Presentasi Tugas IF5133 Sistem Komputer Kelompok 4 : Claudio Franciscus 23511009 Rizfi Syarif 23511013 Alif Finandhita 23511034 Andhik Budi Cahyono 23511081 Yadhi Aditya Permana 23511112

GPU computing (General Purpose GPU GPGPU) merupakan konsep pemrograman parallel yang menggunakan GPU sebagai media komputasi untuk memproses komputasi yang umumnya dikerjakan CPU. Model untuk komputasi GPU adalah dengan menggunakan CPU dan GPU bersama-sama dalam suatu model komputasi heterogen co-processing. Bagian berurutan aplikasi berjalan pada CPU dan bagian komputasi-intensif dipercepat oleh GPU. Dari sudut pandang pengguna, aplikasi akan berjalan lebih cepat karena menggunakan kinerja-tinggi dari GPU untuk meningkatkan kinerja.

Konsep ini menghasilkan kecepatan proses yang jauh lebih baik dibanding kecepatan CPU untuk kasus kasus tertentu. Keunggulan yang dimiliki oleh GPU ini bukan berarti menggantikan peran CPU. CPU lebih spesifik menangani permasalahan logika, sedangkan permasalahan komputasi diserahkan kepada GPU. GPU berevolusi menjadi sebuah manycore processor dengan kemampuan komputasi dan memory bandwith yang tinggi.

Operasi floating-point CPU dan GPU

Operasi floating-point CPU GPU dan memory bandwith untuk CPU GPU

Perbedaan floating-point operation dan memory bandwith ada karena GPU dispesialisasikan untuk menangani komputasi secara paralel. Pada GPU dirancang lebih banyak transistor yang didedikasikan untuk mengolah data daripada data caching dan flow control.

Secara spesifik GPU cocok untuk mengatasi masalah yang dapat dikategorikan sebagai data-parallel computations (program yang sama dieksekusi pada banyak data elemen secara paralel) Komputasi dilakukan dengan intensitas aritmatika yang tinggi, oleh karenanya proses tersebut lebih baik dilakukan secara langsung daripada disimpan di memori. Dalam GPGPU data disimpan di tekstur menggunakan format floating-points sehingga suatu pixel tidak lagi merepresentasikan warna melainkan suatu nilai numerik.

Inti dari komputasi parallel di GPU :Memanfaatkan banyak core yang tersedia di GPU Semakin banyak core maka akan semakin banyak thread yang dapat dihandle oleh GPU

Cara memanfaatkan kemampuan komputasi parallel pada GPU :Metode Klasik Shader Programming Metode Setengah Modern Brook GPU Metode Modern CUDA

Metode Klasik

Shared Programming :

Tidak standalone (memanfaatkan rendering pipeline), harus bekerja dengan Graphics API, contoh : OpenGL atau Direct3D. Bahasa pemrograman : OpenGL Shading Language (GLSL).

Metode Setengah Modern

BrookGPU :

Masih memanfaatkan rendering pipeline dan bekerja dengan Open GL/Direct3D tapi dengan konsep stream processing yang lebih terbuka.

Metode Modern

CUDA :

Akses untuk mengontrol elemen-elemen paralel di GPU, seperti manajemen thread, register, akses memory di multiprocessor atau di DRAM dengan performa yang lebih baik dari shader programming.

Berawal dari riset NVIDIA terhadap GPGPU. NVIDIA merevolusi GPGPU dan mengakselerasi dunia komputasi dengan memperkenalkan arsitektur parallel CUDA (terdiri dari ratusan core processor). CUDA = Compute Unified Device Architecture. Merupakan arsitektur pemrosesan paralel yang diimplementasikan ke dalam GPU buatan NVIDIA Teknologi yang dikembangkan oleh NVIDIA untuk mempermudah utilitasi GPU untuk keperluan umum (non-grafis).

Arsitektur CUDA

Arsitektur CUDA ini memungkinkan pengembang perangkat lunak untuk membuat program yang berjalan pada GPU buatan NVIDIA dengan syntax yang mirip dengan syntax C/C++/Fortran yang sudah banyak dikenal. Kemampuan pemrosesan GPU dapat dimanfaatkan lebih mudah oleh developer dalam hal mengkomputasi program yang mereka buat. Arsitektur CUDA menuntun para developer untuk membagi masalah kedalam sub-masalah yang dapat diselesaikan secara independen dalam proses paralel.

Proses komputasi parallel GPU dengan CUDA

Processing flow pada CUDA

Bagaimana menjalankan aplikasi pada GPU yang kompatibel dengan CUDA :CUDA menyediakan ekstensi pada bahasa C berupa fungsi yang ditandai khusus _global_ CPU akan menjalankan fungsi tersebut di dalam GPU. Setelah memulai eksekusi pada GPU, program akan segera mengeksekusi perintah berikutnya, tidak harus menunggu eksekusi GPU selesai. Hal ini memungkinkan pemrogram untuk menjalankan komputasi secara paralel antara CPU dan GPU. Selain dengan keyword __global__ , kernel juga dapat dideklarasikan dengan keyword __device__. Bedanya, kernel __device__ini hanya dapat dipanggil oleh kernel yang lain, alias oleh fungsi yang sudah berjalan pada GPU.

CUDA x86 Compiler, hasil kerja sama NVIDIA dan Portland Group untuk membuat aplikasi dengan menggunakan CUDA. MATLAB ANSYS, spesialisasi di bidang desain dan simulasi yang memanfaatkan CUDA untuk melakukan simulasi. Satu proses simulasi, misalnya simulasi kemungkinan masalah yang terjadi pada roda pesawat terbang, membutuhkan kemampuan proses yang tinggi.

Autodesk,menambahkan dukungan terhadap CUDA pada aplikasi populer mereka, 3ds Max, melalui plugin iray. iray memungkinkan rendering objek 3D dilakukan dengan menggunakan GPU yang mendukung CUDA. Autodesk juga menunjukkan sebuah proyek masa depan dimana pengguna 3ds Max bisa melakukan editing dari jarak jauh pada aplikasi 3ds Max yang terpasang di server yang didukung tenaga 32 GPU Fermi, hanya melalui sebuah browser.

NVIDIA Corporation, CUDA, Parallel Programming Made Easy , http://www.nvidia.com/objects/cuda_home_new.html, 2011 NVIDIA Corporation, What is GPU Computing? , http://www.nvidia.com/objects/GPU_computing.html, 2011 David Luebke, CUDA : Scalable Parallel Programming for High Performance Scientific Computing , IEEE ISBI, 2008, pp. 836 838. J. Nickolls, I. Buck, M. Garland & K. Skadron, Scalable Parallel Programming with CUDA , ACM Queue, 6(2), 2008, pp. 40 53.