Петушков Григорий Валерьевич, проректор
119454, Москва, пр-т Вернадского, д. 78
Grigory V. Petushkov, Vice-Rector
78, Vernadskogo pr., Moscow, 119454
Сигов Александр Сергеевич, академик Российской академии наук, д.ф.-м.н., профессор, президент ФГБОУ ВО
119454, Москва, пр-т Вернадского, д. 78
Scopus Author ID 35557510600;
ResearcherID L-4103-2017
Alexander S. Sigov, Academician at the Russian Academy of Sciences, Dr. Sci. (Phys.–Math.), Professor,President
78, Vernadskogo pr., Moscow, 119454
Scopus Author ID 35557510600;
ResearcherID L-4103-2017
Цели. Анализ различных архитектур вычислительных систем (ВС), использовавшихся в последние десятилетия, позволил выделить наиболее распространенные структуры. Одной из ключевых особенностей является использование серийно производимого оборудования для создания подсистем обработки данных (например, многоядерные процессоры и полупроводниковая память большой емкости) и сетевого оборудования для построения коммуникационных подсистем. Это снижает затраты на оборудование и позволяет создавать типовые или кластерные конфигурации, что особенно важно для дорогостоящих ВС. Стремление достичь высокой вычислительной скорости и производительности в таких ВС требует минимизации времени на выполнение задачи и балансировки временных задержек как в подсистемах обработки данных, так и в коммуникационной подсистеме, обеспечивающей передачу данных внутри ВС. Целью работы является анализ вычислительных модулей (ВМ) и структур, на основе которых проводится построение кластерных ВС.
Методы. Основные результаты работы получены с использованием методов математического анализа и моделирования.
Результаты. Рассмотрена структура современных многоядерных микропроцессоров (МП), являющихся основой построения ВМ кластерных ВС. По мере увеличения числа ядер в структуре МП усложняется коммуникационная сеть, объединяющая их в единую структуру. Показано, что в новых разработках МП коммуникация между ядрами выполняется в виде сети, а сами МП представляют собой MIMD-структуры (множественный поток команд, множественный поток данных) в соответствии с известной классификацией Флинна.
Выводы. Предложенная методика выбора эффективной структуры ВС позволяет получить оптимальную структуру ВС по критерию быстродействия.
Objectives. Analysis of the various architectures of computing systems (CSs) used in recent decades has allowed us to identify the most common structures. One of the key features is the use of mass-produced equipment to create data processing subsystems (for example, multicore processors and high-capacity semiconductor memory), as well as network equipment to build communication subsystems. This reduces hardware costs and allows typical or cluster configurations to be created, which is especially important for expensive CSs. The desire to achieve high computational speed and performance in such CSs requires minimizing the time to complete the task and balancing time delays both in data processing subsystems and in the communication subsystem which provides data transmission inside the CS. The aim of this work is to analyze computing modules (CMs) and structures on the basis of which the construction of cluster CSs is carried out.
Methods. The main results of the work were obtained using methods of mathematical analysis and modeling.
Results. The study considers the structure of modern multicore microprocessors as the basis for building CMs of cluster CSs. As the number of cores in the microprocessor structure increases, the communication network which unites them into a single structure becomes more complicated. It has been shown that in new developments of microprocessors, communication between cores is performed in the form of a network. The microprocessors themselves are MIMD structures in accordance with the well-known Flynn classification.
Conclusions. The proposed method of selecting an effective structure of a CS allows us to obtain the optimal structure of a CS according to the criterion of performance.
The authors declare that there are no conflicts of interest present.