Pemrosesan Paralel. Contoh aplikasi di atas melibatkan komputasi intensif dan memerlukan daya olah yang tinggi. Performance: Weather Prediction

Ukuran: px

Mulai penontonan dengan halaman:

Download "Pemrosesan Paralel. Contoh aplikasi di atas melibatkan komputasi intensif dan memerlukan daya olah yang tinggi. Performance: Weather Prediction"

Sukarno Gunardi
7 tahun lalu
Tontonan:

1 Kebutuhan Komputer Berkinerja Tinggi Pemrosesan Paralel Kudang B. Seminar 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: ~ segments 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: Serial supercomputer: 10 9 instr/sec Total serial time: 10 6 sec = 280 hours Not too good for 48 hour weather prediction 1

2 Parallel Weather Prediction 1 K workstations, grid connected 10 8 segment computations per processor 10 8 instructions per second 100 instructions per segment computation 100 time steps: 10 4 seconds = ~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 multiply QR decomposition 2

3 Contoh Nyata Peramalan cuaca 24 jam di UK melibatkan sekitar operasi untuk dieksekusi. Ini memerlukan waktu 2.7 hours pada mesin Cray-1 (berkemampuan 10 8 operasi per detik). Berapa operasi untuk peramalan mingguan, bulanan, tahunan? Menurut Einstein kecepatan cahaya: 3 x 10 8 m/dt. Dua peralatan elektronik yang masing-masing mampu melakukan 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 3

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!

4 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 The Design of Supervisory Control System for Greenhouses Greenhouses USER U S E R I N T E R F A C E SUPERVISORY SYSTEM Array of Controllers Greenhouse Controllers Greenhouse Controllers Greenhouse Controllers USER S PREFERENCE SELECTION MODULE Modes of control Parameters of control Optimality Criteria Supervisory Control Engine Control Knowledge I/O Knowledge Climatic Knowledge Crop Knowledge 5/30/

5 Pengaturan PH Tanaman Hidroponik WTB Computer Relay Selenoid valve Selenoid valve Produksi Tanaman Hidroponik ph meter Base Marriot tubes Acid Potted flower Storage tank 30/05/2013 Dies Natalis IPB Pump 30/05/2013 Dies Natalis IPB Copyright Dale Carnegie & Associates, Inc. Departemen Teknik Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor Latar Belakang Uji dan Aplikasi dengan Jaringan Saraf Probabilistik pada Proses Klasifikasi Mutu Tomat Tomat Klasifikasi 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 Moh. Khawarizmie Alim F pembimbing: Prof.DR. Ir. Kudang B. Seminar, M.Sc Ir. Agus Buono, M.Si, M.Kom Komputasi Paralel Pengembangan selanjutnya lebih dari 1 prosesor Penerapan komputasi paralel waktu lebih singkat Ruang Sidang TEP Selasa, 24 Januari

Tujuan Tinjauan Pustaka Menguji kinerja program komputasi paralel pada Jaringan Saraf Probabilistik (PNN) hasil penelitian Sukin (2004) yang diterapkan untuk proses klasifikasi mutu tomat

6 Tujuan Tinjauan Pustaka 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 Teknologi Sortasi Sortasi manual dengan mesin conveyor Bermula pada awal-awal industrialisasi Tenaga manusia tetap digunakan, dibantu dengan mesin conveyor Tinjauan Pustaka Tinjauan Pustaka Teknologi Sortasi Sortasi dengan mesin skala kecil dan sedang Menggunakan mesin berukuran kecil dan sedang Mesin melakukan sortasi dengan pengawasan manusia Pemrosesan Paralel 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] 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 6

7 Tinjauan Pustaka Metodologi Penelitian Pemrosesan Paralel Peningkatan Kecepatan Peningkatan kecepatan menunjukkan seberapa cepat proses komputasi paralel dibandingkan dengan komputasi sekuensial T1 Sp Tp 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] Ilustrasi Pola Pengambilan Data untuk Mode Pelatihan 1 Kelas A Kelas B Kelas C bobot pjng lebar bobot pjng lebar bobot pjng lebar Ulangan 1 Ulangan 2 Ulangan 3 dst.... Statistika Deskriptif Sekuensial vs Paralel Statistika deskriptif Diagram plot kotak Histogram Pengaruh mode pelatihan Pengamatan grafik Pengaruh populasi AG Pengamatan grafik Statistika deskriptif 7

8 Diagram plot kotak Histogram Pengaruh Mode Pelatihan Pengaruh Mode Pelatihan 8

9 (%) (%) (%) (%) (%) (%) (%) (%) (%) /05/2013 Pengaruh Pengaruh Data Pelatihan 10% Data Pelatihan 20% Data Pelatihan 30% Data Pelatihan 60% Data Pelatihan 50% Data Pelatihan 60% Data Pelatihan 80% Data Pelatihan 80% Data Pelatihan 90% 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. 9

dokumen-dokumen yang mirip

Pemrosesan Paralel. Contoh aplikasi di atas melibatkan komputasi intensif dan memerlukan daya olah yang tinggi. Performance: Weather Prediction

Pemrosesan Paralel. Contoh aplikasi di atas melibatkan komputasi intensif dan memerlukan daya olah yang tinggi. Performance: Weather Prediction Kebutuhan Komputer Berkinerja Tinggi Pemrosesan Paralel Kudang B. Seminar Peramalan cuaca Aerodinamik Kercerdasan buatan: robotik Rekayasa genetik Contoh aplikasi di atas melibatkan komputasi intensif