GWDG – Kurs Parallelrechner-Programmierung mit MPI MPI Eine Einführung Oswald Haan ohaan@gwdg.de

MPI: Message passing interface MPI : message passing library interface specification message passing: Message Passing Programmiermodell (Datenaustausch zwischen zwei Prozessen) Erweiterungen (Kollektive Operation, Zugriff auf entfernte Speicher, Dynamische Prozesskontrolle, Parallele Ein-Ausgabe) library interface: MPI benutzt Funktionen und Unterprogramme, die von Fortran oder C Programmen aufgerufen werden, keine neue Programmiersprache specification: Beschreibung, keine Implementierung 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Programmiermodell: message passing Verbindungsnetz Verteilung von Daten und Instruktionen auf mehrere Prozessoren Objekte: Lokale Daten, Instruktionen, Lokale PZs, task-id Operationen: opcode op1, op2,...,re1,re2 send(ad,n,tid), recv(ad,n,tid) Reihenfolge: Synchronisation durch blockierendes recv Puffer Puffer Puffer Speicher Speicher Speicher I D I D I D PZ PZ PZ VE VE VE 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Programmiermodell: message passing An MPI program consists of autonomous processes, executing their own code, in an MIMD style. The codes executed by each process need not be identical. The processes communicate via calls to MPI communication primitives. Typically, each process executes in its own address space, although shared-memory implementations of MPI are possible. Mehrere Tasks bearbeiten gemeinsam ein paralleles Programm Jeder Task hat lokale task-id zur Identifikation lokalen Adress-Raum für lokale Daten für das lokale Programm für lokale Puffer 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI: Message passing interface MPI beinhaltet die Spezifikation der Sprachelemente, die die Zusammenarbeit der Tasks aus der Sicht der lokalen Task beschreiben sollen Die wichtigsten Sprachelemente: sequentielle Programmiersprachen Fortran und C Information über Tasks : Task-id (rank) der eigenen und der fremden Tasks Punkt zu Punkt-Kommunikation: Datenaustausch mit einer fremden Task Globale Kommunikation: Datenaustausch mit mehreren oder allen fremden Tasks Synchronisation 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Parallelrechner-Programmierung mit MPI Entwicklung von MPI 1980-1990 Vorläufer 1994 1996-2009 2012 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Parallelrechner-Programmierung mit MPI MPI-Forum Das MPI-Forum, eine Gruppe von Hardware-Herstellern, Software-Entwicklern und Anwendern hat den Standardisierungsprozess ins Leben gerufen und steuert die Weiterentwicklung des Standards. http://www.mpi-forum.org/ 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Parallelrechner-Programmierung mit MPI MPI-Dokumentation Offizielle Dokumentation des Standards (MPI-2.2) durch das MPI-Forum: http://mpi-forum.org/docs/mpi-2.2/mpi22-report.pdf Inoffizielle HTML-Version dieses Dokuments: http://mpi-forum.org/docs/mpi22-report/mpi22-report.htm Open MPI v1.6.4 documentation (man pages) http://www.open-mpi.org/doc/current/ MPI- The Complete Reference http://www.cslab.ntua.gr/courses/common/mpi-book.pdf Parallel Programming with MPI http://www.cs.usfca.edu/~peter/ppmpi/ Using MPI http://biblioteca.cio.mx/ebooks/e0206.pdf 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Parallelrechner-Programmierung mit MPI MPI-Implementierung Das MPI-Forum legt den MPI-Standard für die Syntax der Schnittstellen und ihre Funktionen fest. Die Implementierung überlässt es anderen. Aufgaben der Implementierung: Übersetzung der standardisierten Sprachelemente in Maschinenbefehle, die die zugrundliegende Prozessor- und Verbindungsnetz-Hardware bedienen. Bereitstellung von Prozeduren zur Erzeugung, Kontrolle und Beendigung von parallelen Tasks auf den Prozessoren Bei der GWDG verfügbare Implementierungen OpenMPI: OpenSource Implementierung des MPI-2 Standards Intel-mpi: Proprietäre Implementierung des MPI-2 Standards 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI beyond Fortran and C Other programming languages, for which bindings to the MPI functionality exist: C++ Python R Matlab Java Haskell OpenGL Ada Caml Lisp C# Available on GWDG-clusters mpi4py: open source python bindings for MPI 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Documentation for mpi4py MPI for Python http://mpi4py.scipy.org/docs/usrman/index.html API Reference http://mpi4py.scipy.org/docs/apiref/index.html A Python Introduction to Parallel Programming with MPI http://materials.jeremybejarano.com/MPIwithPython/index.html No books with complete description of mpi4py available 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI : Vorteile und Nachteile Trennung von Spezifikation und Implementierung: Standardisiertes Interface zu Bibliotheksroutinen erlaubt Portabilität Hardwarespezifische Implementierungen erlauben die bestmögliche Ausnutzung von Hardwareeigenschaften Nutzungsgerechte Funktionen vereinfachen Programmentwicklung und ermöglichen spezielle Implementierungen mit hoher Effizienz Parallelisierung mit Message Passing erfordert Aufteilung und Austausch der Daten und Aufteilung der Rechenlast Unterstützung von vielen Nutzungsformen und Implementierungsarten führt zu einer Vielzahl von z.T. komplexen Bibliotheksroutinen (mehr als 250 MPI-Funktionen: http://www.open-mpi.org/doc/current/) 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI : Funktionsgruppen Point-to-point communication Datatypes Collective operations Process groups Communication contexts Process topologies Environmental Management and inquiry The info object Process creation and management One-sided communication External interfaces Parallel file I/O Language Bindings for Fortran, C and C++ Profiling interface 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI-Funktionen; Spezifikation Beispiel Blockierendes Daten-Empfangen MPI_RECV: MPI_RECV (buf, count, datatype, source, tag, comm, status) OUT buf initial address of receive buffer (choice) IN count number of elements in receive buffer (non-negative integer) IN datatype datatype of each receive buffer element (handle) IN source rank of source or MPI_ANY_SOURCE (integer) IN tag message tag or MPI_ANY_TAG (integer) IN comm communicator (handle) OUT status status object (Status) IN, OUT, INOUT: Argument wird als Eingabe, Ausgabe oder beides verwendet 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI: Opaque Objekte und Handles MPI verwaltet Speicher für Puffer und für die interne Darstellung von MPI-Objekten, wie Kommunikatoren, Datentypen, usw. Dieser Speicher ist für den Benutzer nicht direkt, sondern nur über sog. Handles im Zugriff Ein opaques Objekt und sein Handle ist nur für den zugehörigen Prozess signifikant und kann nicht auf andere Prozesse übertragen werden. Opaque Objekte ermöglichen die Nutzung von Datenobjekten über verschiedene Sprachen hinweg und erlauben eine flexible Verwaltung von Ressourcen. In Fortran sind alle Handles vom Typ Integer, in C gibt es unterschiedliche Typen für jede Kategorie. 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI-Funktionen: Syntax FORTRAN : MPI_RECV(BUF, COUNT, DATATYPE, SOURCE, TAG, COMM, STATUS, IERROR) <type> BUF(*) INTEGER COUNT, DATATYPE, SOURCE, TAG, COMM, STATUS(MPI_STATUS_SIZE),IERROR C : int MPI_Recv(void* buf, int count, MPI_Datatype datatype, int source,int tag, MPI_Comm comm, MPI_Status *status) Fehlerstatus als Argument IERROR bei FORTRAN, als Rückgabewert bei C 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI-Funktionen: Syntax mpi4py obj = comm.recv(source = s, tag = t, status = stat) where comm: Communicator, e.g. MPI.COMM_WORLD obj: python object, s,t: integer, stat: MPI.status() comm.Recv(ar, source = s, tag = t, status = stat) where comm: Communicator, e.g. MPI.COMM_WORLD ar: numpy array, s,t: integer, Error handling implicit via python module Exception 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

MPI: vordefinierte Namen MPI_COMM_WORLD (for mpi4py: MPI.COMM_WORLD) Kommunikationsbereich mit allen beteiligten Prozessen MPI_ANY_TAG, MPI_ANY_SOURCE (for mpi4py: MPI.ANY_TAG, MPI.ANY_SOURCE) die Argumente tag bzw. source sind beliebig MPI_STATUS_SIZE Anzahl von Elementen für das Feld status MPI_INTEGER , MPI_REAL, MPI_DOUBLE_PRECISION, … MPI-Namen für Fortran-Datentypen MPI_INT, MPI_FLOAT, MPI_DOUBLE, … MPI-Namen für C-Datentypen Vordefinierte Namen brauchen nicht deklariert zu werden 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Parallelrechner-Programmierung mit MPI MPI Programmstruktur Fortran program main include ´mpif.h´ integer ierror ... call MPI_INIT(ierror) Aufrufe von MPI-Routinen call MPI_FINALIZE(ierror) end C #include "mpi.h" int main(int argc, char **argv) { ... MPI_Init(&argc, &argv); Aufrufe von MPI-Routinen MPI_Finalize(); } 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Parallelrechner-Programmierung mit MPI MPI Programmstruktur python from mpi4py import MPI ... Aufrufe von MPI-Routinen 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Start eines MPI-Programms Startmechanismus und Startbefehlssyntax wird von der Implementierung vorgegeben Einfachste Form: mpirun –n 4 ./a.out mpirun –n 4 python script.py Startet auf 4 Prozessoren je einen Prozess (Task), der jeweils die gleiche Datei a.out resp. script.py ausführt. SPMD-Modell: Single Program, Multiple Data Jedem Task wird eine eindeutige Identifizierung zugeordnet, mit deren Hilfe die von a.out durchgeführten Befehle differenziert werden können. 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Parallelrechner-Programmierung mit MPI MPI-Bezeichnungen Communicator : Die von mpirun parallel gestarteten Tasks, die miteinander kommunizieren MPI_COMM_WORLD: vordefinierter Name des beim Start erzeugten communicators Communicator size Anzahl der im communicator versammelten Tasks Process rank eindeutige Identifizierung der einzelnen Task durch eine ganze Zahl zwischen 0 und size-1 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Obligatotische MPI-Komponenten mpif.h, mpi.h Include-Dateien für Fortran und C mit Deklarationen der vordefinierten Namen und Konstanten MPI_INIT() MPI_FINALIZE() MPI_COMM_SIZE(comm, size) IN comm communicator (handle) OUT size number of processes in the group of comm (integer) MPI_COMM_RANK(comm, rank) IN comm communicator (handle) OUT rank rank of the calling process in group of comm (integer) 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Erstes MPI Programm (Fortran) program hello include ´mpif.h´ integer ier, np, tid call MPI_INIT(ier) call MPI_COMM_SIZE(MPI_COMM_WORLD, np, ier) call MPI_COMM_RANK(MPI_COMM_WORLD, tid, ier) call MPI_FINALIZE(ier) write(6,*)‘hello‘, np, tid end 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Parallelrechner-Programmierung mit MPI Erstes MPI Programm (C) #include "mpi.h" #include<stdio.h> int main(int argc,char **argv) { int np, tid; MPI_Init(&argc,&argv); MPI_Comm_size(MPI_COMM_WORLD,&np); MPI_Comm_rank(MPI_COMM_WORLD,&tid); printf("hello %i %i \n",np,tid); MPI_Finalize(); return 0; } 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Erstes MPI Programm (Python) #hello.py from mpi4py import MPI comm = MPI.COMM_WORLD tid = comm.Get_rank() np = comm.Get_size() print "hello", np, tid 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI

Weitere nützliche MPI-Routinen MPI_GET_PROCESSOR_NAME( name, resultlen ) OUT name A unique specifier for the actual node (character). OUT resultlen Length (in printable characters) of the result returned in name (integer) mpi4py: name = comm.Get_processor_name() MPI_WTIME() returns a floating-point number of seconds, representing elapsed wallclock time since some time in the past mpi4py: name = comm.Wtime() MPI_WTICK() MPI_WTICK returns the resolution of MPI_WTIME in seconds, i.e. as a double precision value the number of seconds between successive clock ticks. mpi4py: name = comm.Wtick() 07. – 08. 10. 2014 Parallelrechner-Programmierung mit MPI