OMPCUDA : OpenMP Execution Framework for CUDA Based on Omni OpenMP Compiler

Ohshima, Satoshi; Hirasawa, Shoichi; Honda, Hiroki

doi:10.1007/978-3-642-13217-9_13

Cited by 13 publications

(7 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Salah satu contohnya yaitu OpenMP yang merupakan API dengan dukungan pada multi-platform serta berbagi memori multiprocessing dengan pemrograman C, C + +, dan Fortran. Dengan memanfaatkan OpenMP, maka dapat dilakukan proses compile secara paralel [7].…”

Section: Pendahuluanunclassified

Analisis Perbandingan Performa Pemrograman Sekuensial Dan Paralel Dengan Skema Uji Matrix, Filter Dan Quick Sort

Rahmatullah

Zulkarnain²,

Hidayat³

2021

JTekInfULM

View full text Add to dashboard Cite

Komputasi sekuensial merupakan sebuah proses untuk melakukan pemecahan masalah dengan melakukan setiap langkah secara berurutan. Konsekuensi pemecahan sebuah masalah dengan menggunakan komputasi sekuensial adalah sebuah hasil akan muncul apabila langkah pengerjaan telah dilakukan. Pengembangan teknologi dari komputasi sekuensial adalah kom-putasi paralel yang melibatkan penggunaan sumber daya secara bersamaan. Khusus pada bidang IT, sumber daya tersebut dapat berupa core processor atau juga dimungkinkan untuk melibatkan graphical unit. Skema uji yang dilakukan yaitu ber-fokus pada perbandingan performa komputasi sekuensial dan komputasi paralel. Skema uji tersebut terdiri dari pengujian perkalian matrix, proses filter sebuah gambar, dan proses quick sort. Hasil skema uji 1 menunjukkan bahwa komputasi paralel dapat melakukan perkalian dengan dimensi 2000x2000 dengan hasil berkisar 4x lebih cepat dibandingkan komputasi serial. Berikutnya, hasil skema uji 2 menunjukkan proses filter dapat dilakukan oleh komputasi paralel dengan efisiensi 50% lebih baik menggunakan 4 buah core. Terakhir, hasil skema uji 3 menghasilkan nilai efektivitas tertinggi menggunakan CUDA yaitu berkisar 96% dengan proses quick sort pada data sebesar 32Mb.

show abstract

Section: Pendahuluanunclassified

Analisis Perbandingan Performa Pemrograman Sekuensial Dan Paralel Dengan Skema Uji Matrix, Filter Dan Quick Sort

Rahmatullah

Zulkarnain²,

Hidayat³

2021

JTekInfULM

View full text Add to dashboard Cite

show abstract

“…Arguments can be declared as IN, OUT, or INOUT to avoid useless transfers, but no piece of data can be kept in the gpu memory between two kernel launches. There have also been several initiatives to automate transformations for OpenMP annotated source code to cuda [20,21]. The gpu programming model and the host accelerator paradigm greatly restrict the potential of this approach, since OpenMP is designed for shared memory computer.…”

Section: Semi-automatic Approachmentioning

confidence: 99%

“…Our proposal is independent of the parallelizing scheme involved, and is applicable to systems that transform OpenMP in cuda or OpenCL like OMPCuda [21] or OpenMP to gpu [20]. It's also relevant for directives-based compiler, such as Jcuda and hi cuda [14].…”

Section: Comparison With Respect To a Fully Dynamic Approachmentioning

confidence: 99%

Static Compilation Analysis for Host-Accelerator Communication Optimization

Amini

Coelho

Irigoin

et al. 2013

Languages and Compilers for Parallel Computing

View full text Add to dashboard Cite

Abstract. We present an automatic, static program transformation that schedules and generates ecient memory transfers between a computer host and its hardware accelerator, addressing a well-known performance bottleneck. Our automatic approach uses two simple heuristics: to perform transfers to the accelerator as early as possible and to delay transfers back from the accelerator as late as possible. We implemented this transformation as a middle-end compilation pass in the pips/Par4All compiler. In the generated code, redundant communications due to data reuse between kernel executions are avoided. Instructions that initiate transfers are scheduled eectively at compile-time. We present experimental results obtained with the Polybench 2.0, some Rodinia benchmarks, and with a real numerical simulation. We obtain an average speedup of 4 to 5 when compared to a naïve parallelization using a modern gpu with Par4All, hmpp, and pgi, and 3.5 when compared to an OpenMP version using a 12-core multiprocessor.

show abstract

“…Les possibilités de spé-cialisation et d'optimisation sont accrues, mais avec le même revers que les extensions propriétaires d'OPENCL, c'est à dire un code spécifique à une architecture. Des initiatives ont également été proposées pour la transformation de code annoté pour OPENMP vers CUDA [15,16]. Le modèle de programmation des GPUs et le paradigme hôte-accélérateur a conduit rapidement aux limites de l'approche, OPENMP étant conçu pour les machines à mémoire partagée.…”

Section: Approche Semi-automatiséeunclassified

Compilation et optimisation statique des communications hôte-accélérateur

Amini¹,

Irigoin²,

Coelho³

et al. 2012

Techniques et sciences informatiques

View full text Add to dashboard Cite

RésuméLa puissance de calcul disponible dans les machines hybrides à base d'accélérateurs matériels néces-site de réécrire les programmes selon un modèle complexe et réparti : les données traitées doivent être copiées entre mémoire de l'hôte et mémoire de l'accélérateur. Cette contrainte est régulièrement identifiée comme le goulet d'étranglement. Nous proposons une transformation automatique que nous avons implémentée comme une passe de compilation au sein de PIPS/PAR4ALL qui génère statiquement des instructions de copies entre l'hôte et l'accélérateur selon deux stratégies « au plus tôt » et « au plus tard ». De plus les communications inutiles avec l'hôte résultant d'une réutilisation de données entre deux appels de noyaux sont évitées. Alors que les instructions initiant les transferts mémoire sont générées statiquement, un support exécutif associe lorsque nécessaire les tableaux de données de l'hôte à des zones mémoires sur l'accélérateur. Nous présentons les gains obtenus avec des expériences.

show abstract

OMPCUDA : OpenMP Execution Framework for CUDA Based on Omni OpenMP Compiler

Cited by 13 publications

References 3 publications

Analisis Perbandingan Performa Pemrograman Sekuensial Dan Paralel Dengan Skema Uji Matrix, Filter Dan Quick Sort

Analisis Perbandingan Performa Pemrograman Sekuensial Dan Paralel Dengan Skema Uji Matrix, Filter Dan Quick Sort

Static Compilation Analysis for Host-Accelerator Communication Optimization

Compilation et optimisation statique des communications hôte-accélérateur

Contact Info

Product

Resources

About