Nama :
Diastri Rachmawati
NPM :
51410982
Kelas : 4IA13
KOMPUTASI
PARALEL
Sebelum
membahas lebih lanjut, kita harus mengerti terlebih dahulu mengenai paralel
komputasi. Untuk memahami dan mengevaluasi perbedaan paket yang tersedia,
penting untuk memiliki gambaran tentang teknologi yang sudah ada untuk
komputasi paralel. Perkenalan rinci dapat ditemukan dalam berbagai buku untuk
komputasi atau komputer cluster paralel. Secara umum, komputasi paralel berhubungan
dengan hardware dan software untuk perhitungan di mana banyak perhitungan
dilakukan secara bersamaan. Tujuan utama dari komputasi paralel adalah
peningkatan dalam menghitung kapasitas.
Pada
saat yang sama, kemajuan metodologis telah menyebabkan lebih komputasi menuntut
solusi. Metode ini baru-baru ini adalah penggunaan simulasi dan resampling
teknik. Kedua ukuran data meningkat dan peningkatan tuntutan simulasi telah
didekati oleh para peneliti melalui komputasi paralel. Jurnal ini membahas
tentang keadaan komputasi paralel dengan R, dan menyediakan titik awal untuk peneliti
tertarik untuk mengadopsi metode komputasi paralel.
Sebelumnya
kita ketahui dahulu apa itu bahasa R. R adalah bahasa pemrograman open source
dan software lingkungan yang matang untuk komputasi statistik dan grafis. R
instalasi inti menyediakan penerjemah bahasa dan banyak fungsi statistik dan
modeling. R awalnya diciptakan oleh R. Ihaka dan R. Gentleman pada tahun 1993
dan sekarang sedang dikembangkan oleh Development R. Banyak bidang penelitian
statistik mengalami pertumbuhan pesat dalam ukuran set data. Pendekatan yang
umum adalah untuk menggunakan komputasi paralel.
Jurnal
ini menyajikan gambaran teknik untuk komputasi paralel dengan R pada komputer cluster,
pada sistem multicore, dan komputasi grid. Dua paket (snow, Rmpi) sangat cocok
untuk penggunaan umum di komputer cluster. Paket untuk komputasi grid masih
dalam pengembangan, hanya satu paket saat ini yang tersedia untuk pengguna
akhir. Dua paket R yang berkembang
dengan baik menonjol untuk digunakan dalam high performance lingkungan
multicomputer yaitu Rmpi dan snow. Keduanya memiliki kegunaan yang dapat
diterima, mendukung spektrum fungsi untuk komputasi paralel dengan R, dan
memberikan kinerja yang baik. Paket lain mencoba untuk meningkatkan kegunaan,
tetapi keuntungan kegunaannya sejauh ini biasanya bisa dicapai dengan
mengorbankan fungsionalitas yang lebih rendah.
Fasilitas
memanfaatkan arsitektur multicore yang ada. Eksternal dan arsitektur
perpustakaan dioptimalkan (misalnya PBLAS) merupakan salah satu solusi. Namun,
aljabar linear tidak selalu substansial bottleneck dalam perhitungan statistik
umum. Paket Rmpi dan snow dapat menggunakan beberapa contoh R dimulai pada satu
mesin , menggunakan soket atau MPI untuk komunikasi. Namun, setiap contoh R
membutuhkan memori sendiri utamanya, dan jumlah memori utama akan sering
membatasi skalabilitas .
Paket
tahap awal untuk komputasi grid yang tersedia. Perkembangan lebih lanjut bergantung
pada pemahaman yang lebih jelas tentang bagaimana infrastruktur jaringan dapat
dimanfaatkan untuk aplikasi statistik.
Mengenai
perkembangan yang lebih lanjutnya, paket R untuk lingkungan multicomputer
berkembang dengan baik dan sangat berguna. Ada ruang untuk perbaikan kecil
dalam dokumentasi (misalnya menambahkan sketsa untuk membantu pengguna baru
dalam membangun cluster sederhana) dan optimalisasi kinerja. Prospek paling menarik
untuk pembangunan baru di daerah lain dari lingkungan multicomputer ditutupi
dengan baik oleh snow dan Rmpi .
Sistem
multicore sekarang sangat umum, dan jumlah prosesor per chip semakin banyak. Ada
kebutuhan mendesak untuk integrasi kode R ke dalam lingkungan multicore. Paket
pnmath adalah langkah terlebih dulu ke arah ini. Pendekatan ini memiliki
potensi untuk mempercepat kode numerik intensif, menghasilkan faktor perbaikan
yang diberikan dengan jumlah yang tersedia dalam prosesor. Mengaktifkan fungsionalitas
multicore seperti yang diterapkan dalam pnmath diperlukan panduan penyesuaian
semua fungsi tingkat C. Untuk merancang sebuah paket yang mendukung penggunaan
yang lebih abstrak sistem multicore untuk pengembangan paket tampaknya menjadi
tugas yang sangat sulit; interaktif sifat R dan teknologi multicore yang ada
menyiratkan kompilasi runtime. Multicore paket, terlebih dulu dibebaskan
setelah ulasan ini selesai, merupakan pendekatan yang sangat menjanjikan pengolahan
pada chip multicore .
Dari
perspektif pengguna akhir, cluster komputer sering tidak tersedia, biaya fisik (akuisisi,
pemeliharaan, dll) yang tinggi, dan penggunaan efektif memerlukan keahlian
(misalnya beragam, konfigurasi sistem user tingkat lanjut, penguasaan batch
penyerahan pekerjaan). Oleh karena itu sulit untuk menggunakan teknologi ini.
Cloud computing (Vouk 2008) memungkinkan pengguna untuk mengakses layanan dari
Internet tanpa mengetahui tentang infrastruktur teknologi yang mendukung mereka
. Layanan web ini menyediakan kapasitas komputer resizable di awan. Ada
beberapa perusahaan yang menawarkan jasa untuk biaya yang relatif sederhana
dalam komputasi. Cloud computing biasanya menawarkan sebelumnya “gambar mesin”
yang berisi dukungan OpenMPI, dan yang dapat diperpanjang dengan R terbaru versi
dan paket. Sebuah prospek yang menarik akan menjadi pengembangan dari paket R
baru untuk komunikasi dengan awan, sebuah portal web untuk mengontrol akses,
dan bisnis yang tepat memodelkan untuk mengelola biaya. Paket komputasi awan
tersebut dapat memberikan biaya komputasi yang efektif berbasis cluster untuk
pengguna akhir .
Dalam
hal perangkat keras (paralel) daya komputasi dari unit pengolahan grafis (GPU) mungkin
memberikan kinerja yang signifikan untuk pengguna R. Standar untuk pemrograman GPU
dalam mode vendor-independen mulai muncul (Grup Khronos 2008). Mereka menawarkan
model pemrograman yang dirancang untuk memungkinkan akses langsung ke grafis spesifikasi
hardware, dengan hardware grafis menjalankan sejumlah sangat tinggi dari thread
secara paralel. Sebuah aplikasi bioinformatika untuk urutan keselarasan dengan
GPU (kode C, tidak ada integrasi R) telah diterbitkan oleh Manavski dan Valle (2008)
dan menggambarkan kegunaan dari GPU untuk percepatan dan manajemen dalam jumlah
besar data biologis.
Fleksibilitas
dari sistem paket R memungkinkan terjadinya integrasi yang banyak. Ini
memberikan kesempatan yang baik untuk mengeksplorasi paket R agar terintegrasi
ke dalam perangkat lunak pengguna akhir. Hal ini membawa kita untuk
mengharapkan bahwa ketika teknologi baru muncul, R harus berada di posisi yang
baik untuk mengambil keuntungan dari mereka. Makalah ini diakhiri dengan
ide-ide untuk perkembangan lebih lanjut dalam komputasi kinerja tinggi dengan
kode R. Contoh tersedia dalam lampiran.
