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

Carlos Reaño, Federico Silla Jiménez

• español

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

• English

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