Actas JP2011 - Universidad de La Laguna

Actas XXII Jornadas de Paralelismo (JP2011) , La Laguna, Tenerife, 7-9 septiembre 2011rCUDA: Uso Concurrente de DispositivosCompatibles con CUDA de Forma Remota.Adaptación a CUDA 4Carlos Reaño, Antonio J. Peña, Federico Silla y José Duato 1Rafael Mayo y Enrique S. Quintana-Ortí 2Resumen—Las mejoras realizadas en las GPUs (GraphicsProcessor Units) en la última década han propiciado queéstas sean utilizadas para incrementar el rendimiento enlos sistemas de computación de altas prestaciones. A esterespecto, NVIDIA viene desarrollando desde 2007 unanueva tecnología denominada CUDA (Compute UnifiedDevice Architecture) que permite descargar en la GPU granparte de los cómputos de la aplicación. En general, elprincipal inconveniente de esta tendencia es el aumento deenergía que introducen las GPUs. Si, además, tenemos encuenta que en este tipo de sistemas no se suelen utilizartodos los recursos de las mismas, compartirlas seríabeneficioso en ambos sentidos: menor consumo y mayorutilización. Con el objetivo de proporcionar una soluciónbajo estas premisas nace rCUDA, un marco de trabajo quepermite el uso concurrente de dispositivos CUDA de formaremota.Este artículo describe las experiencias y conclusionesextraídas durante la primera fase de adaptación de rCUDAdesde la versión 3 de CUDA a la nueva versión 4.Palabras clave—CUDA, computación de altasprestaciones, aceleración basada en GPUs, virtualización,clústeres, ahorro de energía.EI. INTRODUCCIÓNN la actualidad, debido a la creciente demanda derequisitos que se les viene exigiendo a las GPUs, sehan realizado grandes avances en el desarrollo de lasmismas, dando lugar a dispositivos con mayor podercomputacional y mayor ancho de banda de memoria quelas CPUs actuales [1]. En las Figuras 1 y 2 podemos vergráficamente una comparativa de dichas característicasentre GPUs NVIDIA y CPUs Intel.La Figura 1 nos muestra cómo mediante el uso de GPUses posible obtener, en algunos casos, una tasa teórica deoperaciones en coma flotante por segundo hasta casi 8veces superior a la de las CPUs más potentes en el año2010. En la Figura 2, por su parte, vemos cómo el anchode banda de memoria teórico de las GPUs sextuplicaba,en el mismo año, al de las CPUs, a pesar de lascrecientes mejoras que estas últimas introducenpaulatinamente para incrementar éste.Figura 2. Ancho de banda de la memoria en CPUs y GPUs.Esta gran potencia de cálculo, junto con la eficiencia enel acceso a memoria, ha motivado la utilización deGPUs en ámbitos distintos a aquellos para los queinicialmente fueron diseñadas: son las llamadas tareas depropósito general, derivando todo ello en la denominadacomputación GPU o GPGPU (General PurposeComputing on GPU). Cabe destacar, en cualquier caso,que las GPUs no son un reemplazo de las CPUs, dadoque solo son útiles para determinados tipos deproblemas en los que la misma operación es aplicadasobre una gran cantidad de datos y con un patrón deacceso determinado.Por otra parte, debido principalmente al gran volumende negocio generado por la industria del videojuego, lasGPUs se han convertido en dispositivos de relativamentebajo coste, proporcionando una potencia de cómputoextraordinaria para la inversión que suponen.Figura 1. Operaciones en coma flotante por segundo en CPUs y GPUs.1 DISCA, Universitat Politècnica de València (UPV), e-mails:{carregon, apenya}@gap.upv.es, {fsilla, jduato}@disca.upv.es.2 DICC, Universitat Jaume I (UJI), e-mails: {mayo, quintana}@icc.uji.es.Todo ello ha provocado que en la actualidad los grandesclústeres de computadores de altas prestaciones seinclinen hacia la utilización de estos dispositivos comouna vía para acelerar determinadas partes del código delas aplicaciones a las que prestan servicio. La propuestade NVIDIA en este sentido es CUDA: una arquitecturaJP2011-311