Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Barrios Hernández, Carlos JaimeRaffin, BrunoHernandez Ariza, Monica Liliana2024-03-0320162024-03-0320162016https://noesis.uis.edu.co/handle/20.500.14071/34103Simulaciones numéricas usando supercomputadores están produciendo un creciente volumen de datos. La producción y análisis eficiente de los datos son clave para futuros descubrimientos. El paradigma in situ emerge como una solución prometedora para evitar el cuello de botella en los dispositivos E/S que se genera en el sistema de archivos por la simulación y el análisis. El principio es procesar los datos tan cerca como sea posible donde y cuando estos son producidos. Varias estrategias e implementaciones han sido propuestas en los íltimos a˜nos para soportar procesamiento in situ con un bajo impacto en el rendimiento de la simulación. Aín así, pocos esfuerzos se han hecho en el escenario de procesamiento de análisis in situ con aplicaciones híbridas que soporten aceleradores como GPUs. En éste trabajo, se propone un estudio de las estrategias in situ usando Gromacs, un paquete de simulación de dinámica molecular con soporte multi-GPU, como aplicación de prueba. Dicho estudio se enfoca en el uso de recursos computacionales de la máquina por la simulación y el análisis in situ. Para finalizar, las estrategias de ubicación in situ son extendidas al caso de análisis in situ ejecutado en la GPU y se estudia su impacto en el rendimiento de Gromacs y la utilización de recursos. En particular se muestra que la ejecución de análisis in situ en GPU puede ser una solución más eficiente que en la CPU especialmente cuando la CPU es el cuello de botella de la simulación.application/pdfspahttp://creativecommons.org/licenses/by/4.0/FlowvrUnidades De Procesamiento Grafico ´ GpuGromacsAnalisis In SituUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestriaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coNumerical simulations using supercomputers are producing an ever growing amount of data. Efficient production and analysis of these data are the key to future discoveries. The in situ paradigm is emerging as a promising solution to avoid the I/O bottleneck encountered in the file system for both the simulation and the analytics by treating the data as soon as they are produced in memory. Various strategies and implementations have been proposed in the last years to support in situ treatments with a low impact on the simulation performance. Yetlittle efforts have been made when it comes to perform in situ analytics with hybrid simulations supporting accelerators like GPUs. In this projecta study of the in situ strategies with Gromacs is proposeda molecular dynamic simulation code supporting multi-GPUsas the application target. The study is specifically focused on the computational resources usage of the machine by the simulation and the in situ analytics. Finally the usual in situ placement strategies are extended to the case of in situ analytics running on a GPU and their impact on both Gromacs performance and the resource usage of the machine is studied. In particular it is shown that running in situ analytics on the GPU can be a more efficient solution than on the CPU especially when the CPU is the bottleneck of the simulation.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)