Практикум: Архитектуры вычислительных систем и оценка производительности

Интерактивный рабочий лист студента по дисциплине «Архитектура аппаратных средств» (СИЭУиП, занятие 18). Классификация вычислительных систем по таксономии Флинна (SISD, SIMD, MISD, MIMD); анализ топологий организации оперативной памяти (SMP/UMA, NUMA, кластеры с распределенной памятью); метрики быстродействия (MIPS, MFLOPS/GFLOPS/TFLOPS, тест Linpack HPL); расчет масштабируемости многопроцессорных систем по закону Амдала и закону Густафсона-Барсиса по 4 вариантам кейсов.

ФИО обучающегося:

Учебная группа:

Вариант задания:

Вариант не выбран

Дата выполнения:

Задание 1. Систематизация по таксономии Флинна и топологии памяти

Заполните матрицу классификации вычислительных систем по потокам команд (Instruction Stream) и данных (Data Stream). Укажите архитектурные принципы, характерные аппаратные реализации и сопоставьте топологию памяти (SMP/UMA, NUMA, MPP/Cluster).

Класс Флинна	Потоки команд и данных	Аппаратная реализация и примеры ЭВМ	Организация памяти	Узкое место архитектуры
SISD
SIMD
MISD
MIMD

Аналитическое объяснение: В чем состоит архитектурное отличие UMA (Uniform Memory Access) от NUMA (Non-Uniform Memory Access)? Какую роль играет фактор NUMA ratio при выполнении высоконагруженных задач?

Задание 2. Расчет теоретической пиковой (Rpeak) и реальной (Rmax) производительности

Рассчитайте теоретическую пиковую производительность вычислительного узла в GFLOPS/TFLOPS и сопоставьте с результатами синтетического теста Linpack (HPL). Формула пиковой производительности: Rpeak = N_cores × Freq (ГГц) × FLOP/цикл.

Вычислительная система	Параметры узла	Расчет Rpeak (GFLOPS / TFLOPS)	Эффективность Linpack (Rmax / Rpeak)
Серверный CPU (x86-64) Два сокета, по 32 ядра на сокет (всего 64 ядра), базовая частота 2.5 ГГц, поддержка 2 блоков FMA AVX-512 (32 DP FLOP/цикл на ядро).	N = 64 ядра f = 2.5 ГГц FLOP/цикл = 32 DP
Вычислительный GPU-ускоритель 108 SM, 64 FP32 CUDA-ядра на SM (6912 ядер FP32), тактовая частота 1.5 ГГц (2 FLOP/цикл на ядро FMA FP32).	N = 6912 ядер f = 1.5 ГГц FLOP/цикл = 2 SP

Аналитическое сравнение: Почему синтетическая метрика MIPS (Millions of Instructions Per Second) исторически получила ироничное название «Meaningless Information on Processor Speed»? Чем объективнее пакет SPEC CPU и тест Linpack HPL?

Задание 3. Анализ масштабируемости: закон Амдала vs закон Густафсона-Барсиса

Сравните предельное ускорение многопроцессорных систем при фиксированном объеме задачи (закон Амдала: S_Amdahl = 1 / (s + p / n)) и при масштабировании объема задачи пропорционально числу процессоров (закон Густафсона-Барсиса: S_Gustafson = s + p × n = 1 + (n - 1) × p), где s — доля последовательного кода, p = 1 - s — доля параллельного кода, n — число узлов/ядер.

Число процессоров (n)	Доля послед. кода (s)	Ускорение по закону Амдала (S_A)	Ускорение по закону Густафсона (S_G)
n = 8	s = 0.05 (p = 0.95)
n = 64	s = 0.05 (p = 0.95)
n = 512	s = 0.05 (p = 0.95)
Предел при n → ∞	s = 0.05 (p = 0.95)

Концептуальный вывод: Почему закон Амдала называют пессимистичной оценкой для суперкомпьютерных вычислений, а закон Густафсона-Барсиса — реалистичной моделью масштабирования задач большой размерности (Strong Scaling vs Weak Scaling)?

Задание 4. Индивидуальный расчетно-аналитический кейс масштабирования вычислительной системы

Решите комплексную инженерную задачу в соответствии с выбранным вариантом. Проведите классификацию архитектуры, рассчитайте показатели ускорения и эффективности параллелизации, обоснуйте меры по преодолению аппаратных барьеров.

Вариант не выбран

Выберите вариант задания в карточке обучающегося вверху страницы для отображения технического задания.

1. Классификация архитектуры и топология памяти:

2. Расчет масштабируемости (закон Амдала и закон Густафсона-Барсиса):

3. Анализ узких мест производительности и аппаратные барьеры:

4. Инженерные рекомендации по оптимизации и масштабированию: