I dagens situasjon med eksponentielt voksende digitale datamengder, utgjør utgiftene til elektrisk strøm størstedelen av de totale kostnadene for store datatjenester. For eksempel konsumerer Googles datasentre nesten 260 MW. Omtrent en fjerdedel av produk sjonen av et kjernekraftverk - nok til å forsyne 200.000 boliger. Energieffektivitet utgjør derfor et viktig kriterium for bærekraftige storskala datasystemer og -tjenester. Kravet om energieffektivitet innebærer økte krav til håndteringen av massiv paral lellitet, heterogenitet og datalokalitet, og medfører dermed at utviklingen av parallelle programmer blir enda mer kompleks, og dermed også ytterligere feilutsatt.
PREAPP prosjektet har som mål å utvikle nye programmeringsmodeller som skal danne grunnlag et for et paradigmeskift fra energiblind til energibevisst programvareutvikling. De nye modellene skal realisere en ti-dobling av energieffektiviteten i forhold til dagens flerkjerne databehandling, og dermed sterkt fremme grønn databehandling og bærekraf tige datatjenester. De nye modellene vil understøtte en kraftig produktivitetsforbedring for realisering av vitenskapelige «big-data» applikasjoner som kjører effektivt på storskala plattformer for høy-ytelse tungregning (HPC), basert på banebrytende fler kjernearkitekturer. Terskelen for å utnytte storstilet parallell databehandling skal dermed bli betydelig redusert for et stort antall av beregningsorienterte forskere i flere disipliner.
Prosjektet har oppnådd sine mål. Vi har utviklet nye modeller for utforming av energieffektive parallelle algoritmer, nye energieffektive programmeringsabstraksjoner og rammer, og nye innstillingsmetoder for å optimalisere energiforbruket for heterogene datasystemer. For å takle effektivitetsutfordringen for kommunikasjon, har vi utviklet nye metoder til ressursstyring og planleggingsalgoritmer for å forbedre effektiviteten til kommunikasjonsstandarder. Vi har utviklet programmeringsabstraksjoner og rammer på høyt nivå som forbedrer produktiviteten. Vi har utnyttet de nye modellene og kunnskapen som er resultatet fra dette prosjektet i flere fagområder, inkludert cyber-fysiske systemer, cyber-sikkerhet og smarte kraftsystemer.
PREAPP prosjektteamet har etablert samarbeid med Computer Languages and Systems Software (CLaSS) gruppen ved Lawrence Berkeley National Lab. Vi har organisert to internasjonalt workshop på Simula og UiT hvor forskere fra PREAPP-prosjektet og CLaSS-gruppen har deltatt.
Outcomes:
The total number of scientific publications that related to this project is 22 of which there are 7 journal publications and 15 refereed proceedings papers. Besides, there are three technical reports of which one is being prepared for journal submission.
Impacts:
PREAPP research results have contributed to enhancing productivity, improving energy efficiency, and forming the foundations for a new energy-efficient computing paradigm. The new energy-efficient computing paradigm will enable highly efficient execution of code with minimal consumption of energy. With the current growth in large data centers and numbers of devices, this will have a considerable, long-term impact on environmental sustainability throughout ICT.
In today's exponential world of digital data, big data services have made the power consumption the lion's share of the total cost. For instance, Google data centres consume almost 260 MW, about a quarter of the output of a nuclear power plant, enough to power 200 000 homes. Energy efficiency is therefore considered a major criterion for "sustainable" computing systems and services over the data deluge. However, energy-efficient computing systems make parallel programming even more complex and thereby les s robust due to requirements of massive parallelism, heterogeneity and data locality.
The PREAPP project aims to devise novel programming models that will form foundations for a paradigm shift from energy "blind" to energy "aware" software development. T he new models will enable one order of magnitude improvement in energy efficiency in comparison with today's multicore computing, thereby greatly advancing green computing and sustainable services. The new models will facilitate unprecedented productivity for implementing scientific big data applications that run effectively on large-scale high-performance computing (HPC) platforms, which are based on cutting-edge manycore architectures. The threshold of adopting large-scale parallel computing will thus b e considerably lowered for a large number of computational scientists in several disciplines.
The PREAPP consortium consisting of world class universities (LIU, UiT) and research centres (INESC-ID, Simula), unites national and international experts with the required expertise to accomplish the ambitious but realistic goals of PREAPP.
