Universidade Estadual de Maringá/Departamento de Informática Maringá, PR. Ciências Exatas e da Terra / Metodologia e Técnicas da Computação.

Transcrição

1 TESTES E EXPERIMENTOS COM APLICAÇÕES PARALELAS EM CLUSTERS DE COMPUTADORES SUN: PROCESSAMENTO DE IMAGENS GEOGRÁFICAS Carlos Roberto Santos de Oliveira Júnior (PIBIC/CNPq-UEM), Henrique Yoshikazu Shishido (Mestrando Colaborador), Ronaldo Augusto de Lara Gonçalves (Orientador), ronaldo@din.uem.br Universidade Estadual de Maringá/Departamento de Informática Maringá, PR. Ciências Exatas e da Terra / Metodologia e Técnicas da Computação. Palavras-chave: aplicações paralelas e distribuídas, computação em agregados, processamento de imagens de satélites. Resumo: O presente projeto realizou testes e experimentos com aplicações paralelas em um cluster de computadores SUN, com o objetivo de analisar o desempenho de diferentes modelos de paralelização. A partir de uma aplicação seqüencial de processamento de imagem geográfica de satélite, uma versão paralela foi criada e diferentes técnicas de convolução foram experimentadas nesta aplicação. A aplicação paralela foi executada em um cluster de 12 núcleos de processamento conectados em rede Gigabit, sobre uma implementação do padrão MPI. Os resultados foram comparados por meio do speedup e mostraram que a paralelização reduz o tempo de execução de todas as técnicas de convolução, mas o grau desta redução é muito dependente da técnica utilizada. O presente trabalho foi realizado de forma associada a um trabalho de mestrado. Introdução A computação paralela é utilizada para implementar aplicações que demandam alto poder computacional. Simulações de fenômenos físicoquímicos, reconhecimento de padrões biológicos, previsões sísmicas e climatológicas e identificação de transformações na superfície do globo, entre outros, envolvem grande quantidade de processamento e podem levar dias para serem resolvidos com uso de programação sequencial. Visando contribuir com o desenvolvimento de novos modelos de paralelização, o presente trabalho experimenta um algoritmo paralelo para o processamento de imagens digitais geográficas usando diferentes convoluções. Materiais e métodos Os experimentos foram realizados em cluster LECAD, composto por 7 máquinas: 1 nó gerente de acesso e 6 nós de processamento da Sun

2 Microsystems. Cada máquina conta com um processador AMD Opteron 1218 de 2.6Ghz de dois núcleos, 2MB de cache L2, 4 GB de memória RAM, 1TB de armazenamento e rede Ethernet Gigabit. O ambiente de execução é suportado pelo sistema operacional Linux CentOS com kernel A compilação é feita pelo gcc A implementação MPI é a OpenMPI Para realizar o monitoramento do cluster durante a execução dos experimentos foi utilizada a ferramenta Ganglia [1]. Esta plataforma operacional é gerenciada pela ferramenta ROCKS [2]. Além disso, foi adotada a biblioteca OpenCV 2.1 para a leitura/gravação das imagens [3]. Revisão de Literatura Computação Paralela A necessidade de aumentar o desempenho das aplicações tem feito a computação paralela ser cada vez mais utilizada. Os motivos para usar paralelismo nas aplicações são cada vez mais significativos. Os trabalhos nessa área têm sido cada vez mais expressivos. É preciso estabelecer modelos de desenvolvimento para as aplicações paralelas [4]. Considerando a qualidade de software, ter somente modelos definidos na computação paralela não basta. É necessário criar padrões de projetos de aplicações paralelas e criar também uma especificação. Métodos de engenharia de software para a modelagem paralela estão sendo projetados [5]. A questão da conversão de aplicações sequenciais em aplicações paralelas é outro dilema enfrentado pelos cientistas da computação nessa área, conforme mostrado por Bhansali [6]. Ele discute várias formas de portar programas sequenciais para versões paralelas e mostra ferramentas de conversão de código, cujo ajuste deve ser feito pelo programador de acordo com o problema a ser paralelizado. A computação paralela pode ser útil em uma área da computação muito importante, que é a área de sistemas distribuídos [7]. A inserção das técnicas de programação paralela em um sistema distribuído, pode prover maior robustez ao sistema e unir as características de confiabilidade e alto desempenho que os sistemas distribuídos e a computação paralela oferecem. Muito se pensa sobre paralelização de aplicações desenvolvidas com programação procedural, mas as aplicações paralelas também ganham espaço na orientação a objetos [8], onde existem alguns ambientes apropriados esse tipo de desenvolvimento.. Aplicação de Processamento de Imagem O processamento de imagem pode usar um método de convolução para extrair determinadas características de uma imagem, transformando-a em uma forma adequada à aplicação. Na convolução, cada pixel transformado depende do nível de cinza original do próprio pixel e de seus pixels vizinhos. A convolução é feita por meio da aplicação de máscaras sobre a imagem

3 original. Existem vários algoritmos de convolução, tais como aqueles utilizados no presente trabalho [9, 10], a saber: passa-baixa, filtragem mínima, filtragem máxima, moda e contagem de intervalos distintos. Paralelização A paralelização foi desenvolvida com o padrão MPI a partir da aplicação seqüencial citada na seção anterior. Esta aplicação MPI aplica a convolução sobre todos os pontos da imagem, usando uma abordagem de computação distribuída mestre-escravo. Nesta aplicação, o nó mestre da aplicação lê a imagem de entrada e todos os parâmetros necessários para o processamento. Em seguida, ele particiona os dados de modo proporcional ao número de nós escravos disponíveis, nas linhas da imagem. Após o particionamento dos dados, os escravos executam a convolução sobre sua porção. Quando os escravos terminam, o nó mestre grava em disco a imagem de saída completa. A máscara utilizada é de tamanho 15x15. Resultados e Discussão A aplicação paralela, alvo deste trabalho, foi executada exaustivamente no cluster LECAD, diversas vezes, variando o número de núcleos de processamento de 1 até 12, sobre uma imagem geográfica de satélite obtida no INPE de 54MB do tipo tiff. O speedup (tempo seqüencial / tempo paralelo) é mostrado na Figura 1. Nesta figura percebe-se que a técnica de intervalos foi a mais eficiente, alcançando um speedup em torno de 9, quando o número de núcleos atinge 12. As demais técnicas obtiveram speedup semelhantes, sendo a pior delas a passa baixa, que alcança um speedup entre 4 e 5. Este melhor speedup se deve ao fato da convolução Contagem de Intervalos Mínimos ser mais demorada.

4 Conclusões Figura 1 Speedup da Aplicação Paralela x Técnica de Convolução. A computação paralela é indiscutivelmente uma solução atrativa para aumentar o desempenho de aplicações. Neste panorama, os clusters podem ser utilizados como plataformas de execução com investimento relativamente pequeno. Os experimentos realizados neste trabalham mostram que a paralelização pode reduzir o tempo de execução de aplicações de processamento de imagens em mais de 90% nos casos aqui relatados. Entretanto, maiores experimentos devem ser realizados com outras imagens e sob diferentes configurações. Agradecimentos Agradecemos a CAPES, CNPq e Fundação Araucária pelo apoio financeiro. Referências [1] Sacerdoti, F., Katz, M., Massie, M., and Culler, D. (2003). Wide Area Cluster Monitoring with Ganglia. In Proceedings of the IEEE Cluster, pages , USA. IEEE. [2] Papadopoulos, P., Katz, M., and Bruno, G. (2003). NPACI Rocks: Tools and Techniques for Easily Deploying Manageable Linux Clusters. Concurrency and Computation: Practice and Experience, 15(7): [3] Bradski, G. and Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. O Really Media, USA, 1th edition. [4] A Survey of Models of Parallel Computation (1997), Duncan K. G. Campbell Department of Comp. Science, University of York March 19, 1997

5 [5] Software Engineering Methods for Designing Parallel and Distributed Applications from Sequential Programs in Scientific Computing, Peter Luksch Lehrstuhl f ur Rechnertechnik und Rechnerorganisation (LRR-TUM), Institut f ur Informatik, Technische Universit atm unchen (TUM), D München. [6] On Porting Sequential Programs to Parallel Machines, C. S. Raghavendra S. Bhansali, School of EECS, Washington State University, Pullman, WA [7] A Survey of Basic Issues of Parallel Execution on a Distributed System, D.J.V. Evans and A.M. Goscinski, School of Computing and Mathematics, Deakin University, Geelong, VIC, 3217, Australia [8] B. Freisleben and T. Kielman, Approaches to Support Parallel Programming on Workstation Clusters: A Survey, Informatik-Bericht T.R. Nr , University of Siegen, Department of Electrical Engineering and Computer Science, Siegen, Germany, [9] CROSTA, A. P. Processamento de imagens de sensoriamento remoto. IG/Unicamp. Volume 170. Campinas, [10] PEDRINI, H., Schwartz, W. Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações. Thomson Learning, 1ª edição. São Paulo: 2008.