"Распределенные" вычисления на мобильных платформах. Зачем еще нужен "металлический" фреймворк iOS

“Распределенные” вычисления на мобильных платформах. Зачем еще нужен “металический” фреймворк iOS Денис Свинарчук

https://github.com/dnevera/highload2016

• HLParallelSorting - битоническая сортировка на GPU и генератор случайных чисел

• HLMoexStatistic - работа со структурированными не графическими данными на примере обезличенных сделок MOEX

• HLCNNDigitalRecognition - пример распознавания рукописных цифр от 0-9 на примере размеченных данных для CNN MNIST


2016• Современные вычисления: ещё, ещё больше узлов, ещё больше кластеров, ещё больше облачных сервисов

Ещё, ещё больше вычислений

Ещё, ещё больше узлов

Ещё, ещё больше связности

Ещё, ещё больше ящиков


• Современные клиенты: мобильники с мощными ускорителями вычислений. Почему они простаивают?


• Современные клиенты: мобильники с мощными ускорителями вычислений. Почему они простаивают?

• Почему вычислять на клиентах хорошо. Почему иногда плохо. Что можно сделать?

Мобильники с мощными ускорителями• Любой современный смартфон мощнее любого PC — первого спирального витка эпохи “толстых клиентов”


• Больше памяти, больше производительности



• Современная быстрая беспроводная технология связи



• Современная быстрая беспроводная технология связи

• Чумовые возможности “сопроцессоров”

Мобильники с мощными ускорителями

Для чего весь этот рост используется• Игры

Для чего весь этот рост используется• Игры • Анимация UI

Для чего весь этот рост используется• Игры • Анимация UI • Опять игры

Для чего весь этот рост используется• Игры • Анимация UI • Опять игры • Инстаграм

Для чего весь этот рост используется• Игры • Анимация UI • Опять игры • Инстаграм • Цифровые гитарные комбики из AppStore

Для чего весь этот рост используется• Игры • Анимация UI • Опять игры • Инстаграм • Цифровые гитарные комбики из AppStore • Рендеринг png в html Webkit

Для чего весь этот рост используется• Игры • Анимация UI • Опять игры • Инстаграм • Цифровые гитарные комбики из AppStore • Рендеринг png в html Webkit • Парсинг JSON

?

Для чего на самом деле можно• Анализ больших массивов данных

Для чего на самом деле можно• Анализ больших массивов данных • Решение экспертных задач

Для чего на самом деле можно• Анализ больших массивов данных • Решение экспертных задач • Машинное обучение

Для чего на самом деле можно• Анализ больших массивов данных • Решение экспертных задач • Машинное обучение • Торговые стратегии

Для чего на самом деле можно• Анализ больших массивов данных • Решение экспертных задач • Машинное обучение • Торговые стратегии • Распределенная обработка очень больших массивов данных

Вычисления • Числовые:

• Нечисловые: func quicksort<T: Comparable>(a: [T])->[T] { guard a.count > 1 else { return a } let x = a[a.count/2] return quicksort(a.filter { $0 < x }) +

a.filter { $0 == x } + quicksort( a.filter { $0 > x })

}

Вычисления • CPU — …


• DSP — digital signal processor

DSP


• DSP — digital signal processor

• GPU — graphics processing unit

GPU

Доступ к ускорителям iOS

• vDSP (DSP)

• OpenGL ES 2.0/3.0 (GPU)

• Metal (GPU)

vDSPБазовый набор процедур над одномерными данными на сигнальном сопроцессоре

• y ← 𝝰x+y, C ← 𝝰AB+𝝱C

• Conv, window над ℝ и ℂ • FFT • FIR • IIR

OpenGL ES

Можно всё!А не только 3D

OpenGL ES

Но хостовый код!и вообще…

OpenGL ES

Metal

Можно всё!А не только 3D

GPGPU

Metal (что нам от него нужно)• API прямого доступа к GPU


• Распараллеливание вычислений (числовые, нечисловые)



• Конвейеры задач



• Конвейеры задач

• Графические вычисления

Metal• Очень низкие накладные расходы


• Прекомпиляция шейдеров



• Динамическая параметризация



• Динамическая параметризация

• Прелиминарная проверка интерфейсов (ввода-вывода данных и их форматов, кодов возврата etc.)

Metal• Эффективные параллельные вычисления


• Разделяемый доступ к ресурсам CPU/GPU



• Явная синхронизация данных CPU/GPU



• Явная синхронизация данных CPU/GPU

• Синхронный многопоточный доступ к очереди команд

Metal

Metal• Произвольные типы данных

typedef struct { uint id; uint time; float value; float sortable;} Trade;

Например

kernel void randomKernel( device float *array [[buffer(0)]],

… )

kernel void bitonicSortKernel(device float *array [[buffer(0)]],…)

MetalПроизвольная структура данных

kernel void bitonicSortKernel(

device Trade *array [[buffer(0)]],)

Например, приложения

Умный торговый терминал, Metal


https://habrahabr.ru/post/312096/

https://habrahabr.ru/post/312096/


• Фильтр большая выборка сделок (N·1e6) (x10)



• Расчет гистограммы по выборке (x100)




• Апроксимация распределения (x10)




• Апроксимация распределения (x10)

• Расчет интенсивности торговли, 𝝈 (ско), профит фактор (vDSP)

Большие графы, Metal


• Кластеризация (в разы)



• K-means (x50 раз)



• K-means (x50 раз)

• K-NN (x400 раз)

Модные APIЕще больше возможностей

iOS >=10 Neural Networks API

• BNN — Basic Neural Networks

• MPSCNN — Convolution Neural Networks

iOS >=10 Neural Networks API

MPSCNNMetal Perfomance Shader CNN, профит-фактор

Бонусы Metal

• CUDA -> Metal

• Open CL -> Metal

НО!

Очень много “больших” данных

• Сделки торговых систем



• Данные для анализа



• Данные для анализа

• Размеченные данные и данные весов слоев NN

Очень много JSON

func convertStringToDictionary(text: String) -> [String:AnyObject]? {

if let data = text.dataUsingEncoding(NSUTF8StringEncoding) {

return try! NSJSONSerialization.JSONObjectWithData(data, options: [])

}

return nil

}

Очень много JSONПолитики отстрела приложений iOS

• Таймаут watchdog’а

• User force-quit

•Low memory termination

• SIGABRT, SIGBUS, SIGSEGV


•Много RAM


•Много RAM

•Всегда много CPU


•Много RAM

•Всегда много CPU

•Очень много батарейки

Можно, конечно, так


func readline() -> String? { var line:UnsafeMutablePointer<CChar>? = nil var linecap:Int = 0 defer { free(line) }

return getline(&line, &linecap, file) > 0 \ ? String(cString:line!) : nil }

Сделки по ФР за день JSON



reading time = 76s, trades = 374995

Сделки по ФР за день JSON• PNG

• JPG

• MP4

• H.264

⬅ Никого не смущает бинарный формат

JSON RAW

Сделки по ФР за день RAW

var trades:[Trade] = [Trade](repeating:Trade(), count:count)let fd = open(path, O_RDONLY, S_IRUSR)let mp = mmap(nil, size, PROT_READ, MAP_FILE, fd, 0)

memcpy(trades,mp,size)


memcpy(trades,mp,size) == копирование в память GPU


var trades:[Trade] = [Trade](repeating:Trade(), count:count)let fd = open(path, O_RDONLY, S_IRUSR)let mp = mmap(nil, size, PROT_READ, MAP_FILE, fd, 0)

let buffer = makeBuffer(bytesNoCopy: mp, length: size)


reading time = 0.032s, trades = 374995


Сколько времени уйдет на запрос расчета статистики к серверу?

• Затраты на вычисления статистики на сервере • Затраты на доставку ответа • Затраты на парсинг ответа

• На каждую статистику

• Затраты на доставку ответа • Затраты на снепшот (один раз) • Затраты на добавление буфера в память (ε сек) • Затраты на вычисления

• Но это все статистики! А не одна

JSON+CPU RAW+GPU

JSON+CPU

0,0

0,3

0,5

0,8

1,0

Вычисление Доставка Парсинг

0,3

1,0

0,4

RAW+GPU

0,0

0,4

0,8

1,2

1,6

Доставка Снепшот Вычисление

1,5

0,03

1,0


•Никогда много RAM •Всегда мало CPU •Мало батарейки

Быстрые и горячие

Оптимизация. Быстро

Оптимизация. Холоднее

Оптимизация. RT быcтро

39.6º

Оптимизация. RT достаточно быстро

37.5º

Итоги

Итоги

Вопросы?

• [email protected]

• https://github.com/dnevera/highload2016

• https://imagemetalling.wordpress.com


https://imagemetalling.wordpress.com

"Распределенные" вычисления на мобильных платформах. Зачем еще нужен "металлический" фреймворк iOS

Engineering