Рименение высокопроизводительных вычислений для имитационного моделирования распространения



Pdf көрінісі
Дата13.10.2018
өлшемі43.33 Kb.

П

РИМЕНЕНИЕ ВЫСОКОПРОИЗВОДИТЕЛЬНЫХ

ВЫЧИСЛЕНИЙ ДЛЯ ИМИТАЦИОННОГО

МОДЕЛИРОВАНИЯ РАСПРОСТРАНЕНИЯ

СОЦИАЛЬНО ЗНАЧИМЫХ ЗАБОЛЕВАНИЙ

Леоненко В. Н., Университет ИТМО, Санкт-Петербург

Перцев Н. В., Омский филиал Института математики 

им. С. Л. Соболева СО РАН, Омск

Т

ЕМЫ ИССЛЕДОВАНИЙ

Социально значимые 



заболевания – заболевания, 

отличающиеся существенным 

отрицательным влиянием на 

организм человека, на 

человеческий капитал в 

целом, на социально-

экономическое развитие.

Цель исследований: изучение динамики социально 



значимых заболеваний и оценка эффективности 

программ обследования индивидов методами 

имитационного моделирования.


М

ОДЕЛИРОВАНИЕ ДИНАМИКИ ТУБЕРКУЛЁЗА

ОРГАНОВ ДЫХАНИЯ В РЕГИОНАХ

РФ



Удельный вес ТОД в 

структуре смертности от 

инфекционных 

заболеваний в РФ 

составляет 70-85%.

Уровень заболеваемости 



ТОД существенно 

отличается в различных 

регионах РФ.

Задача: построить имитационную модель 



распространения ТОД для поиска причин 

различий в уровнях заболеваемости ТОД в 

регионах РФ


С

РАВНЕНИЕ ЭФФЕКТИВНОСТИ МЕТОДОВ

ВЫЯВЛЕНИЯ ИНДИВИДОВ

ПРЕДРАСПОЛОЖЕННЫХ



К КОЛОРЕКТАЛЬНОМУ РАКУ

Колоректальный рак (КРР) 



вызывается 

перерождением полипов на 

внутренних стенках 

толстой кишки.

Опасность КРР:



На ранних стадиях протекает 

бессимптомно;

Около 80% больных не имели 



случаев заболевания в семье.

Задача: оценить количество потенциальных лет 



потерянной жизни в популяции при использовании 

различных методов выявления полипов



И

ЗУЧЕНИЕ РАСПРОСТРАНЕНИЯ

ВИЧ 

СРЕДИ


ГРУПП ПОТРЕБИТЕЛЕЙ ИНЪЕКЦИОННЫХ

НАРКОТИКОВ

За 2013 год в РФ зарегистрировано 77 896 новых 



случаев ВИЧ, 57% случаев — из-за употребления 

наркотиков нестерильным инструментарием

Практически нет 



моделей 

распространения ВИЧ 

среди ПИН, 

учитывающих 

российскую специфику

Задача: создать модель распространения ВИЧ в 



группе ПИН и проанализировать влияние 

различных исходных параметров на динамику 

ВИЧ среди ПИН


П

ОСТАНОВКА ПРОБЛЕМЫ

В задачах имитационного 



моделирования возникает 

проблема ускорения 

вычислительных 

экспериментов

Возможные способы ускорения вычислений:



Оптимизация исходного алгоритма

Переход к параллельным и распределѐнным 



вычислениям

Использование более мощных вычислительных систем



И

СПОЛЬЗУЕМЫЕ ТИПЫ МОДЕЛЕЙ

Способ задания модели: цепи Маркова, системы 



стохастических разностных уравнений, 

дискретно-событийное описание

Время: дискретное, непрерывное



Учѐт неоднородности популяции: популяционные 

модели, индивидуум-ориентированные модели, 

гибридные двухкомпонентные модели 

(совмещение обоих подходов)

Порядок численностей популяций: от 10



2

до 10


6

Язык моделирующих программ: С++, MATLAB



О

БЩИЕ СВОЙСТВА МОДЕЛЕЙ

Все модели — имитационные и стохастические



Существенная часть вычислительного времени 

тратится на генерацию псевдослучайных чисел

Для получения оценок на выходные величины 



требуется многократное повторение 

вычислений с разными начальными 

значениями датчика псевдослучайных чисел

Потребление памяти и количество операций 



записи-считывания данных невелико

Т

РЕБОВАНИЯ К СПОСОБУ УСКОРЕНИЯ

Желательные характеристики способа 



ускорения исходного алгоритма:

применимость к широкому классу задач 



(универсальность)

высокий прирост быстродействия



моделирующей программы (эффективность)

низкие затраты на оптимизацию алгоритма 



(простота)

«У

НИВЕРСАЛЬНЫЙ ПОДХОД

»: 

ПАРАЛЛЕЛИЗМ



ПО РЕАЛИЗАЦИЯМ

Реализации распределяются между ядрами 



(вычислительными узлами) с помощью

технологий OpenMP или MPI

Возможно использование отдельных программ 



для распараллеливания (MONC, PARMONC)

Подходит для большинства задач, связанных с 



имитационным моделированием методом 

Монте-Карло

Вычисления проводятся на многоядерных ПК 



или многопроцессорных суперкомпьютерах 

М

АСШТАБИРУЕМОСТЬ АЛГОРИТМА НА

ОСНОВЕ ТЕХНОЛОГИИ

O

PEN



MP

128,968


71,578

0

20



40

60

80



100

120


140

1 поток


2 потока

Вре

мя 

расчё

тов

, с.

Количество потоков

Время вычислений для популяционной модели 

распространения туберкулѐза, ПК Intel Core2 Duo 2,8 ГГц


М

АСШТАБИРУЕМОСТЬ АЛГОРИТМА НА

ОСНОВЕ ТЕХНОЛОГИИ

MPI


Время вычислений для гибридной модели распространения 

туберкулѐза, суперкомпьютер НКС-30T Сибирского 

суперкомпьютерного центра (ядра Intel Xeon E5450 3 GHz)

0

100



200

300


400

500


600

700


2

4

6



8

10 12 14 16 18 20 22 24 26 28



Simula

tion dur

ation (sec.)

Number of computing cores

Standard parameter set

Increased probability of TB 

detection



«Э

ФФЕКТИВНЫЙ ПОДХОД

»: 

ПАРАЛЛЕЛЬНЫЕ ВЫЧИСЛЕНИЯ НА



GPU

Алгоритм моделирования разбивается на большое 



количество «легковесных» потоков, выполняемых 

на GPU


Рост производительности на среднем ПК – на 

порядок и выше

Алгоритм с требуемыми свойствами построен для 



класса моделей, в которых:

больные индивиды не влияют друг на друга и на 



восприимчивых индивидов (неинфекционные 

заболевания);

демографические процессы (рождение, миграция) 



отсутствуют (чисто дискретно-событийные модели без 

популяционной составляющей).



«П

РОСТОЙ ПОДХОД

»: 

ГЕНЕРАЦИЯ



СЛУЧАЙНЫХ ЧИСЕЛ НА

GPU


GPU используется для генерации массивов 

псевдослучайных чисел (стандартные команды 

библиотеки CURAND для CUDA C++, команды 

для gpuArray в MATLAB)

Сам вычислительный алгоритм выполняется  на 



CPU

В идейном плане подход очень прост, но не всегда 



даѐт выигрыш в производительности

В

ЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ

Время вычислений на ПК с CPU Intel Core i5-



3450, GPU NVIDIA GeForce GTX 550 Ti

В

ОЗМОЖНЫЕ ПЕРСПЕКТИВЫ

Новые варианты параллельных алгоритмов на



GPU для конкретных классов моделей (рост 

универсальности «эффективного» алгоритма)

Совместное применение OpenMP, MPI и CUDA 



для высокодетализированных моделей и 

вычисления на суперкомпьютерных кластерах 

с гибридными узлами CPU+GPU


С

ПАСИБО ЗА ВНИМАНИЕ



!

E-mail: VNLeonenko@yandex.ru





Достарыңызбен бөлісу:


©stom.tilimen.org 2019
әкімшілігінің қараңыз

    Басты бет