PAPIN_JC.jpg

La puissance de calcul des plus grands calculateurs ne fait qu'augmenter : de quelques centaines de cœurs de calculs dans les années 1990, on en est maintenant à plusieurs millions ! Leur infrastructure évolue aussi : elle n'est plus linéaire, mais complètement hiérarchique. Les applications de calcul intensif, largement utilisées par la communauté scientifique, doivent donc se munir d'outils permettant d'utiliser pleinement l'ensemble de ces ressources de manière efficace.

Dans cette Thèse, on se propose d'étudier les outils actuels de répartition des données et des calculs, afin de voir les raisons qui font que de tels outils ne sont pas pleinement adaptés aux fortes variations de charge ainsi qu'à la hiérarchie toujours plus importante des nouveaux calculateurs.

Nous proposerons un nouveau modèle d'ordonnancement et de partitionnement, basé sur des interactions physiques, particulièrement adapté aux applications basées sur des maillages réguliers et présentant de fortes variations de charge au cours du temps.

Nous validerons alors ce modèle en le comparant à des outils de partitionnement de graphes reconnus et largement utilisés, et verrons les raisons qui le rendent plus performant pour des applications aussi bien parallèles que distribuées.

Enfin, nous proposerons une interface nous permettant d'utiliser cette méthode d'ordonnancement dans des calculateurs toujours plus hiérarchiques.

Numerical simulations mostly rely on large computations chains for which the cost (computing load), either a computing time or a memory access time, can strongly vary over time: it is referred to as dynamic computing load evolution.

In this thesis, we propose to study actual data partitioning and computing scheduling tools, and to explore their limitations with regards to strong and repetitive load variation as well as the still increasing cluster hierarchy.

We will then propose a new scheduling and partitioning model, based on physical interactions, particularly suitable to regular mesh based applications that produce strong computing load variations over time.

We will then compare our model against well-known and widely used graph partitioning tools and we will see the reasons that make this model more reliable for such parallel and distributed applications.

Lastly, we will propose a multi-level scheduling interface that is specially designed to allow to use our model in even more hierarchical clusters.