The study of impact of matrix-processor mapping on the parallel sparse matrix-vector multiplication
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F14%3A00213823" target="_blank" >RIV/68407700:21240/14:00213823 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/SYNASC.2013.49" target="_blank" >http://dx.doi.org/10.1109/SYNASC.2013.49</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/SYNASC.2013.49" target="_blank" >10.1109/SYNASC.2013.49</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
The study of impact of matrix-processor mapping on the parallel sparse matrix-vector multiplication
Popis výsledku v původním jazyce
Sparse matrix-vector multiplication (shortly spMV) is one of the most common subroutines in the numerical linear algebra. The parallelization of this task looks easy and straightforward, but it is not optimal in general case. This paper discuss some matrix-processor mappings and their impact on parallel spMV execution on massively parallel systems. We try to balance the performance and the overhead of the required transformation. We also present algorithms for redistribution. We propose four quality measures and derive lower and upper bound for different mappings. Our $spMV$ algorithms are scalable for almost all matrices arising from various technical areas.
Název v anglickém jazyce
The study of impact of matrix-processor mapping on the parallel sparse matrix-vector multiplication
Popis výsledku anglicky
Sparse matrix-vector multiplication (shortly spMV) is one of the most common subroutines in the numerical linear algebra. The parallelization of this task looks easy and straightforward, but it is not optimal in general case. This paper discuss some matrix-processor mappings and their impact on parallel spMV execution on massively parallel systems. We try to balance the performance and the overhead of the required transformation. We also present algorithms for redistribution. We propose four quality measures and derive lower and upper bound for different mappings. Our $spMV$ algorithms are scalable for almost all matrices arising from various technical areas.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
15th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing
ISBN
978-1-4799-3035-7
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
321-328
Název nakladatele
IEEE Computer Society
Místo vydání
Los Alamitos
Místo konání akce
Temešvár
Datum konání akce
23. 9. 2013
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—