ساخت یک خوشه بیولف برای شبیه سازی های چندفیزیکی سریعتر

بسیاری از ما به نرم افزار و سخت افزار به روز نیاز داریم تا بتوانیم کارآمد باشیم. بنابراین، ما باید سرعت توسعه فناوری را دنبال کنیم. اما، با سخت افزار قدیمی چه کنیم؟ فرستادن سخت افزار قدیمی به گور آن یا فقط گذاشتن آن در گوشه ای بیهوده است. راه حل دیگر، بهره ورتر، استفاده از سخت افزار قدیمی برای ساختن خوشه Beowulf و استفاده از آن برای سرعت بخشیدن به محاسبات است.

درباره خوشه های Beowulf

در سال 1994، گروهی از محققان ناسا یک خوشه کوچک متشکل از ایستگاه های کاری معمولی ساختند. آنها این خوشه یا ایستگاه کاری موازی را Beowulf نامیدند . از آن زمان، اصطلاح خوشه Beowulf برای توصیف خوشه هایی استفاده می شود که از سخت افزار کالا (به عنوان مثال، ایستگاه های کاری معمولی) با استفاده از نرم افزار منبع باز ساخته شده اند. این تعریف در مورد سخت افزار کامپیوتر و اتصالات شبکه کاملاً ضعیف است. مهم ترین نکته این است که ایستگاه های کاری دیگر به عنوان ایستگاه های کاری استفاده نمی شوند، بلکه به عنوان گره ها در یک خوشه محاسباتی با عملکرد بالا ( HPC ) استفاده می شوند.

خوشه‌های Beowulf را می‌توان برای محاسبه انواع مشکلات استفاده کرد، اما همانطور که قبلاً در سری مدل‌سازی ترکیبی اشاره کردیم ، برای استفاده از توان کاری اضافه شده در خوشه، مشکل باید قابل موازی‌سازی باشد. بنابراین، خوشه‌های Beowulf برای محاسبه شبیه‌سازی ذرات، مسائل ژنتیکی و – احتمالاً جالب‌ترین برای ما کاربران COMSOL Multiphysics – جاروهای پارامتریک و ضرب‌های ماتریس بزرگ استفاده شده‌اند.

اما، چرا می‌خواهیم خوشه‌ای با استفاده از سخت‌افزار غیرHPC بسازیم؟ یکی از دلایل ممکن است “چون ما در حال حاضر سخت افزار” است. به عنوان مثال، پس از ارتقای یک ایستگاه کاری یا لپ‌تاپ در سطح اداری، ممکن است ندانیم با رایانه‌های قدیمی و قدیمی چه کنیم، اما هنوز هم نمی‌خواهیم آنها را دور بیندازیم. یک جایگزین می تواند استفاده از توان محاسباتی متمرکز ایستگاه های کاری بیکار بعد از ساعات اداری یا آخر هفته باشد.

برای راه اندازی کلاستر به چه چیزهایی نیاز داریم؟

اول از همه، ما به سخت افزاری نیاز داریم که قرار است از آن استفاده کنیم. برای این پست وبلاگ، از لپ‌تاپ‌های وفادار قدیمی خود به عنوان گره استفاده کردیم، اما می‌توانستیم از ایستگاه‌های کاری یا سرورهای قدیمی استفاده کنیم. در هر صورت، هنگام تنظیم یک خوشه Beowulf، باید سعی کنیم گره ها را به گونه ای انتخاب کنیم که سخت افزار مشابهی داشته باشند. لپ تاپ های ما دیگر “هیولاهای عملکرد” ​​نیستند. آنها مجهز به پردازنده Intel® T2400 @1.83GHz و 2 گیگابایت رم هستند. همچنین همه آنها با کارت های شبکه اترنت عرضه می شوند، بنابراین ما از آنها برای اتصال آنها به یکدیگر استفاده کردیم. برای این کار به یک سوئیچ نیز نیاز داریم. در مورد ما، ما از یک سوئیچ HP® 1800 قدیمی استفاده کردیم، اما، حتی در اینجا، بسته به تعداد گره‌هایی که قرار است استفاده کنیم، می‌توانیم از سخت‌افزار معمولی کالا (مانند سوئیچ پنج پورت اداری خانگی) استفاده کنیم.

خوشه Beowulf ما، از شش لپ‌تاپ قدیمی و یک سوئیچ قدیمی ساخته شده است.

از آنجایی که یک خوشه Beowulf (طبق تعریف بالا) به یک سیستم عامل منبع باز نیاز دارد، ما یک توزیع Linux® روی لپ تاپ ها نصب کردیم. اگرچه سیستم عامل های طراحی شده ویژه ای برای محاسبات خوشه ای Beowulf وجود دارد ، می توان از یک سیستم عامل سرور استاندارد (مثلاً Debian®) استفاده کرد.

هنگامی که راه اندازی سخت افزار، شبکه، سیستم عامل و یک سیستم فایل مشترک انجام شد، تنها مرحله باقی مانده نصب نرم افزار – COMSOL Multiphysics® است. هیچ نصب دیگری از یک رابط ارسال پیام (MPI) یا زمان‌بندی لازم نیست، زیرا نرم‌افزار COMSOL تمام آنچه را که برای محاسبه در یک خوشه نیاز دارد را در خود دارد.

راه اندازی خوشه Beowulf و نصب COMSOL Multiphysics

برای راه‌اندازی خود، Debian® Stable 6 را انتخاب کردیم، که یکی از توزیع‌هایی است که در زمان نوشتن این پست وبلاگ توسط COMSOL Multiphysics پشتیبانی می‌شود. در مرحله بعد، سیستم ها را راه اندازی می کنیم. در سناریوی خود، ما سعی کردیم نصب را تا حد امکان باریک نگه داریم و تنها با نصب سیستم اصلی با یک سرور SSH اضافی برای دسترسی به خوشه از طریق شبکه، نصب را باریک نگه داریم. یک محیط دسکتاپ در مورد ما مورد نیاز نبود. این می توانست عملکرد سیستم Beowulf ما را کاهش دهد.

پس از نصب موفقیت آمیز سیستم عامل، نیاز به راه اندازی شبکه و البته سیستم فایل مشترک برای گره های محاسباتی داشتیم. برای سیستم فایل اشتراکی، سرور NFS را روی اولین گره نصب کردیم که به عنوان گره اصلی عمل می کند. سپس، مکان‌های مربوط به سیستم فایل مشترک را از آنجا صادر کردیم.

در اینجا یک نمونه از تنظیم است:

/srv/data/comsolapp برای برنامه COMSOL
/srv/data/comsoljobs برای ذخیره‌سازی مشاغل خوشه‌ای COMSOL برای کاربران

در گره‌های محاسباتی، ما این اشتراک‌ها را به‌طور خودکار نصب کردیم.

از آنجایی که هیچ محیط دسکتاپ روی سیستم‌هایمان نصب نشده است، باید از نصب‌کننده خودکار استفاده کنیم (به صفحه 77 راهنمای نصب COMSOL Multiphysics مراجعه کنید ). برای اهداف خود، از فایل “setupconfig.ini” از رسانه نصب استفاده کردیم و آن را برای نیازهای خود ویرایش کردیم.

مهمترین مرحله در اینجا این است که گزینه “showgui” را به جای “1” روی “0” قرار دهید. جنبه مهم دیگر مسیر مقصد است. در اینجا، ما اشتراک شبکه را انتخاب کردیم زیرا نگهداری و ارتقا به نسخه های جدید COMSOL Multiphysics بسیار آسان تر است.

برای شروع نصب، فقط پارامتر “-s /path/to/the/setupconfig.ini” را اضافه کنید، به عنوان مثال:

سی دی /media/cdrom/
./setup –s /path/to/the/setupconfig.ini

اکنون، نصب کننده مبتنی بر متن شروع می شود و خروجی به ترمینال ارسال می شود.

برای اینکه COMSOL Multiphysics بداند از چه گره های محاسباتی می توان استفاده کرد، باید یک فایل ساده “mpd.hosts” حاوی لیستی از نام هاست بنویسیم:

mpd.hosts
cn01
cn02
...
cn06

در نهایت، سرور COMSOL را در اولین گره، با شش گره راه اندازی می کنیم:

//comsol server -f mpd.hosts -nn 6 -multi on

اکنون می توانید COMSOL Multiphysics را روی دسکتاپ خود راه اندازی کنید و به سرور متصل شوید.

نتایج عبارتند از: سخت افزار قدیمی، افزایش بهره وری

برای آزمایش خوشه “کاملا جدید” خود، یک نسخه اصلاح شده از مدل Tuning Fork را انتخاب کردیم که در گالری مدل موجود است. برای اجرای آزمایشی خود، تصمیم گرفتیم تعداد پارامترهای محاسبه شده در جابجایی پارامتریک را به 48 افزایش دهیم. سپس مدل را با استفاده از دستور دسته ای COMSOL Multiphysics محاسبه کردیم و به آن اجازه دادیم از یک تا شش لپ تاپ استفاده کند. شما می توانید کل شبیه سازی های اندازه گیری شده در روز را در نمودار زیر مشاهده کنید.

افزایش بهره وری (شغل/روز)، با در نظر گرفتن کل زمان از باز کردن فایل تا ذخیره نتیجه برای تعداد متفاوت لپ تاپ های استفاده شده.

همانطور که می بینیم، اگر از شش لپ تاپ استفاده کنیم، تقریباً 140 شغل در روز در مقایسه با کمتر از 40 شغل در روز با استفاده از یک لپ تاپ به دست می آوریم. در مجموع، این سرعت تقریباً 3.5 را به ما می دهد. با توجه به اینکه ما از لپ‌تاپ‌های قدیمی استفاده می‌کنیم، این قابل توجه است.

البته باید توجه داشته باشیم که زمان اندازه‌گیری شده زمان حل نیست، بلکه کل زمان اجرای شبیه‌سازی است. این شامل باز کردن، محاسبه و ذخیره مدل است. باز کردن و ذخیره کردن ماهیتاً سریالی است، و به دلیل قانون Amdahl (که در پست قبلی وبلاگ ما در مورد جاروهای دسته ای ذکر شد )، این بدان معنی است که ما سرعت واقعی حل کننده را نمی بینیم. اگر بخواهیم با عملکرد COMSOL Client/Server به خوشه Beowulf متصل شویم و سپس زمان‌های محاسباتی را مقایسه کنیم، افزایش بهره‌وری حتی بیشتر از اعداد بالا به دست می‌آوریم .

به عنوان یک نتیجه، این بدان معناست که در واقع می‌توانیم از سخت‌افزار قدیمی همراه با COMSOL Multiphysics برای افزایش بهره‌وری و سرعت بخشیدن به محاسبات (به‌ویژه محاسبات پارامتریک) استفاده کنیم.

دبیان یک علامت تجاری ثبت شده نرم افزار در منافع عمومی، شرکت در ایالات متحده است.
HP یک علامت تجاری ثبت شده شرکت توسعه Hewlett-Packard است، LP
Intel یک علامت تجاری Intel Corporation در ایالات متحده و/یا سایر کشورها است.
لینوکس یک علامت تجاری ثبت شده لینوس توروالدز است.