Studio e testing di algoritmo approssimato per k-center clustering su architettura Processing-In-Memory

Negli ultimi decenni, i sistemi di calcolo sono stati caratterizzati da un modello di elaborazione denominato computing-centric, in cui i dati risiedono in memoria e vengono spostati, quando necessario, verso la CPU. Tuttora, l’esecuzione di un programma `e dominata quasi interamente da operazioni logico-aritmetiche, portando ad avere come obiettivo finale quello di massimizzare il numero di operazioni per unit`a di tempo. L’era del Big Data, in cui operazioni computazionali moderne come il machine learning e il graph processing necessitano di una grande mole di dati, sta portando per`o ad un cambiamento di paradigma di elaborazione delle applicazioni nel quale `e il calcolo a dover essere spostato sui dati e non viceversa. Difatti, il tempo impiegato per spostare enormi quantit`a di dati all’interno di un sistema computazionale domina le attuali esecuzioni di un programma e, ancora di pi`u, il costo energetico che ne deriva `e uno dei motivi principali per cui negli ultimi anni si `e cercato un nuovo modello che non sia computing-centric. Per affrontare questo collo di bottiglia riguardante il trasferimento dei dati, `e richiesto un cambio di paradigma, in cui la memoria assume un ruolo attivo anche durante le operazioni di calcolo, integrando ad essa capacit`a di elaborazione. La tecnologia Processing-in-Memory (PIM) `e un modello architetturale che sposa completamente questa nuova tipologia di paradigma, detta data-centric, proponendo una soluzione hardware che consiste in accostare alla memoria operazioni di calcolo semplici o pi`u complesse. In tal modo, i dati possono essere calcolati direttamente dove sono archiviati e la latenza per recuperarli `e considerevolmente ridotta. Studi passati hanno valutato queste architetture in simulazione o, nella migliore delle ipotesi, con prototipi hardware PIM semplificati. L’azienda UPMEM, invece, ha progettato e realizzato la prima vera e propria architettura PIM disponibile sul mercato. Lo scopo di questa tesi `e di illustrare i risultati di benchmark eseguiti su un algoritmo per k-center clustering progettato proprio per questo tipo di architettura.