Reduciendo el coste económico de las prácticas de CUDA manteniendo la calidad del aprendizaje

Abstract

Resumen: La computación de propósito general con tarjetas gráficas se basa en el uso de estas tarjetas (GPUs) para realizar cálculos computacionales que tradicionalmente son realizados por los procesadores (CPUs). Debido al creciente uso de las GPUs, es importante que los planes de estudio de informática incluyan los fundamentos de la computación paralela con GPUs, al tiempo que se equipan los laboratorios docentes con GPUs a un coste razonable. En este sentido, instalar GPUs en todos los ordenadores del laboratorio puede resultar costoso a nivel económico, mientras que compartir un servidor remoto con GPU entre los estudiantes puede derivar en unas malas condiciones de aprendizaje. En este trabajo proponemos una solución eficaz a este problema: el uso de la tecnología rCUDA (CUDA remoto), que permite a las aplicaciones de un ordenador utilizar, de forma concurrente y transparente, GPUs instaladas en servidores remotos. De esta manera los estudiantes pueden, desde sus puestos de trabajo, compartir una misma GPU instalada en un servidor remoto sin tener que iniciar sesión en el mismo. Para demostrar que nuestra propuesta es factible, presentamos experimentos en un escenario real que muestran cómo el coste del laboratorio es notablemente reducido, mientras que la calidad del aprendizaje se mantiene.

Abstract: General-Purpose computing on Graphics Processing Units consists in using Graphics Processing Units (GPUs) to perform the computation of applications traditionally handled by regular processors (CPUs). Due to their increasing use, it is important that Computer Engineering and Computer Science curricula include the basics of this new computing trend. As regards the practical part of the training, one major issue is how to introduce GPUs into a laboratory: buying GPUs for all the workstations of the lab may be too expensive, whereas installing one GPU in a server and requesting the students to log into this server may lead to a low teaching quality due to its associated overhead. In this paper we suggest a new solution to introduce GPUs into a laboratory: the rCUDA (remote CUDA) framework, which allows applications running in a computer to use GPUs installed in remote servers. Hence, students will be capable of sharing a remote GPU (concurrently and transparently) from their local workstations in the lab, without logging into the server. To prove that our approach is possible, we show experiments in a real laboratory. The experiments demonstrate that our proposal reduces the cost of the laboratory, whereas the teaching quality still remains.