代写COMP 52315 Performance Modelling, Vectorisation and GPU Programming 2024代写C/C++编程

Coursework: Performance Modelling, Vectorisation and GPU Programming

Module:   Performance Modelling, Vectorisation and GPU Programming (COMP 52315)

Term: Epiphany term, 2024

Question 1

The objective of this question is to examine the performance of number_crunching .cpp on CPUs.  Please use Hamilton 8 for all measurements in this question.  Use the slurm partition shared (add the #SBATCH  -p shared directive to your job script) for development, and the partition test (add the #SBATCH  -p  test directive) for your final performance measurement.  The test partition will allow you to reserve a whole node, and exclusive access will help you ensure reliability of the measurement and reproducibility of the result.

(1.1)  In report_<CIS_username>.pdf, report the number of data accesses  (loads and stores), the number  of floating point operations, and the best case operational intensity of the functions function_a(), function_b(), function_c(), and function_d().  The latter should be determined by hand—this  task requires looking at the source code, but not running it.  For clarity, you may want to use a table.

Marking scheme.  Each function is worth 3 marks:  one for the correct data access count, one for the correct floating point count, and one for the correct operational intensity.  Marks will be awarded independently:  if your data access and/or floating point operation count are incorrect, but you use them correctly in the formula for the operational intensity, you will still get the mark for operational intensity.  Be sure to explain your process clearly in the report.    [12 marks] 

(1.2)  Use the profiling tool  gprof to determine the overall execution time and the hotspot function(s)

that requires the most execution time.  In order to determine the influence of the problem size, carry out the profiling for N = k · 104 , where k = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10.  Visualize the execution times graphically in report_<CIS_username>.pdf.   Submit a script number_crunching_gprof .sh containing the commands you used to profile the code, and the file number_crunching_gprof .out with the output produced by gprof for the largest input data set.

Marking scheme.  In your report the graph is worth 4 marks, the reported output is worth 5 marks and the explanation of the output using your results from Task (1.1) is worth 5 marks.  If the script. and output of the script are not provided a mark of zero will be given. [14 marks]

(1.3)  Use likwid to profile the memory and floating point performance of the hotspot function as deter-

mined in Task (1.2) for N = 104 .  Submit the instrumented code number_crunching_likwid .cpp, a  shell  script  number_crunching_likwid .sh  with  the  commands  you  used  to  run  the  bench- mark,  and  a  file  number_crunching_likwid .out containing  the  output  of those  commands.   In  report_<CIS_username>.pdf, report the observed operational intensity and discuss the results.

Marking scheme.  The correct instrumented code and shell script are worth up to 3 marks each, the correct output is worth 3 marks if correct and 0 otherwise.  The write-up is worth 6 marks.  [15 marks]

(1.4)  Visualise  the results obtained for the hotspot function as determined in Task (1.2) in the form of a roofline model.  In report_<CIS_username>.pdf, outline what techniques could be applied to optimize the execution time of the code on CPUs based on this. Your discussion should be no longer than 150 words.

Marking  scheme.   Your discussion must take into account the roofline model and the results of Tasks (1.1)-(1.3). No marks will be given for a general discussion, which doesn’t take the measurements into account.  The roofline model is worth 3 marks and the discussion is worth 6 marks.   [9 marks]

Question 2

Please use NCC to develop and test all subsequent implementation tasks.

(2.1)  Use either CUDA, OpenMP or SYCL to develop a GPU implementation of number_crunching .cpp that exploits the loop-parallelism contained in the compute functions function_a(), function_b(), function_c()  and  function_d().     Save  your   source  code  as  number_crunching_loop .cu  or number_crunching_loop .cpp  (dependent  on  your  chosen  programming  model)  and  adjust  the  Makefile to build your GPU code by adding a target loopgpu.

Marking scheme.  Only implementations that maintain correctness under concurrent execution will receive marks.  An implementation is correct if it corresponds to the reference solution as computed by the sequential implementation for the same problem size N.  [18 marks]

(2.2)  Draw the task graph of the source code in number_crunching .cpp at function level and include it in the report_<CIS_username>.pdf.

Marking scheme.  1 mark is awarded for each function node with the correct data dependencies.  [6 marks]

(2.3)  Extend your GPU-implementation of number_crunching .cpp to also make use of task parallelism by executing independent compute functions simultaneously.  Your  implementation should allow to execute all data-independent functions, as determined in Task (2.2), concurrently.  Submit your source  code  as  number_crunching_task .cu or number_crunching_task .cpp  (dependent  on  your chosen programming model) and adjust the Makefile to build your GPU code by adding a target taskgpu.

Marking scheme.  Only implementations that maintain correctness under concurrent execution will receive marks.  An implementation is correct if it corresponds to the reference solution as computed by the sequential implementation for the same problem size N.[6 marks]

(2.4)  In report_<CIS_username>.pdf, write a short essay (500 words at most) that describes your approach to porting the code to GPUs and justifies the techniques used.  Use plots as you see fit.  In your report, you should:

•  Explain why you chose the programming model you applied,

•  Outline the memory management approach,

•  Justify any code restructuring and performance optimization techniques,

•  Outline how your approach allows for the overlapping execution of kernels in a task-parallel manner,

•  Determine the runtime for a problem size  N of your choice and compare the corresponding  runtime with the sequential runtime on  CPUs.   If applicable to your programming model, determine the optimal kernel configuration.

Marking scheme.  A maximum of 4 marks is awarded for each of the points listed above.  [20 marks]