epsilion首代

华南农业大学 《并行计算》课程复习纲要

复习提纲：

1. 为什么要并行编程

（1）分布和并行计算的区别（重点）

答：并行：单机多核，问题并行编程；分布：多机网络连接，对外以整体提供服务

（2）并行和并发的区别（重点）

答：并发：支持同时存在；并行：支持同时执行。并行是并发的一个子集。

并发是指一个处理器同时处理多个任务。 并行是指多个处理器或者是多核的处理器同时处理多个不同的任务。 并发是逻辑上的同时发生，而并行是物理上的同时发生。

（3）进程、线程的区别

答：进程是操作系统的资源分配的基本单位，线程是处理器任务调度的基本单位。

（4）并发编程中的两种观点

答：消息传递和分布式内存。

（5）并行计算的核心内容（重点）

答：并行计算的核心内容是指计算机能够以任何顺序来执行的独立计算

（6）并行程序编写的步骤

答： 【1】寻找并发性 【2】设置算法结构$\rightarrow$支持结构$\rightarrow$实现机制

任务并行和数据并行的观点：

• 任务并行就是多个任务分割并且分配到多个核进行执行
• 数据并行就是对数据进行分割，然后将分割好的数据分配到多个核上执行。

（7）基于线程化方法学

答：分析，设计实现，测试正确性，性能调优

2. 并行硬件和并行软件

（1）基于 Flynn 分类法的划分（重点）

答：指令核数据，单流，多流。

SISD： (Uint改正：Unit) SIMD： GPUs 都采用SIMD并行。

MIMD：

（2）MIMD 的进一步划分（重点，分布内容和共享内存，要求能画出图并详细说明）

答：共享内存：每个内存区域都能被每个处理器访问的到。分布式内存是内存独立，但是大家能通过网络访问。

共享内存： 一组自治的处理器通过互联网络与内存系统相连接，每个处理器能访问每个内存区域，每个处理器都可以访问每个存储单元，处理器通过访问共享的数据结构来隐式通信

分布式内存：

（3）并行计算的度量，加速比（重点）

答：$T_{paralllel} = T_{serial} / P$，$S = T_s/T_p$

3. 寻找并发性设计空间

寻找并发性设计空间，如果从分解的角度去看问题的话：任务分解和数据分解，还有数据流分解。如果从依赖性分析的话：任务的分组，任务的排序，数据的共享。

（1）理解任务分解模式（重点，能举出例子或者分析例子）

答：任务分解：计算被分解为一组独立的任务，多个线程可以用任意顺序执行这些任务。

例子：如果两个园丁到达一个客户家，一个修剪草坪，另一个铲除杂草。修剪草坪和铲除杂草是两个被分开的功能。

（2）理解数据分解模式（重点，能举出例子或者分析例子）

答：数据分解：应用程序需要处理一个大型数据集，并且可以对数据集中的每个元素进行独立计算。

例子：如果园丁应用数据分解来分解他们的任务，他们两个会同时修剪一半的草坪，然后两个人分别铲除一半的杂草

任务分解：识别出多个可以并发执行的任务； 数据分解：识别出每个任务所需要的局部数据

4. 算法结构设计空间

浅谈并行编程中的任务分解模式

（1）理解任务并行模式（重点，能举出例子或者分析例子）

答：把问题分解为一个能够并发执行的任务集合。

一块草坪，需要完成修剪和除杂草的任务，现在两个园丁分配到不同的任务去完成。当然这个过程需要协调的，因为两个人不可能说同时处理一块地方的。

（2）了解分治策略

（3）了解几何分解模式（重点，能举出例子或者分析例子）

答：几何分解模式基于正在解决问题的数据结构的并行化。在几何分解中，每个线程负责操作数据块

几何分解实际上就是数据的并行化，我们的园丁分到这块草坪的两半，每人负责一半，然后都同时完成：除草和修剪的任务。

（4）了解流水线模式（重点，能举出例子或者分析例子）

答：流水线模式的意思类似于一条工厂的产品装配线。这种寻找并发的方式使计算被分割成一系列阶段，每个线程在不同的阶段同时工作。

生产者消费者的实现就是典型的流水线模式。一块草坪，我们把需要完成的任务进行步骤的分解，比如：拿出除草剂，插电，推动，每一步都由不同的园丁来完成。工厂的流水线就是一个最好的理解例子。

（5）理解基于事件的协作模式

答：定义任务，表示事件流，强制执行事件的顺序，避免死锁，调度和处理器分配，事件的高效通信

当一个人完成了工作，就通知他人开始他的任务，这样可以做到很好的协作。

5. 支持结构设计空间（重点）

（1）了解 SPMD 模式

在SPMD程序中，所有UE并行执行同一个程序（单程序），但每个UE都拥有自己的私有数据集（多数据）

（2）了解主从模式（重点）

答：主进程为从进程建立一个工作池和一个任务包。所有从进程并发执行，每个从进程迭代的从任务包中移除一个任务并处理它，指导所有任务都处理完毕或到达某些终止条件为止

核心思想是基于分而治之的思想,将一个原始任务分解为若干个语义等同的子任务,并由专门的工作者线程来并行执行这些任务,原始任务的结果是通过整合各个子任务的处理结果形成。

比如Master：RW，那么他的Slave是R和W，也就是我们常说的读写分离。

这个可以用线程池的思想去理解。

（3）理解派生聚合模式（重点，和主从模式之间的区别）

百度一下：Fork/Join 模式即可理解。

一个主UE里面Fork出多个子的UE，这些子UE并行完成任务，的一部分，等待这一步的全部子UE完成了这些任务之后，我们再继续分支。

（4）理解共享数据模式和队列模式（重点，能举出例子或者分析例子）

答：共享队列：使用“线程安全”实现，即使并发执行的多个UE共同使用时，该实现也能保证正确。

如果使用共享数据的话，需要考虑：确保需要这种模式，定义抽象数据类型，实现一种合理的并发控制协议，一次执行一个操作，非干扰的操作集合，读访问者/写访问者，缩减临界区大小，嵌套锁，特定应用的语义释放，回顾其他考虑事项，任务调度

（5）了解分布式数组模式

答：一维或多维数组，被划分为多个子数组，并在进程或线程间进行分配

6. 实现机制设计空间

（1）理解通信及相关技术实验相关（重点，以下内容都会出对应题目。会有简答题、程序填空题及案例分析题，实验会和上面的知识点结合一起出题）

消息传递，集合通信，其他通信构造。 消息是最基本的通信元素，包含信息标识。 广播：发送单条消息给所有UE 栅栏：程序中的同步点，所有UE都必须到达该点，然后才能继续向后执行 归约：获得一个对象集合，每个对象映射到一个UE，操作把它们组合为位于一个UE的单个对象，或组合它们并将结果广播到每个UE上

7. 实验思考：

三个实验例子：生命游戏，PAI计算，日志挖掘。

（1）任务分解和数据分解的具体应用（例子，生命游戏实验、计算π、车牌实验，怎么应用的？）

生命游戏的分解：如果从任务分解的角度去想的话，我们的对于每一个格子都需要判断多个条件，那么这些条件就是我们的任务步骤，也是我们可以对其进行分解的地方。如果从数据分解的角度去思考的话，我们把一个棋盘分为多块，那么我们就完成了数据分解。

计算π的分解： 首先，我们对于算出：每个$\frac{1}{2n+1}$进行步骤分解，这样就是任务分解，单很明显这个不大适合进行任务分解，因为每一个任务都非常小。我们进行数据分解，线程1计算$n \in[0,10]$，线程2计算$n\in[11,20]$ 如此类推，同时进行。

日志挖掘：文件读取的数据并行和处理数据时的任务并行。

（3）线程相关知识（线程创建、使用，线程安全访问共享变量。不考线程池。对于生命游戏，使用线程还是线程池效率高？为什么？对于计算π，使用线程还是线程池率高？为什么？类似在课堂上说过的对比。）

关于线程池：

在处理迭代生命游戏的时候，由于我们采用派生聚合的模式去完成任务，因此，我们在每迭代一次的时候同步一次再发起一次并行迭代，因此需要重复创建，销毁线程，需要消耗大量的资源，因此，更适合用线程池。

对于计算$\pi$问题，我们可以指定多个线程同时计算多个任务，只需要最后一次合并，无需多次创建消耗资源，因此，我们使用线程池效率不见得比直接手动使用多线程效率高。

但在实际开发当中，为了安全考虑，我们是不应该直接手动创建多线程去处理问题的。（原因参见阿里的编程规范）

（4）共享资源的访问（要求，能以简单程序说明两个线程之间安全访问共享资源的伪代码）

xxxxxxxxxx
global Var
lock = new Lock()
Thread:
    while(True):
        if lock.is_alive == False:
            lock.Lock()
            #do something fo Var
            lock.unLock()
        else:
            sleep(random)
            continue
T1 = Thread().start()
T2 = Thread().start()

（5）日志挖掘中，怎么样对数据进行划分？怎么样对数据进行预处理？

我们需要考虑是读取数据部分和处理数据部分。比如说，我们可以根据等长数据进行划分，或者根据日期数据进行划分。

数据分块存储，分块读取。

（6）支持结构中主从模式和派生聚合模式的区别和选择（生命游戏和计算π的实验对比，有什么区别？）

• 生命游戏：派生聚合模式（按照数据更新迭代的次数进行任务分割）
• 计算PAI：主从模式（指定一个工作池，运算完之后合并在一起）

（7）能画出生产者-消费者模型，并对各部分进行详细说明。

（8）生产者-消费者模型（重点，请参考阿里云 MQ 服务相关文档，会以阿里云消息服务MQ 为基础，包括基本概念（例如 Topic、生产者、消费者、Tag 等等），消息队列种类（如普通消息、顺序消息（全局顺序和分区顺序），消费模式（集群消费和广播消费），订阅关系一致。

• Topic：消息主题，一级消息类型，通过Topic对消息进行分类
• Tag：消息标签，二级消息类型，用来进一步区分某个Topic下的消息分类
• 消息（Message）：消息队列中信息传递的载体
• Producer：消息生产者，也称为消息发布者，负责生产并发送消息。
• Consumer：消息消费者，也称为消息订阅者，负责接收并消费消息。可分为两类： 【1】Push Consumer：消息由消息队列RocketMQ版推送至Consumer。（被动消费者） 【2】Pull Consumer：该类Consumer主动从消息队列RocketMQ版拉取消息。（主动消费者）
• Group: 一类Producer或Consumer，这类Producer或Consumer通常生产或消费同一类消息，且消息发布或订阅的逻辑一致
• 集群消费: 一个Group ID所标识的所有Consumer平均分摊消费消息。例如某个Topic有9条消息，一个Group ID有3个Consumer实例，那么在集群消费模式下每个实例平均分摊，只消费其中的3条消息。
• 广播消费：一个Group ID所标识的所有Consumer都会各自消费某条消息一次。例如某个Topic有9条消息，一个Group ID有3个Consumer实例，那么在广播消费模式下每个实例都会各自消费9条消息。
• 定时消息：Producer将消息发送到消息队列RocketMQ版服务端，但并不期望这条消息立马投递，而是推迟到在当前时间点之后的某一个时间投递到Consumer进行消费，该消息即定时消息。同理，延时消息也类似的意思
• 顺序消息： 【1】全局顺序：对于指定的一个Topic，所有消息按照严格的先入先出（FIFO）的顺序进行发布和消费 【2】分区顺序：对于指定的一个Topic，所有消息根据Sharding Key进行区块分区。同一个分区内的消息按照严格的FIFO顺序进行发布和消费。Sharding Key是顺序消息中用来区分不同分区的关键字段，电商的订单创建，以订单ID作为Sharding Key，那么同一个订单相关的创建订单消息、订单支付消息、订单退款消息、订单物流消息都会按照发布的先后顺序来消费
• 订阅关系一致：订阅关系一致指的是同一个消费者 Group ID 下所有 Consumer 实例所订阅的 Topic、Group ID、Tag 必须完全一致。

（9）根据生产者-消费者模型衍生出来的相关并行化解决方案：(要求，能画图说清楚以上三种结构)

• 【1】进程内实现相关结构；
• 【2】进程之间实现的相关结构；
• 【3】机器间之间的通信。

（分别对应生产者消费者实验）。

附：线程的五种状态