节点感知的稀疏矩阵-向量乘法
分布式、并行与集群计算
2017-11-16 v3 数学软件
摘要
稀疏矩阵-向量乘（SpMV）运算是许多模拟和线性求解器中的关键计算内核。并行SpMV参考实现所带来的巨大通信需求导致其并行可扩展性较差。通信成本取决于发送和接收进程的物理位置：注入网络的消息比同一节点上进程间发送的消息成本更高。本文引入了一种节点感知的并行SpMV（NAPSpMV），利用对系统拓扑结构（特别是节点-处理器布局）的了解来降低通信相关成本。通过重新分配输入向量的值，以最小化SpMV期间注入网络的消息数量和大小，从而降低通信成本。本文展示了多种计算实验，突显了该方法的效率。
引用
@article{arxiv.1612.08060,
title = {Node Aware Sparse Matrix-Vector Multiplication},
author = {Amanda Bienz and William D. Gropp and Luke N. Olson},
journal= {arXiv preprint arXiv:1612.08060},
year = {2017}
}
备注
27 pages, 16 figures