29、TAMM与自适应数据采样机制：高性能计算与大数据处理的创新方案

TAMM与自适应数据采样机制：高性能计算与大数据处理的创新方案

TAMM拓扑感知映射方法

随着超级计算机规模的不断扩大，拓扑感知映射成为提升复杂互连网络通信性能的关键技术。TAMM（Topology-Aware Mapping Method）作为一种新的拓扑感知映射方法，在这方面展现出了卓越的性能。

TAMM采用了两步优化策略。首先，从所有非连续计算资源中挑选合适的资源，为上传的任务进行调度，并在短时间内构建初始的一对一映射。接着，运用改进的迭代算法对初始映射进行优化，进一步降低通信成本。

在改进的迭代算法中，每次迭代都会交换具有最大成本度量Costmn的进程对。最终，映射结果会回退到最佳交换结果。交换过程会持续进行，直到每两个进程都交换过一次（状态statusi和statusj都不等于1），或者达到指定的迭代次数count。对于具有长距离通信模式的并行应用，这种标准有助于促进远距离进程之间的交换，从而增强通信局部性，同时避免重复交换同一对进程。

为了评估TAMM的性能，研究人员在天河 - 2A超级计算机上进行了实验。实验选用了NAS并行基准套件（版本3.3.1）中的四个程序（BT、SP、LU和CG）以及两个科学应用程序（Sweep3D和Snap）作为基准测试。实验结果表明，TAMM在多个方面都优于天河 - 2A的默认映射策略（顺序映射和循环映射）。

应用程序	与顺序策略相比Costmetric改进	与循环策略相比Costmetric改进	与顺序策略相比通信时间改进	与循环策略相比通