{"id":812,"date":"2018-04-16T14:38:02","date_gmt":"2018-04-16T17:38:02","guid":{"rendered":"http:\/\/datamining.dc.uba.ar\/predictivos\/?p=812"},"modified":"2018-04-16T14:38:02","modified_gmt":"2018-04-16T17:38:02","slug":"computo-de-alto-rendimiento-y-muchos-datos-para-procesar","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=812","title":{"rendered":"C\u00f3mputo de alto rendimiento y muchos datos para procesar"},"content":{"rendered":"<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/04\/20180411_192626.jpg\"><img decoding=\"async\" loading=\"lazy\" class=\"alignleft size-medium wp-image-814\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/04\/20180411_192626-300x185.jpg\" alt=\"\" width=\"300\" height=\"185\" srcset=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/04\/20180411_192626-300x185.jpg 300w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/04\/20180411_192626-768x475.jpg 768w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/04\/20180411_192626-1024x633.jpg 1024w, https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/04\/20180411_192626.jpg 1437w\" sizes=\"(max-width: 300px) 100vw, 300px\" \/><\/a>El 11 de abril, <strong>Esteban Mocskos (<\/strong>profesor del Departamento de Computaci\u00f3n de Exactas-UBA e Investigador de Conicet) abri\u00f3 el ciclo de Conversaciones sobre Ciencia de Datos con la charla <strong>\u201c<em>Sistemas distribuidos, procesadores multicore y muchos datos para procesar: la combinaci\u00f3n ideal para la Computaci\u00f3n de Alto Rendimiento<\/em>\u201d<\/strong>. El evento estuvo organizado por la Maestr\u00eda en Data Mining y se realiz\u00f3 en el Pabell\u00f3n 2 de Ciudad Universitaria.<\/p>\n<p>Para comenzar la disertaci\u00f3n, el investigador hizo una introducci\u00f3n a la Computaci\u00f3n de Alta Perfomance (HPC). Mocskos explic\u00f3 que es una disciplina hol\u00edstica que involucra hardware, software y servicios para proveer la potencia necesaria para resolver problemas extensos y complejos en ciencia, ingenier\u00eda e industria. \u201cEs la f\u00f3rmula 1 de la industria de computaci\u00f3n\u201d, se\u00f1al\u00f3. Y mostr\u00f3 el ejemplo de la supercomputadora <a href=\"https:\/\/www.lanl.gov\/projects\/trinity\/\">Trinity <\/a>instalada en Los Alamos National Laboratory.<\/p>\n<p>En este sentido, detall\u00f3 adem\u00e1s que el tipo de problemas complejos que aborda HPC no se pueden resolver con una computadora de escritorio y tienen una escala determinada: toma mucho tiempo resolverlos, se necesita una gran cantidad de memoria (RAM), se tienen que realizar much\u00edsimos experimentos parecidos y hay restricciones concretas de tiempo para encontrar resultados. La mayor\u00eda de estas tem\u00e1ticas est\u00e1n relacionadas con la innovaci\u00f3n en la industria y su aplicaci\u00f3n en \u00e1reas como energ\u00eda, medio ambiente, biotecnolog\u00eda, medicina, ingenier\u00eda, etc.<\/p>\n<p>A su vez, Mocskos se refiri\u00f3 a la evoluci\u00f3n del procesador. \u201cLa cantidad de transistores sigue creciendo pero la velocidad de los n\u00facleos individuales (<em>core<\/em>) casi no aumenta. Podr\u00edamos comprar un procesador de hasta 80 n\u00facleos pero el desaf\u00edo de aprovechar la potencia de un procesador es c\u00f3mo distribuimos el tiempo de ejecuci\u00f3n de una misma tarea computacional\u201d. Para ilustrar este tema, el expositor plante\u00f3 como ejemplo el problema de pintar una pared: \u00a0en la medida que se contratan cada vez m\u00e1s pintores para pintar la misma pared m\u00e1s r\u00e1pido, el problema es c\u00f3mo se administra el proceso para que puedan trabajar de manera coordinada.<\/p>\n<p>De este modo, puntualiz\u00f3 que cada tarea computacional se divide en dos partes: serial y paralelizable. Como todas las aplicaciones tienen una parte secuencial, el tiempo de c\u00f3mputo de la aplicaci\u00f3n paralela est\u00e1 acotado por esa secci\u00f3n serial (Ley de Ahmdahl). Esto implica dos cuestiones fundamentales 1) es necesario reducir lo m\u00e1s posible el tiempo de ejecuci\u00f3n serial 2) en una tarea computacional existe un m\u00e1ximo de procesadores que conviene poner a trabajar en forma paralela, m\u00e1s all\u00e1 de ese punto no se justifica seguir paralelizando la tarea.<\/p>\n<p>\u00bfQu\u00e9 debe tener en cuenta un centro de HPC para aprovechar al m\u00e1ximo los recursos de c\u00f3mputo? Cada centro de HPC tiene que configurar, optimizar aplicaciones y sistemas operativos. All\u00ed el monitoreo es clave, con la escala de las infraestructuras tambi\u00e9n surgen aplicaciones con problemas de memoria (cuello de botella) y la necesidad de utilizar mejores redes (PARAMNet-3, Infiniband, GigE). \u00a0Tener poder de c\u00f3mputo no es barato y solamente con el hardware no alcanza. Seg\u00fan Mocskos, el equipo de operaciones de HPC necesita un alto grado de conocimiento y de disciplina para encarar la tarea.<\/p>\n<p>Por \u00faltimo, el profesor de Exactas e investigador Conicet cont\u00f3 sobre los proyectos de los dos <em>cl\u00fasters<\/em> que administra: <a href=\"https:\/\/cecar.fcen.uba.ar\/\">CECAR<\/a> en la facultad de Ciencias Exactas y Naturales-UBA y <a href=\"https:\/\/tupac.conicet.gov.ar\/stories\/home\/\">TUPAC<\/a> en el Centro de Simulaci\u00f3n Computacional para Aplicaciones Tecnol\u00f3gicas (CSC-CONICET). Cada uno se utiliza para resolver diversos problemas en la comunidad cient\u00edfico-tecnol\u00f3gica y tiene sus prestaciones particulares. CECAR fue\u00a0 actualizada con 18 CPU, 12 GPU y 7 nodos Intel. Por su parte, la supercomputadora TUPAC del CSC cuenta con un procesador 4200 AMD Opteron 6276, 18 TB de RAM, 72 TB de almacenamiento y conectividad I2.<\/p>\n<p>En este contexto, Mocskos est\u00e1 desarrollando tres l\u00edneas de trabajo complementarias entre s\u00ed:<\/p>\n<ol>\n<li>Aplicaciones: mec\u00e1nica cu\u00e1ntica, mec\u00e1nica molecular, din\u00e1mica molecular y qu\u00edmica computacional. Ej. <a href=\"https:\/\/www.dc.uba.ar\/inv\/licar\/FERNET\">Fluorescence Emission Recipes and NumErical routines Toolkit (FERNET)<\/a>.<\/li>\n<li>Sistemas distribuidos: infraestructuras de redes de comunicaciones que utilizan cibermonedas, Internet de las cosas y <em>Fog-Edge Computing<\/em>.<\/li>\n<li>Arquitectura del procesador: nuevos dise\u00f1os de procesadores y evaluaci\u00f3n de tecnolog\u00edas.<\/li>\n<\/ol>\n<h4>Acerca del Speaker<\/h4>\n<p><a href=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/04\/Mocskos-1.png\"><img decoding=\"async\" loading=\"lazy\" class=\"alignleft size-full wp-image-810\" src=\"https:\/\/datamining.dc.uba.ar\/predictivos\/wp-content\/uploads\/2018\/04\/Mocskos-1.png\" alt=\"\" width=\"183\" height=\"200\" \/><\/a>Esteban Mocskos es profesor del Departamento de Computaci\u00f3n, Facultad de Ciencias Exactas y Naturales, UBA. Tambi\u00e9n es investigador de CONICET con lugar de trabajo en el Centro de Simulaci\u00f3n Computacional (CSC-CONICET). Su campo de trabajo es la Computaci\u00f3n de Alto Desempe\u00f1o (HPC), siendo uno de los referentes regionales en la tem\u00e1tica. Sus tareas incluyen ser el responsable de operaciones de dos de los centros de HPC con mayor poder de c\u00f3mputo del pa\u00eds: CeCAR en la FCEN-UBA y TUPAC en CSC-CONICET. Ha publicado numerosos trabajos cient\u00edficos en temas de programaci\u00f3n paralela, plataforma de c\u00f3mputo y aplicaciones de HPC.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>El 11 de abril, Esteban Mocskos (profesor del Departamento de Computaci\u00f3n de Exactas-UBA e Investigador de Conicet) abri\u00f3 el ciclo de Conversaciones sobre Ciencia de Datos con la charla \u201cSistemas distribuidos, procesadores multicore y muchos datos para procesar: la combinaci\u00f3n ideal para la Computaci\u00f3n de Alto Rendimiento\u201d. El evento estuvo organizado por la Maestr\u00eda en Data Mining y se realiz\u00f3 en el Pabell\u00f3n 2 de [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":813,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[23,24],"tags":[20,21],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/812"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=812"}],"version-history":[{"count":2,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/812\/revisions"}],"predecessor-version":[{"id":816,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/812\/revisions\/816"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/813"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=812"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=812"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=812"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}