Grappes de Calcul Intensif: Déploiement, Exploitation et Performances
Versandkostenfrei!
Versandfertig in 6-10 Tagen
35,99 €
inkl. MwSt.
PAYBACK Punkte
18 °P sammeln!
Dans le cadre de ce travail, nous proposons une modélisation d'ordonnancement sur grappes hétérogènes sous forme de graphe orienté dont les arcs sont les liens de communication et les noeuds, les unités de calcul. Le modèle considère la puissance, la capacité, la mémoire et l'impact du protocole réseau; Le modèle considère également la latence et le débit. Notre ordonnancement prend en entrée le graphe de grappe, le graphe de tâches et un modèle de communications considérant les surcoûts engendrés sur le réseau. La complexité de ce modèle indiquant qu'il s'agit d'un pro...
Dans le cadre de ce travail, nous proposons une modélisation d'ordonnancement sur grappes hétérogènes sous forme de graphe orienté dont les arcs sont les liens de communication et les noeuds, les unités de calcul. Le modèle considère la puissance, la capacité, la mémoire et l'impact du protocole réseau; Le modèle considère également la latence et le débit. Notre ordonnancement prend en entrée le graphe de grappe, le graphe de tâches et un modèle de communications considérant les surcoûts engendrés sur le réseau. La complexité de ce modèle indiquant qu'il s'agit d'un problème NP-complet, nous avons opté pour une solution heuristique permettant d'avoir un bon ordonnancement. Après application du modèle sur l'application de multiplication de matrices sur une grappe, nous trouvons qu'augmenter le nombre de processeurs n'améliore pas nécessairement le temps de calcul. En plus, l'hétérogénéité ne permet pas d'avoir des performances stables, elles varient beaucoup. La parallélisation de l'application pour les tailles 1000, 3000, 5000 et 8000 améliore le temps séquentiel selon que le nombre de processus ne dépasse pas 25 sinon l'algorithme séquentiel est préférable.