ В ГЕТЕРОГЕННЫХ РАСПРЕДЕЛЕННЫХ ВЫЧИСЛИТЕЛЬНЫХ СРЕДАХ

ЦЕЛЬ работы заключается в разработке методики оценки времени выполнения программ в гетерогенной распределенной вычислительной среде. В настоящее время получение такой оценки является важной и нетривиальной проблемой во многих практических приложениях, связанных с планированием вычислений и распределением ресурсов. МЕТОДЫ. В данной работе применяется метод частотных характеристик, базирующийся на использовании специальных инструментальных средств для динамического анализа программ и хорошо зарекомендовавший себя на практике. РЕЗУЛЬТАТЫ. Предложена новая методика, обеспечивающая оценку времени выполнения программ с учетом характеристик эталонного и целевого вычислительных узлов, а также программных параметров, отражающих вычислительную нагрузку на компоненты этих узлов. Оценки вычисляются с учетом объемов исходных данных. Данная методика успешно применена в процессе анализа выполнения программы для решения задачи перемножения матриц. Приведены тестовые примеры получения оценки времени решения таких задач, в которых ее погрешность не превышает 10%. Полученные результаты демонстрируют уменьшение погрешности оценки по мере увеличения размерности матриц, как для целочисленных, так и для вещественных значений. ВЫВОДЫ. Использование предложенной методики в гетерогенной распределенной вычислительной среде, организованной на базе ресурсов Центра коллективного пользования «Иркутский суперкомпьютерный центр СО РАН», для реального потока заданий показало существенное улучшение полученных оценок времени выполнения программ по сравнению с оценками необходимого времени решения задач, содержащихся в запросах пользователей среды, а также их значениями, скорректированными на основе вычислительной истории выполнения заданий.

распределенные вычисления, гетерогенная среда, время выполнения программы, динамический анализ

1. Бычков И.В., Опарин Г.А., Феоктистов А.Г., Корсуков А.С. Испытание и оценка надежности интегрированных кластерных систем на основе их комплексного моделирования // Вестник компьютерных и информационных технологий. 2013. № 3. С. 3-8.

2. Бычков И.В., Опарин Г.А., Феоктистов А.Г., Богданова В.Г., Корсуков А.С. Сервис-ориентированный подход к организации распределенных вычислений с помощью инструментального комплекса DISCENT // Информационные технологии и вычислительные системы. 2014. № 2. С. 7-15.

3. Феоктистов А.Г., Костромин Р.О. Разработка и применение проблемно-ориентированных мультиагентных систем управления распределенными вычислениями // Известия ЮФУ. Технические науки. 2016. № 11. С. 65-74.

4. Feoktistov A.G., Sidorov I.A., Sergeev V.V., Kostromin R.O., Bogdanova V.G. Virtualization of Heterogeneous HPC-clusters Based on OpenStack Platform // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. 2017. Т. 6. № 2. С. 37-48.

5. Костенко В.А. Алгоритмы построения расписаний для вычислительных систем реального времени, допускающие использование имитационных моделей // Программирование. 2013. Т. 39. №. 5. С. 53-71.

6. Топорков В.В. Модели распределенных вычислений. М.: Физматлит, 2004. 320 с.

7. Воеводин В.В. Решение больших задач в распределенных вычислительных средах // Автоматика и телемеханика. 2007. № 5. С. 32-45.

8. Радченко Г.И. Модель проблемно-ориентированной облачной вычислительной среды // Труды Института системного программирования РАН. 2015. Т. 27. Вып. 6. С. 285-284.

9. Кротов К.В. Обоснование модели многоуровневого программирования для построения расписаний групповой обработки партий данных в конвейерной системе при наличии ограничений // Вестник Иркутского государственного технического университета. 2016. №. 1. С. 35-47.

10. Бычков И.В., Опарин Г.А., Черных А.Н., Феоктистов А.Г., Горский С.А., Ривера-Родригес Р. Масштабируемое приложение для поиска глобальных минимумов многоэкстремальных функций // Автометрия. 2018. Т. 54. № 1. С. 98-105.

11. Wilhelm R. et al. The worst-case execution-time problem - overview of methods and survey of tools // ACM Transactions on Embedded Computing Systems. 2008. Vol. 7. No. 3. P. 1-52.

12. Wang W., Wang W., Guan X., Zhang X., Yang L. Profiling program behavior for anomaly intrusion detection based on the transition and frequency property of computer audit data // Computers and security. 2006. Vol. 25. No. 7. P. 539-550.

13. Шалимов А.В. Метод компактного представления программ на основе частотных характеристик их поведения // Таврический вестник информатики и математики. 2008. № 2. С. 243-250.

14. Adhianto L., Adhianto L., Banerjee S., Fagan M., Krentel M., Marin G., Mellor-Crummey J., Tallent N. R. HPCToolkit: Tools for performance analysis of optimized parallel programs // Concurrency and Computation: Practice and Experience. 2010. Vol. 22. No. 6. P. 685-701.

15. Баглыков А.Н. Метод прогнозирования времени выполнения программ // Современная наука: теоретический и практический взгляд: сб. статей Междунар. науч.-практ. конф.: в 2 ч. (г. Уфа, 1 июня 2015 г.). Уфа, 2015. Ч. 1. С. 3-6.

16. Эксафлопные технологии. Концепция по развитию технологии высокопроизводительных вычислений на базе суперЭВМ эксафлопсного класса (2012-2020 гг.). М.: Росатом, 2011. 112 с.

17. Пипер Ш., Джоан П., Сколт М. Новая эра в оценке производительности компьютерных систем [Электронный ресурс] // Интернет-журнал «Открытые системы СУБД». 2007. № 9. С. 52-59. URL: https://www.osp.ru/os (дата обращения 29.05.2018).

18. Intel® VTune™ Amplifier [Электронный ресурс]. URL: https://software.intel.com/en-us/intel-vtune-amplifier-xe (дата обращения 27.10.2017).

19. Феоктистов А.Г., Костромин Р.О. Мультиагентный алгоритм перераспределения вычислительных ресурсов для остаточной схемы решения задачи в Grid // Современные наукоемкие технологии. 2016. № 9-2. С. 244-248.

20. Иркутский суперкомпьютерный центр СО РАН [Электронный ресурс]. URL: http://hpc.icc.ru (дата обращения 29.05.2018).