计算机并行计算的基本问题及现状

计算机并行计算的基本问题及现状

引言

工作中，我们总是希望我们自己工作得更有效率，用更少的时间解决更多的问题。在计算机里，这就是并行计算的基本初衷。全世界第一台计算机ENIAC中就己经出现了并行计算的概念。它有20个累加器，可以并发执行多个加减运算，可谓开并行计算的先河。在随后的20世纪五六十年代，由于晶体管和集成电器的发明，出现了更多更快的计算机。IBM是这一时期的主角，同期计算机编程语言的出现，由软件完成处理并行计算的思想进一步深化。但这一时期的计算还是大型机时代，没有几个平民能用得起这些昂贵的东西。计算机和软件技术还锁在研究院和大学校园里。

20世纪70年代，随着微电子技术的发展，出现了微型处理器(CPU)接着,1974年，全世界第一台个人电脑牛郎星顺利出炉。紧随其后，看到市场前景的苹果和IBM推波助澜，计算机开始进入个人时代。个人计算机同时又催生了软件业的高速发展，软件又带动CPU不断升级换代。这为并行计算摆脱高端路线，进入平民化时代打下了基础。

1并行计算的基本问题

1.1为什么需要并行计算

在个人计算机诞生后的几十年里，程序员们编写了大量的应用软件，这些软件决大部分了采用串行计算方法。所谓串行，是指软件在PC 上执行，在进入CPU前被分解为一个个指令，指令在CPU中一条条顺

序执行。任一时间内，CPU只能够运行一条指令。这种方式很符合我们对现实世界的思考习惯。至于软件的运行速度，则依赖硬件的处理能力，尤其CPU的处理速度。这种思维方式到了2005年遇到了挑战。在那一年，受限于制造CPU的半导体材料限制，左右CPU发展的摩尔定律开始失效了。但芯片业很快找到了一个变通的办法:在一块芯片中植入多个处理核心，通过多核的共同运算，提高运行速度。不幸的是，采用串行方法编写的软件面临着一个尴尬的局面:如果仍采用串行编程方式，运行速度将停滞不前。这样，原来需要CPU完成的提速工作，被迫需要软件自己来完成。在另一个领域:互联网，由于网络数据极速膨胀，数据量己经远远超过一台或者几台大型计算机的处理能力，需要更大数量的计算机协同完成。面对这些问题，主要的解决方案就是:并行计算。

1.2并行计算的涵义

并行计算目前还是一门发展中的学科。并行计算是相对串行计算而言的，并行计算可以分为时间上的并行计算和空间上的并行计算。

时间上的并行计算就是流水线技术，即采用指令预取技术，将每个指令分成多步，各步间叠加操作，当前指令完成前，后一指令准备就绪，缩小指令执行的时钟周期。典型的以时间换空间。

空间上的并行计算是指由多个处理单元(不仅是CPU)执行的计算，是以空间换时间。空间上的并行计算分为两类:单指令多数据流(SIMD)和多指令多数据流(MIMD)

SIMD是流水技术的扩展，可以在一个时钟周期处理多个指令，我们

目前使用的PC大多属于此列，例如AMD 3DNOW和Intel MMX。

MIMD大致又分为5类:工作站集群 (COW)。对称多处理机(SMP)。大规模并行处理机(MPP)。分布共享存储处理机(DSM ) ,并行向量机(PVP)。

空间并行计算技术包括数据并行计算和任务并行计算。数据并行计算是指将一个大的数据分解为多个小的数据，分散到多个处理单元执行。任务并行是将大的任务分解为小的任务，分散到多个处理单元执行，任务并行同时还要避免任务重复执行，协调数据的上下文关系，避免冲突发生。任务并行计算与实际应用需求紧密相关。所以，任务并行计算要比数据并行计算复杂得多。并行计算与串行计算的最大不同在于，并行计算不仅要考虑计算本身，还要考虑并行处理模型。网络通信。计算协作诸多问题。

1.3主要的并行计算体系类型

1.3.1工作站集群(COW Cluster of Workstation)

工作站集群可以理解为:PC+网络。它可以由少数几台PC扩展到数千个节点的大规模并行系统，既可以是廉价的并行程序调试环境，也可以成为的高性能计算平台。集群由于低成本，动态可扩充的特点，己经成为高性能计算平台的主流。目前Google搜索和云计算业务即采用这一方式。我国的联想深腾XXXX,曙光XXXX系列均属此类。

1.3.2多处理系统(SMP Symmetric Multi Processing)

它由多个紧耦合多处理器组成，最大特点就是共享全部资源。

1.3.3大规模并行处理系统(MPP Massively Parallel Processing)

由许多松祸合处理单元(不是处理器)组成的。这种结构与SMP对立，每个单元自成体系，包括CPU。内存。硬盘。操作系统，最大特点是不共享资源。刀片服务器属于此列。

1.3.4分布式共享存储多处理(DSM)

它可以视为对SMP的可扩充，将共享数据映射到不同的物理位置。数据的同步由硬件或者软件来完成。是目前高性能计算机的主流发展方向之一。

1.3.5并行向量机(PVP ,Parallel Vector Processor )

PVP使用专用的向量处理器，提供数据共享，通过高速交叉开关实现通信。向量运算是一种较简单的并行计算，适用面很广，机器比较容易实现，使用也方便，因此向量处理机(向量机)在20世纪70年代获得了迅速发展。

1.4并行计算的处理模式

1.4.1主从模型( MS , Master-slave )

即有一个主进程，其他是从进程。主进程负责整个系统的控制(包括任务调度。负载平衡)，从进程负责对数据的处理和计算任务。Google 搜索业务目前就是采用的这种编程模型。

1.4.2对称处理模型(SPM)

这种架构没有主从概念之分，所有进程的地位都是平等的。在并行执行过程中，我们可以任意选择其中一个进程执行输入输出操作，其他进程扮演同样的角色。

1.4.3多程序处理模型( MPPM )

在计算机集群中，每台计算机节点执行不同的程序和相同的程序。

1.5并行计算设计原则

(1)适应性。并行算法是并行计算的基础，是为解决实际问题而出现，必须与实际应用相结合。

(2)可扩展。并行算法是否能够随计算节点增加或减少而同步的线性变化，是评价一个并行算法是否有效的重要标志之一。

(3)粗粒度。通常情况下，粒度越大越好。这是因为在每个处理机中有很多需要计算的工作任务，如此可以充分发挥多处理机的作用。并行加速比对细粒度问题一般情况下是不会很高的，这也是为什么并行计算需要求解大规模问题的原因所在。

(4)减少通信。一个高效的并行算法，通信是至关。提高性能的一个关键是减少数据通信量和通信次数。

(5)优化性能。评价性能的优缺，主要是看单节点计算的处理能力，和并行执行效率。这与实际采用的技术息息相关。

1.6并行计算设计方法

1.6.1分片

(1)数据分片。数据分片包括两类:数值分片和哈希分片。数值分片适用于己知数据范围的分解，如果Int,Long类型处理。哈希分片适用于未知数据范围的数据分解，包括字符串，字节数组类型。

数据分片是把相同的操作作用于不同的数据，达到提到快速求解的目的。数据分片模型是一种较高层次的并行计算模型，编程却相对简单。数据分片的并行计算最早应用于并行向量计算机(PVP))经过长期