Contribution to High Performance Computing and Big Data Infrastructure Convergence
Contribution à la convergence d'infrastructure entre le calcul haute performance et le traitement de données a large échelle
Résumé
The amount of produced data, either in the scientific community or the commercial
world, is constantly growing. The field of Big Data has emerged to handle large
amounts of data on distributed computing infrastructures. High-Performance Com-
puting (HPC) infrastructures are traditionally used for the execution of compute
intensive workloads. However, the HPC community is also facing an increasing
need to process large amounts of data derived from high definition sensors and
large physics apparati. The convergence of the two fields -HPC and Big Data- is
currently taking place. In fact, the HPC community already uses Big Data tools,
which are not always integrated correctly, especially at the level of the file system
and the Resource and Job Management System (RJMS).
In order to understand how we can leverage HPC clusters for Big Data usage, and
what are the challenges for the HPC infrastructures, we have studied multiple
aspects of the convergence: We initially provide a survey on the software provi-
sioning methods, with a focus on data-intensive applications. We contribute a new
RJMS collaboration technique called BeBiDa which is based on 50 lines of code
whereas similar solutions use at least 1000 times more. We evaluate this mecha-
nism on real conditions and in simulated environment with our simulator Batsim.
Furthermore, we provide extensions to Batsim to support I/O, and showcase the
developments of a generic file system model along with a Big Data application
model. This allows us to complement BeBiDa real conditions experiments with
simulations while enabling us to study file system dimensioning and trade-offs.
All the experiments and analysis of this work have been done with reproducibility
in mind. Based on this experience, we propose to integrate the development
workflow and data analysis in the reproducibility mindset, and give feedback on
our experiences with a list of best practices.
La quantité de données produites, que ce soit dans la communauté scientifique
ou commerciale, est en croissance constante. Le domaine du Big Data a émergé
face au traitement de grandes quantités de données sur les infrastructures infor-
matiques distribuées. Les infrastructures de calcul haute performance (HPC) sont
traditionnellement utilisées pour l’exécution de charges de travail intensives en cal-
cul. Cependant, la communauté HPC fait également face à un nombre croissant de
besoin de traitement de grandes quantités de données dérivées de capteurs haute
définition et de grands appareils physique. La convergence des deux domaines
-HPC et Big Data- est en cours. En fait, la communauté HPC utilise déjà des outils
Big Data, qui ne sont pas toujours correctement intégrés, en particulier au niveau
du système de fichiers ainsi que du système de gestion des ressources (RJMS).
Afin de comprendre comment nous pouvons tirer parti des clusters HPC pour
l’utilisation du Big Data, et quels sont les défis pour les infrastructures HPC, nous
avons étudié plusieurs aspects de la convergence: nous avons d’abord proposé une
étude sur les méthodes de provisionnement logiciel, en mettant l’accent sur les
applications utilisant beaucoup de données. Nous contribuons a l’état de l’art avec
une nouvelle technique de collaboration entre RJMS appelée BeBiDa basée sur 50
lignes de code alors que des solutions similaires en utilisent au moins 1000 fois plus.
Nous évaluons ce mécanisme en conditions réelles et en environnement simulé
avec notre simulateur Batsim. En outre, nous fournissons des extensions à Batsim
pour prendre en charge les entrées/sorties et présentons le développements d’un
modèle de système de fichiers générique accompagné d’un modèle d’application
Big Data. Cela nous permet de compléter les expériences en conditions réelles
de BeBiDa en simulation tout en étudiant le dimensionnement et les différents
compromis autours des systèmes de fichiers.
Toutes les expériences et analyses de ce travail ont été effectuées avec la repro-
ductibilité à l’esprit. Sur la base de cette expérience, nous proposons d’intégrer
le flux de travail du développement et de l’analyse des données dans l’esprit de
la reproductibilité, et de donner un retour sur nos expériences avec une liste de
bonnes pratiques.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...