基于属性约简的MPI运行时参数优化

计算机与现代化 ›› 2014, Vol. 0 ›› Issue (1): 14-17,21.

基于属性约简的MPI运行时参数优化

1.西北工业大学计算机学院,陕西西安710129；2.西北工业大学高性能计算中心,陕西西安710072

收稿日期:2013-08-26 出版日期:2014-01-20 发布日期:2014-02-10
作者简介: 朱炜(1989-),女,陕西西安人,西北工业大学计算机学院硕士研究生,研究方向：高性能计算；王云岚(1970-),女,西北工业大学高性能计算中心副教授,博士,研究方向：高性能计算，云计算，分布式计算。

Optimization of MPI Runtime Parameters Based on Attribute Reduction

1.College of Computer Science, Northwestern Polytechnic University, Xi’an 710129, China；

2.High Performance Center, Northwestern Polytechnic University, Xi’an 710072, China

Received:2013-08-26 Online:2014-01-20 Published:2014-02-10

摘要/Abstract

摘要： 目前MPI实现提供上百种可供调整的运行时参数，但默认的运行时参数不能发挥程序应有的性能。为了给应用程序提供接近最优的运行时参数，本文提出基于粗糙集理论中的属性约简建立优化模型。首先通过属性约简方法为不同基准程序产生参数组合值，再根据未知应用程序的程序特征通过所建立的优化模型为其预测参数值。实验表明，该方法可以有效地为未知应用程序预测参数值，并且比使用默认参数程序性能提升约20%。

关键词: 粗糙集理论, 优化模型, 预测, Rosetta

Abstract: Currently, MPI implementations provide hundreds of tunable runtime parameters, but the default parameters can not achieve ideal application performance. To provide the near-optimal runtime parameters for applications, attribute reduction in rough set theory is adopted to build an optimization model. First, the method generates values of parameters for different benchmarks through attribute reduction, then, predictes parameter values for unknown input application according to their features based on the model built. Experimental evaluations show the method proposed in this paper can predict values of parameters effectively, and achieve approximate 20% performance enhancement.

Key words: rough set theory, optimization model, prediction, Rosetta

朱炜1，王云岚2. 基于属性约简的MPI运行时参数优化[J]. 计算机与现代化, 2014, 0(1): 14-17,21.

ZHU Wei1, WANG Yun-lan2. Optimization of MPI Runtime Parameters Based on Attribute Reduction[J]. Computer and Modernization, 2014, 0(1): 14-17,21.

参考文献

［1］ Chaarawi M, Squyres J M, Gabriel E, et al. A tool for optimizing runtime parameters of open MPI［C］// Proceedings of the 15th European PVM/MPI Users’ Group Meeting on Recent Advances in Parallel Virtual Machine and Message Passing Interface. 2008:210-217.
［2］王洁,曾宇,张建林. 多核机群下基于神经网络的MPI运行时参数优化［J］. 计算机科学, 2010,37(6):229-232.
［3］ Pellegrini S, Wang J, Fahringer T, et al. Optimizing MPI runtime parameter settings by using machine learning［C］// Proceedings of the 16th European PVM/MPI Users’ Group Meeting on Recent Advances in Parallel Virtual Machine and Message Passing Interface. 2009:196-206.
［4］ Pellegrini S, Fahrigner T, Jordan H, et al. Automatic tuning of MPI runtime parameter settings by using machine learning［C］// Proceedings of the 7th ACM International Conference on Computing Frontiers. 2010:115-116.
［5］ Komorowski J, et al. ROSETTA: A rough set toolkit for analysis of data［C］// Proc. Third International Joint Conference on Information Sciences. 1997:403-407.
［6］ Open MPI. Modular Component Architecture［DB/OL］. http://www.open-mpi.org/faq/?category=tuning, 2012-02-21.
［7］ Faraj A, Yuan X. Automatic generation and tuning of MPI collective communication routines［C］// Proceedings of the 19th Annual International Conference on Supercomputing. 2005:393-402.
［8］ Pellegrini S, Prodan R, Fahringer T. Tuning MPI runtime parameter setting for high performance computing［C］// IEEE International Conference on Cluster Computing Workshops. 2012:213-221.
［9］ Vetter J, Chambreau C. mpiP: Lightweight, Scalable MPI Profiling［DB/OL］. http://mpip.sourceforge.net/, 2013-08-26.
［10］Ahmad P B, Faraj A, Yuan X. Communication characteristics in the NAS［C］// The Fourteenth IASTED International Conference on Parallel and Distributed Computing and Systems. 2002:729-734.
［11］Frigo M, Johnson S G. The design and implementation of FFTW3［J］. Proceedings of the IEEE, 2005,93(2):216-231.
［12］Meijerink J A, Vorst H A Van Der. An iterative solution method for linear systems of which the coefficient matrix is a symmetric matrix［J］. Mathematics of Computation, 1977,31(137):148-162.

[1]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[2]	王海洋, 弓同鑫, 杨锦涛, 陈再龙. 多尺度时间编码的工业园区短期负荷预测[J]. 计算机与现代化, 2024, 0(12): 59-65.
[3]	邬秀玲1, 周盛1, 王春娟1, 余萃卓2, 刘昊3. 超短时电力负荷预测技术研究进展[J]. 计算机与现代化, 2024, 0(12): 108-115.
[4]	李桃迎, 李蒙, 武梦乔. 基于异构时空图卷积网络的出租车客流预测[J]. 计算机与现代化, 2024, 0(11): 13-18.
[5]	张泰1, 闫子豪2, 段洁2, 张志鸿2. 基于命名数据网络的车联网信息转发策略[J]. 计算机与现代化, 2024, 0(11): 19-27.
[6]	袁庆乐, 牟莉. 基于改进Elman神经网络的预测方法[J]. 计算机与现代化, 2024, 0(11): 28-33.
[7]	李钧超1, 尤菲1, 张超2, 苏乐乐2, 龚龑2. 基于新型多目标浣熊优化算法的BiLSTM-Attention#br# 预测模型及误差分析[J]. 计算机与现代化, 2024, 0(11): 70-76.
[8]	张惠楠1, 张强1, 孙红霞2. 基于改进时序胶囊网络的油藏生产动态分析模型[J]. 计算机与现代化, 2024, 0(09): 15-19.
[9]	李进1, 魏艳龙1, 薛红新2, 梁海坚2. 基于LSTM-SIR-EAKF的流感样病例预测[J]. 计算机与现代化, 2024, 0(09): 38-44.
[10]	杨江1, 孙晓梅1, 许韬2. 基于业务内容构建股票关联关系的股价预测[J]. 计算机与现代化, 2024, 0(07): 21-25.
[11]	曹宁1, 严心娥1, 徐根祺2, 许又文1, 张正勃2, 杜倩云2. 基于DEFA-LSSAR的水利工程边坡力学参数预测模型[J]. 计算机与现代化, 2024, 0(07): 106-111.
[12]	曹宁1, 徐根祺2, 张雯3, 许又文1, 何盼情1. 基于AFSPSO-ν-SVM的山洪灾害预测方法研究#br# #br#[J]. 计算机与现代化, 2024, 0(05): 33-37.
[13]	袁世一. 基于经验模态分解与极限学习机的粮食产量模型预测[J]. 计算机与现代化, 2024, 0(03): 47-53.
[14]	卢梓菡1, 张东1, 杨艳1, 杨双2. 基于生成对抗网络的乳腺癌免疫组化图像生成[J]. 计算机与现代化, 2024, 0(03): 92-96.
[15]	李亚平, 王军防, 余红梅, 窦一民, 肖媛, 田继林. Regformer：基于稀疏注意力的输油管道水力压降预测方法[J]. 计算机与现代化, 2024, 0(01): 59-66.