Pemrosesan Paralel
Kudang B. Seminar
Kebutuhan Komputer Berkinerja Tinggi
•
Peramalan cuaca
•
Aerodinamik
•
Kercerdasan buatan: robotik
•
Rekayasa genetik
Contoh aplikasi di atas melibatkan
komputasi intensif dan memerlukan
daya olah yang tinggi
Example 1: Weather Prediction
•
Area, segments
– 3000*3000*11 cubic miles
– .1*.1*.1 cubic mile: ~ 10
11segments
•
Two day prediction
– half hour periods: ~ 100 periods
•
Computation per segment
– Temp, Pressure, Humidity, Wind speed, Wind
direction
– Assume ~ 100 FLOPs
Performance: Weather Prediction
•
Computational requirement: 10
15•
Serial supercomputer: 10
9instr/sec
•
Total serial time: 10
6sec =
280
hours
•
Not too good for
48
hour weather
Parallel Weather Prediction
•
1 K workstations, grid connected
– 10
8segment computations per processor
– 10
8instructions per second
– 100 instructions per segment computation
– 100 time steps: 10
4seconds =
~3 hours
•
Much more acceptable– Assumption:
Communication not a problem here
•
More workstations:
– finer grid
– better accuracy
Other Challenging Applications
•
Satellite data acquisition: billions of bits / sec
•
Satellite data processing
– Pollution levels, Remote sensing of materials
– Image recognition
•
Discrete optimization problems
– Planning, Scheduling, VLSI design
•
Material modeling
•
Nuclear weapons modeling (ASCI)
•
Airplane/Satellite/Vehicle design
Application Specific Architectures
•
Mapping an algorithm directly onto hardware
– ASICs: Application Specific Integrated Circuits
– Levels of ‘specificity’
•
Full custom ASICs•
Standard cell ASICs•
Field programmable gate arrays– Computational models
•
Dataflow graphs•
Systolic arrays– Orders of magnitude better performance
– Orders of magnitude lower power
ASICS cont’
•
How much faster than General purpose?
– Example: 1D 1024 FFT
•
General purpose machine (G4): 25 micro secs•
ASIC device (MIT Lincoln Labs): 32 nano secs•
ASIC device uses 20 milliwatts (100 * less power)•
Future designs:
– 2 tera ops in small ( < cubic ft ) device
– Target applications
•
FFT•
Finite Impulse Response (FIR) Filters•
Matrix multiplyContoh Nyata
•
Peramalan cuaca 24 jam di UK melibatkan sekitar 1012 operasi untuk dieksekusi. Ini memerlukan waktu 2.7 hours pada mesin Cray-1 (berkemampuan 108 operasi per detik).Berapa
operasi untuk peramalan mingguan, bulanan,
tahunan?
•
Menurut Einstein kecepatan cahaya: 3 x 108 m/dt. Duaperalatan elektronik yang masing-masing mampu melakukan 1012 operasi/detik dan terpisah dengan jarak 0.5 mm. Dalam
hal ini akan lebih lama waktu yang diperlukan bagi sinyal melakukan perjalanan antar dua peralatan tersebut daripada waktu yang diperlukan untuk melakukan eksekusi operasi (10 -12 detik) oleh salah satu peralatan elektronik tersebut.
Jadi
faktor pembatasnya adalah kecepatan cahaya.
SOLUSI
:
mendayagunakan paralelisme
Motivation of Parallel Computing
•
Parallel Computing is cost effective
– Off the shelf, commodity processors are very fast
– Memory is very cheap
– Building a processor that is a small factor faster costs
an order of magnitude more
– NoW is the time!
•
Cheapest way to get more performance: multiprocessor•
NoW: Networks of workstations•
Workstation can be an SMP•
SMP: Symmetric Multi Processor– Shared memory – Bus
Wile E. Coyote’s Parallel Computer
•
Get a lot of the fastest processors
•
Get a lot of memory per processor
•
Get the fastest network
•
Hook it all together
•
And then what ???
Now you need to program it!
Parallel programming introduces:
– Task partitioning, task scheduling
– Data partitioning
– Synchronization
– Load balancing
– Latency issues
•
hiding
•
tolerance
Speedup
•
Ideal: n processors n fold speed up
– Ideal not always possible.
WHY?
– Tasks are data dependent
– Not all processors are always busy
– Remote data
•
Super linear speedup: >n speedup
– Nonsense! Because we can execute the faster
parallel program sequentially
– No nonsense!! Because parallel computers do not just
have more processors, they have more caches
Pemrosesan Sekuensial & Paralel
3 x lebih cepat dari
5/30/2013 15
The Design of Supervisory Control
System for Greenhouses
USER U S E R I N T E R F A C E USER’S PREFERENCE SELECTION
MODULE Modes of
control Parameters of control Optimality Criteria
Control Knowledge
Supervisory Control Engine
Crop Knowledge Climatic Knowledge I/O Knowledge Greenhouse Controllers Greenhouses Greenhouse Controllers Greenhouse Controllers Array of Controllers SUPERVISORY SYSTEM
30/05/2013
Dies Natalis IPB 2001 17
Pengaturan
PH Tanaman
Hidroponik
Potted flower Relay WTB Selenoid valve Selenoid valve Base Acid Marriot tubes pH meter Storage tank Pump 30/05/2013 Dies Natalis IPB 2001 18Copyright 1996-98 © Dale Carnegie & Associates, Inc.
Produksi Tanaman Hidroponik
Uji dan Aplikasi
Moh. Khawarizmie Alim F14101030
Komputasi Paralel
dengan Jaringan Saraf Probabilistik
pada Proses Klasifikasi Mutu Tomat
Departemen Teknik Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor
pembimbing: Prof.DR. Ir. Kudang B. Seminar, M.Sc Ir. Agus Buono, M.Si, M.Kom
Ruang Sidang TEP – Selasa, 24 Januari 2006
• Tomat memiliki nilai ekonomi yang tinggi
• Tomat bermutu tinggi penanganan pasca panen baik • Sortasi titik kritis penanganan pasca panen • Produksi skala besar sortasi dengan mesin • Sortasi dengan mesin A.I. teknik klasifikasi objek • Pengembangan 1 prosesor mencapai akurasi tinggi • Akan tercapai titik maksimal akurasi sangat tinggi,
dalam waktu tertentu • Pengembangan selanjutnya lebih dari 1 prosesor • Penerapan komputasi paralel waktu lebih singkat Tomat
Klasifikasi
Komputasi Paralel
Menguji kinerja program komputasi paralel pada Jaringan Saraf Probabilistik (PNN) hasil penelitian Sukin (2004) yang diterapkan untuk proses klasifikasi mutu tomat
• Membandingkan akurasi klasifikasi dan waktu yang dibutuhkan antara proses klasifikasi dengan komputasi sekuensial dan proses klasifikasi dengan komputasi paralel
• Mengetahui besarnya peningkatan kecepatan dan peningkatan akurasi yang mungkin terjadi pada proses klasifikasi dengan komputasi paralel • Mengetahui keunggulan dan cara kerja metode PNN, Algoritma Genetik, dan komputasi paralel
Tujuan
Sortasi manual dengan mesin conveyor
Tinjauan Pustaka
Teknologi
Sortasi
• Bermula pada awal-awal industrialisasi
• Tenaga manusia tetap digunakan, dibantu dengan mesin conveyor
Sortasi dengan mesin skala kecil dan sedang
Tinjauan Pustaka
Teknologi
Sortasi
• Menggunakan mesin berukuran kecil dan sedang • Mesin melakukan sortasi dengan pengawasan manusia
Pemrosesan Paralel adalah penggunaan banyak prosesor yang saling bekerja sama satu sama lain untuk mencari suatu solusi tunggal dari suatu permasalahan [Pacifico, et.al. , 1998]
Tinjauan Pustaka
Pemrosesan
Paralel
• Mempercepat waktu eksekusi
• Mendistribusikan pencarian solusi dari permasalahan yang sangat kompleks
• Sesuai dengan penelitian sebelumnya, pemrosesan paralel pada penelitian ini dilakukan melalui metode pelemparan pesan dengan menggunakan pemrograman soket
Peningkatan Kecepatan
Tinjauan Pustaka
Pemrosesan
Paralel
• Peningkatan kecepatan menunjukkan seberapa cepat proses komputasi paralel dibandingkan dengan komputasi sekuensial
Sp : Peningkatan kecepatan
T1 : Waktu eksekusi dari algoritma sekuensial terbaik Tp : Waktu eksekusi dari algoritma paralel
p : Jumlah prosesor yang terlibat dalam komputasi paralel
• Peningkatan dari pemrosesan paralel tidak hanya bergantung pada banyaknya prosesor yang digunakan, akan tetapi lebih dipengaruhi oleh fraksi rasio antara intruksi sekuensial dengan keseluruhan intruksi pada suatu program [Hukum Amdahl]
Tp
T
Sp
1Metodologi Penelitian
Kelas A Kelas B Kelas C
bobot pjng lebar bobot pjng lebar bobot pjng lebar
Ulangan 1 Ulangan 2 Ulangan 3 dst . . . .
• Ilustrasi Pola Pengambilan Data untuk Mode Pelatihan 1
Hasil dan Pembahasan
Akurasi Klasifikasi
• Sekuensial vs Paralel
• Pengaruh mode pelatihan • Pengaruh populasi AG
• Statistika deskriptif • Diagram plot kotak • Histogram • Pengamatan grafik • Pengamatan grafik • Statistika deskriptif
Hasil dan Pembahasan
Akurasi Klasifikasi
Hasil dan Pembahasan
Akurasi Klasifikasi
• Diagram plot kotak
Hasil dan Pembahasan
Akurasi Klasifikasi
• Histogram
Hasil dan Pembahasan
Akurasi Klasifikasi
• Pengaruh Mode Pelatihan
Hasil dan Pembahasan
Akurasi Klasifikasi
Hasil dan Pembahasan
Akurasi Klasifikasi
• Pengaruh Populasi AG
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 10% 86.50 87.00 87.50 88.00 88.50 89.00 89.50 500 1000 Populasi AG Akura si Klasifik asi (%)
Komputasi SekuensialKomputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 20% 86.80 87.00 87.20 87.40 87.60 87.80 88.00 88.20 500 1000 Populasi AG Akura si Kla sifik asi (% )
Komputasi SekuensialKomputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 30% 87.70 87.75 87.80 87.85 87.90 87.95 88.00 88.05 500 1000 Populasi AG Akura si Kla sifik asi (% )
Komputasi SekuensialKomputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 60% 89.10 89.20 89.30 89.40 89.50 89.60 89.70 500 1000 Populasi AG Akura si K lasifikasi (% )
Komputasi SekuensialKomputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 50% 88.40 88.50 88.60 88.70 88.80 88.90 89.00 89.10 500 1000 Populasi AG Akura si K lasifikasi (% )
Komputasi SekuensialKomputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 60% 89.10 89.20 89.30 89.40 89.50 89.60 89.70 500 1000 Populasi AG Akura si K lasifikasi (% )
Komputasi SekuensialKomputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 80% 90.10 90.20 90.30 90.40 90.50 90.60 90.70 500 1000 Populasi AG Akura si K lasifikasi (% )
Komputasi SekuensialKomputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 80% 90.10 90.20 90.30 90.40 90.50 90.60 90.70 500 1000 Populasi AG Akura si Klasifik asi (% )
Komputasi SekuensialKomputasi Paralel
Pengaruh Populasi AG terhadap Akurasi Klasifikasi PNN untuk Data Pelatihan 90% 0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00 80.00 90.00 100.00 500 1000 Populasi AG Akurasi K lasifikasi (% )
Komputasi SekuensialKomputasi Paralel
Hasil dan Pembahasan
Akurasi Klasifikasi
• Pengaruh Populasi AG
Kesimpulan dan Saran
Kesimpulan (lanjutan)
• Rata-rata waktu total paling baik (paling rendah) terjadi pada populasi AG 500 individu sedangkan waktu total paling buruk (paling tinggi) terjadi pada populasi AG 1000 individu. Secara rata-rata akurasi klasifikasi pada populasi AG 1000 individu lebih baik daripada pada populasi AG 500 individu. • Efisiensi sistem paralel menunjukkan pemakaian setiap komputer untuk
proses klasifikasi adalah sebesar 64.43% dan sisanya terpakai untuk proses komunikasi dan sinkronisasi antar komputer.