Using graphics processing units on the cloud to accelerate and reduce processing cost of parameters estimation of seismic processing algorithm

Okita, Nicholas T.; Coimbra, Tiago A.; Ribeiro, José; Tygel, Martin

doi:10.22564/16cisbgf2019.221

Cited by 3 publications

(6 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Therefore, using the cloud is not as simple as getting equivalent hardware to what is available locally in a cluster. This work is the expansion of a previous work published in a conference (Okita et al, 2019) that had the objective of using GPUs to reduce both the time and execution price of seismic processing algorithms in the Amazon Web Services Elastic Computing Cloud (AWS EC2). This work aims to test how GPU accelerated instances perform in a different traveltime other than the ones shown in the original paper and explore the performance increase when using multiple CPU instances and multiple GPUs.…”

Section: Introductionmentioning

confidence: 99%

Extending the usage of graphics processing units on the cloud for cost savings on seismic data regularization

et al. 2021

Self Cite

View full text Add to dashboard Cite

ABSTRACT. The usage of graphics processing units is already known as an alternative to traditional multi-core CPU processing, offering faster performance in the order of dozens of times in parallel tasks. Another new computing paradigm is cloud computing usage as a replacement to traditional in-house clusters, enabling seemingly unlimited computation power, no maintenance costs, and cutting-edge technology, dynamically on user demand. Previously those two tools were used to accelerate the estimation of Common Reflection Surface (CRS) traveltime parameters, both in zero-offset and finite-offset domain, delivering very satisfactory results with large time savings from GPU devices alongside cost savings on the cloud. This work extends those results by using GPUs on the cloud to accelerate the Offset Continuation Trajectory (OCT) traveltime parameter estimation. The results have shown that the time and cost savings from GPU devices’ usage are even larger than those seen in the CRS results, being up to fifty times faster and sixty times cheaper. This analysis reaffirms that it is possible to save both time and money when using GPU devices on the cloud and concludes that the larger the data sets are and the more computationally intensive the traveltime operators are, we can see larger improvements.Keywords: cloud computing, GPU, seismic processing. Estendendo o uso de placas gráficas na nuvem para economias em regularização de dados sísmicosRESUMO. O uso de aceleradores gráficos para processamento já é uma alternativa conhecida ao uso de CPUs multi-cores, oferecendo um desempenho na ordem de dezenas de vezes mais rápido em tarefas paralelas. Outro novo paradigma de computação é o uso da nuvem computacional como substituta para os tradicionais clusters internos, possibilitando o uso de um poder computacional aparentemente infinito sem custo de manutenção e com tecnologia de ponta, dinamicamente sob demanda de usuário. Anteriormente essas duas ferramentas foram utilizadas para acelerar a estimação de parâmetros do tempo de trânsito de Common Reflection Surface (CRS), tanto em zero-offset quanto em offsets finitos, obtendo resultados satisfatórios com amplas economias tanto de tempo quanto de dinheiro na nuvem. Este trabalho estende os resultados obtidos anteriormente, desta vez utilizando GPUs na nuvem para acelerar a estimação de parâmetros do tempo de trânsito em Offset Continuation Trajectory (OCT). Os resultados obtidos mostraram que as economias de tempo e dinheiro foram ainda maiores do que aquelas obtidas no CRS, sendo até cinquenta vezes mais rápido e sessenta vezes mais barato. Esta análise reafirma que é possível economizar tanto tempo quanto dinheiro usando GPUs na nuvem, e conclui que quanto maior for o dado e quanto mais computacionalmente intenso for o operador, maiores serão os ganhos de desempenho observados e economias.Palavras-chave: computação em nuvem, GPU, processamento sísmico.

show abstract

Section: Introductionmentioning

confidence: 99%

Extending the usage of graphics processing units on the cloud for cost savings on seismic data regularization

et al. 2021

Self Cite

View full text Add to dashboard Cite

show abstract

“…No nosso trabalho, seguiremos tais orientações. Outros trabalhos importantes que buscaram explorar as propriedades de paralelização do problema foram propostos por Gimenes et al [24], Cardoso da Silva [12], Marchetti et al [27], Ni et al [31], Hu et al [23], Zeng et al [38] e Okita et al em duas ocasiões [32,33]. No primeiro, os autores propõem a procura pelos parâmetros P(t 0 , m 0 , h 0 ) a partir da discretização linear do intervalo de busca, isto é, para um dado parâmetro cujos valores devem pertencer no intervalo [p min , p max ], discretiza-se tal intervalo em n partes e testa-se cada um dos valores gerados para cada ponto (t 0 , m 0 , h 0 ).…”

Section: Capítulo 3 Trabalhos Relacionadosunclassified

“…Okita et al [33], por sua vez, utilizaram o modelo de programação SPITS e OpenCL para acelerar os métodos Zero Offset Common Reflection Surface, non-hyperbolic Zero Offset Common Reflection Surface e Finite Offset Common Reflection Surface em uma nuvem computacional. Neste trabalho, os autores focaram suas análises majoritariamente nos recursos financeiros economizados pela sua implementação.…”

Section: Capítulo 3 Trabalhos Relacionadosunclassified

“…Para o grupo utilizando GPUs, destacam-se os trabalhos de Gimenes et al [24], Cardoso da Silva [12], Ni at al. [31] e Okita et al [33], enquanto que para o segundo, Marchetti et al [27]. Deste grupo, apenas Okita et al [33] concentrouse em prover uma solução utilizando a plataforma SPITS [3] para diversos nós de uma nuvem computacional.…”

Section: Capítulo 1 Introduçãounclassified

“…[31] e Okita et al [33], enquanto que para o segundo, Marchetti et al [27]. Deste grupo, apenas Okita et al [33] concentrouse em prover uma solução utilizando a plataforma SPITS [3] para diversos nós de uma nuvem computacional. Tal plataforma, realizada pelos pesquisadores da Universidade Estadual de Campinas, é capaz de gerenciar a distribuição de tarefas entre os diversos nós.…”

Section: Capítulo 1 Introduçãounclassified

See 2 more Smart Citations

Aceleração de métodos de empilhamento sísmico com GPUs na nuvem computacional

Ciotto Pinton

View full text Add to dashboard Cite

Este trabalho é dedicado a todas as pessoas cujo apoio e ajuda foram de grande importância para a sua realização. Em primeiro lugar, destaco minha família, em especial meus pais, Sandra e Edmilson, e minha esposa, Jéssica, que sempre estiveram ao meu lado apoiando-me na conquista desse objetivo. Não menos importante, agradeço também ao professor doutor Edson Borin, meu orientador, sobretudo pela oportunidade única e disponibilidade ao me conceder seus valiosos ensinamentos. Por fim, agradeço à Universidade Estadual de Campinas por oferecer um ambiente de pesquisa reconhecido em todo o mundo, sendo, consequentemente, propício para a inovação. ResumoTécnicas de mapeamento da subsuperfície terrestre a partir de aquisições sísmicas de dados marítimos, tal como o método de empilhamento, vêm sendo fundamentais para diversas aplicações da indústria, notadamente para a exploração de petróleo e gás. Tais técnicas são importantes principalmente pelo fato de permitirem aos geofísicos obter parâmetros, tais como a velocidade de propagação do meio, por exemplo, e modelos das regiões de interesse com precisão elevada. Por utilizarem um volume bem elevado de medições sísmicas e apresentarem muitos laços, essas técnicas tendem a exigir muitos cálculos e, portanto, muito tempo de processamento quando consideramos arquiteturas tradicionais contendo poucas dezenas de CPUs. Tais características nos convidam a propor e explorar maneiras de tornar a sua execução mais rápida e eficiente. Tendo em vista o fato de que tais técnicas apresentam muitos laços cujas iterações são majoritariamente independentes entre si (com exceção ao acesso aos dados da memória, que é compartilhado), a paralelização, seja por meio do uso de GPUs ou de nós espalhados na nuvem computacional (ou de ambos), torna-se a alternativa mais viável e simples para acelerá-los. Além disso, tendo em vista o extensivo número de parâmetros a serem testados, faz-se necessário uma estratégia eficiente de busca. Sendo assim, neste trabalho, foi implementado um método de paralelização com suporte tanto a plataformas compatíveis com o framework CUDA quanto ao padrão OpenCL baseado no algoritmo genético de evolução diferencial para a procura dos parâmetros do meio de maneira a maximizar a medida de semblance para o empilhamento sísmico a partir de três modelos distintos de cálculo do tempo de trânsito, sendo eles, em ordem crescente de complexidade, o Common Mid Point, o Zero Offset Common Reflection Surface e, finalmente, o Offset Continuation Trajectory. Foi proposta igualmente uma técnica de seleção de dados para cada um destes mesmos modelos com o intuito de minimizar a quantidade de dados a ser transferida aos aceleradores a cada iteração. Finalmente, tais soluções foram integradas ao framework SPITS para a distribuição das tarefas computacionais entre os vários nós de uma nuvem. Em comparação com algumas soluções presentes na literatura para os tempos de trânsito Common Mid Point e Zero Offset Common Reflection Surface, o desempenho obtido pelo trabalho foi superior a outra...

show abstract

Faster and cheaper: How graphics processing units on spot-market instances minimize turnaround time and budget

Okita

Coimbra

2021

Interpretation

View full text Add to dashboard Cite

Cloud computing is enabling users to instantiate and access high-performance computing clusters quickly. However, without proper knowledge of the type of application and the nature of the instances, it can become quite expensive. The objective is to show that adequately choosing the instances provides a fast execution, which, in turn, leads to a low execution price, using the pay-as-you-go model on cloud computing. We used graphics processing units instances on the spot market to execute a seismic-dataset interpolation job and compared their performance to regular on-demand CPU instances. Furthermore, we explored how scaling could also improve the execution times at small price differences. The experiments have shown that, by using an instance with eight accelerators on the spot market, we obtain up to three hundred times speed-up compared to the on-demand CPU options, while being one hundred times cheaper. Finally, our results have shown that seismic-imaging processing can be sped up by order of magnitude with a low budget, resulting in faster and cheaper turn around processing time and enabling possible new imaging techniques.

show abstract

Using graphics processing units on the cloud to accelerate and reduce processing cost of parameters estimation of seismic processing algorithm

Cited by 3 publications

References 11 publications

Extending the usage of graphics processing units on the cloud for cost savings on seismic data regularization

Extending the usage of graphics processing units on the cloud for cost savings on seismic data regularization

Aceleração de métodos de empilhamento sísmico com GPUs na nuvem computacional

Faster and cheaper: How graphics processing units on spot-market instances minimize turnaround time and budget

Contact Info

Product

Resources

About