ADMIN Magazin Gestapelt - Schneller und sicherer mit RAID (Vorschau)

Julia
Programmieren
von C mit der Dynamik von Ruby. Wir
wollten eine Sprache, die homoiconic sein
sollte (also Code und Daten in derselben
Weise repräsentiert), mit echten Makros
wie in Lisp, aber mit einer eingängigen,
vertrauten mathematischen Schreibweise
wie in MATLAB. Wir wollten etwas, das
für allgemeine Programmieraufgaben so
nützlich sein sollte wie Python, so leicht
mit Statistik umgehen kann wie R, für das
Zeichenkettenverarbeitung so selbstverständlich
ist wie für Perl, das in linearer
Algebra so stark sein sollte wie MATLAB
und das sich so gut zum Zusammenfügen
von Programmen eignen sollte wie die
Shell. Etwas, das man kinderleicht lernen
kann und das doch die ernsthaftesten
Hacker glücklich macht. Wir wollten das
interaktiv und kompilierend. Wir wollten
einfache skalare Schleifen schreiben
können, die sich direkt in Maschinencode
übersetzen und die CPU-Register nutzen.
Gleichzeitig wollten wir »A * B« schreiben
können und damit Tausende Berechnungen
anstoßen, die das Matrixprodukt
bilden.“ [2]
Julias Vorzüge
Die Julia-Webseite [1] hat noch mehr Informationen
über die Zielsetzung, aber
schon der zitierte Absatz klingt, als gehe
für HPC-Nutzer ein Traum in Erfüllung.
Insbesondere, weil einige der Ziele seit
Jahren auf der Wunschliste standen und
unerreichbar scheinen, bis man einen
Blick auf die Benchmarks in Tabelle 1
wirft. Da das „P“ in HPC ja für Performance
steht, sollten die Ergebnisse dazu
einladen, sich weiter mit Julia zu beschäftigen.
Vielen High-Level-Sprachen
wird unterstellt, weniger effizient als C
oder Fortran zu sein. Die Tabelle beweist,
dass das nicht so sein muss. Schon die
Tabelle 1: Benchmark-Ergebnisse
Julia
v3f670da0
Python
v2.7.1
Annäherung an die Geschwindigkeit der
herkömmlichen, kompilierenden Sprachen
kann man als Durchbruch für ein
High-Level-HPC-Tool ansehen.
Neben der Geschwindigkeit sollten weitere
Julia-Features den Fachexperten gelegen
sein.Die folgende kurze Liste ist eine
Aufstellung der wichtigsten Vorzüge von
Julia (eine vollständige Liste findet sich
hier [3]):
n Frei und Open Source (MIT-Lizenz).
n Syntax wie bei MATLAB.
n Entworfen für Parallelisierung und
verteiltes Rechnen (Multicore und
Cluster).
n Direkter Aufruf von C-Funktionen
(ohne Wrapper oder spezielle APIs)
n Mächtige, Shell-ähnliche Fähigkeiten
für die Verwaltung anderer Prozesse
n Lisp-ähnliche Makros und andere
Möglichkeiten der Metaprogrammierung.
n Benutzerdefinierte Datentypen sind so
kompakt und schnell wie eingebaute.
n Just-in-Time-Compiler (JIT), der oft
die Performance von C/​C++ erreicht.
n Umfangreiche mathematische Funktionen
und Bibliotheken (geschrieben
in Julia)
n Integration ausgereifter C- und Fortran-
Bibliotheken für Lineare Algebra, Zufallszahlengeneratoren,
FFTs und Zeichenkettenverarbeitung.
Eine Fähigkeit, die alle Hochsprachen benötigen,
ist die, existierende Bibliotheken
aus anderen Quellen zusammenzufügen.
Es existiert zu viel guter Code, als dass
man ihn ignorieren oder neu erfinden
sollte. Dank der Nutzung eines LLVM-
Compilers kann Julia ohne Weiteres existierende
Shared Libraries verwenden, die
mit GCC oder Clang-Tools kompiliert wurden.
Im Ergebnis verfügt Julia über eine
MATLAB
vR2011a
Octave
v3.4
R
v2.14.2
JavaScript
v8 3.6.6.11
»fib« 1.97 31.47 1,336.37 2,383.80 225.23 1.55
»parse_int« 1.44 16.50 815.19 6,454.50 337.52 2.17
»quicksort« 1.49 55.84 132.71 3,127.50 713.77 4.11
»mandel« 5.55 31.15 65.44 824.68 156.68 5.67
»pi_sum« 0.74 18.03 1.08 328.33 164.69 0.75
»rand_mat_stat« 3.37 39.34 11.64 54.54 22.07 8.12
»rand_mat_mul« 1.00 1.18 0.70 1.65 8.64 41.79
* Tests sind relativ zu C++ und liefen auf einem MacBook Pro mit 2.53GHz Intel Core 2 Duo CPU
und 8GByte 1,066MHz DDR3 RAM (Quelle: Julia-Webseite).
sehr performante Methode mit geringem
Overhead, um bestehende Bibliotheken
auszunutzen.
Eine weiteres wichtiges Feature von Julia
ist die native Parallelverarbeitung auf
der Basis von zwei Primitiven: Remote
References und Remote Calls. Hinter den
Kulissen benutzt Julia Message Passing,
zwingt den Benutzer aber im Unterschied
zu MPI nicht dazu, die Umgebung explizit
zu kontrollieren. Überhaupt ist Kommunikation
in Julia immer einseitig, was
heißt, dass der Programmierer sich in
einer zweiseitigen Operation nur um eine
Seite zu kümmern braucht. Julia unterstützt
außerdem verteilte Arrays.
Hands on
Weil Julia neu ist, befinden sich einige
Aspekte der Sprache noch in Entwicklung.
Die sehr gute Dokumentation [6]
ist einen Blick wert. Weil die Dinge noch
im Fluss sind, empfiehlt es sich das jeweils
aktuellste Release aus dem Netz zu
beziehen. Im Moment unterstützt Julia
n GNU/​LInux, x86, 64- und 32-Bit
n Darwin OS/​X, x86, 64- und 32-Bit
n FreeBSD, x86, 64- und 32-Bit
Die folgenden Beispiele wurden auf einem
Limulus-Cluster [7] mit einer Intel
i5-2400S-CPU und 4 GByte RAM unter
Scientific Linux 6.2 gerechnet. Wer Julia
nicht kompilieren möchte, kann es online
ausprobieren [8]. Wer eine eigene
Version haben möchte, braucht ein Arbeitsverzeichnis
mit mindestens 2 GByte
freiem Plattenplatz. Dort gibt man ein:
git clone U
https://github.com/JuliaLang/julia.git
Ist der Download beendet, hat man ein
neues Julia-Directory. Anschließend
wechselt der Anwender dort hinein und
gibt »make« ein – dann hat er Zeit für
einen Kaffee oder eine Runde mit dem
Hund. Der Build dauert eine Weile, besorgt
sich aber alle nötigen Pakete selbst.
Ist alles durchgelaufen, sollte sich ein
Julia-Binary im Arbeitsverzeichnis finden.
Um Julia zu starten, genügt
./julia
Erscheint dann nicht der Titel aus Listing
1 versucht man es mit
./julia ‐q
E
www.admin-magazin.de
Admin
Ausgabe 06-2012
123