Динамическая балансировка загрузки процессоров для распределенных параллельных вычислений на нескольких кластерах при численном решении задач с помощью статистических методов Монте-Карло. Бычков В.В., Галюк Ю.П., Журавлёва С.Е., Золотарёв В.И., Мемнонов В.П. Санкт-Петербургский государственный университет, Санкт-Петербург, Россия Постановка задачи n2 n1; 0 62 10 м 9 0 50 a ; 12 3 Рис.1. Расчётная область. Метод прямого статистического моделирования (ПСМ) Монте-Карло введён Г.Бёрдом в начале семидесятых годов [1]; моделируемый объем физического пространства разбивается на ячейки; состояние системы задается координатами и скоростями частиц; одна моделирующая частица представляет очень большое число реальных молекул; состояние системы меняется через дискретные промежутки времени. Проблемы переходный режим (Kn~1) статистическое рассеяние необходимость увеличения выборки метод ПСМ Монте-Карло нехватка вычислительной мощности одного университетского кластера выход: МЕТАКОМПЬЮТИНГ Схема метакомпьютинга Петродворцовый телекоммуникационный центр (ПТЦ) 1Mb/s Internet-канал Институт высокопроизводительных вычислений и баз данных "Portal" (Pentium III 733 2pr.) Gate U-кластер (Pentium III 933 2pr.) Cisco her t Et net /s Mb 100 Gate Cisco C-кластер (Pentium III 933 2pr.) Fas P-кластер myricom switch Fast Ethernet 100Mb/s SCI 1Gb/s Myrinet 1 Gb/s Балансировка нагрузки непредсказуемо меняющаяся производительность разных компьютеров отсутствие системы очередей выход: процедура динамической балансировки нагрузки необходимость динамического распределения заданий по процессорам Количественная оценка производительности метакомпьютинга 100% E 99% Tav 225 220 98% 215 97% 210 96% 205 95% 200 1 2 3 4 5 6 7 8 p 1 2 3 4 5 6 7 8 p Рис.2. Эффективность Ep и средние времена Tav в секундах в зависимости от числа процессоров p: ap – сплошная, mp – пунктирная линии. mp – среднее время реализации при использовании метакомпьютинга с динамической балансировкой нагрузки Ускорение: S p Эффективность: E p 1 p 1 p p p – время моделирования на p процессорах Численные результаты моделирования rN 0.6745 D(u) 1 ; D (u ) VT2 ; N 2 N 106 rN 0.2m / s; Рис.3. Средняя скорость uav вдоль канала: сплошная линия для ячеек в середине, штриховая – для ячеек около поверхности. Объёмный расход Uav Vr n / x 0.8 Vr 1.25 0.5 Vr 2.1 2 1.2 1.9 1.8 1.15 L/a=34 L/a=68 1.7 1.1 1.6 0 0.5 1 1.5 Kn -1 0 0.5 1 1.5 Kn -1 Рис.4. Зависимость объёмного расхода от обратного числа Кнудсена. Литература: Бёрд Г.А. Молекулярная газовая динамика. М.: Мир, 1981. Ortega J.M. Introduction to Parallel and Vector Solution of Linear Systems. Plenum Press. New York. 1988. Сercignani C., Neudachin I. Rarefied Gas Flows Through Long Slots // ZAMP. – 1979. – V. 30. Акиньшин В.Д., Макаров А.М., Селезнев В.Д., Шарипов Ф.М. Движение разреженного газа в плоском коротком канале во всем диапазоне чисел Кнудсена // ПМТФ. – 1989. – №5. Благодарности: Авторы хотели бы поблагодарить институт высокопроизводительных вычислений и баз данных за предоставленную возможность использовать их кластер. Работа частично поддержана грантом РФФИ N01-0100315 и грантом ”Интеграция" B 0008.