Propuesta para Trabajo de Grado

Trabajos Futuros

Como trabajo futuro quedan muchas opciones a partir de este trabajo.

1. DIVIDIR DATOS DE ENTRADA

En la propuesta de trabajo de grado [8] el dividir los datos de entrada en el procesamiento se consideraba como parte esencial del mismo, pero por el cambio de tiempo de desarrollo, esto no quedó dentro del alcance.

Básicamente en lo que consiste esto es a medida que la GPU tiene memoria disponible, se van pasando secciones de la imagen que se encuentran en memoria principal y se filtran; luego de ser filtradas, estas secciones se unirían y formarían una imagen resultante única.

2. EJECUCIÓN MULTIGPU

CUDAlicious fue desarrollado y ejecutado en dos sistemas que solo poseen una GPU, pero una de las características más importantes de CUDA es la posibilidad del desarrollo multiGPU.

Este desarrollo se hace por varias razones:

1. 
   Mejorar la velocidad de filtrado
   
2. 
   Aumentar la capacidad en memoria de GPU para trabajar
   
3. 
   Disminuir costos
   

La mejora de velocidad es evidente, al tener más recursos computacionales con los cuales filtrar la imagen. Tener dos o más GPU’s incrementa la memoria en la que se puede ejecutar el filtrado. Finalmente, ya que solo se necesita otro slot PCI Express disponible para poder añadir una nueva GPU, los costos de mejorar el rendimiento son menores a comparación de montar de nuevo todo un sistema de cómputo con GPU independiente.

3. PORT A OPENCL

CUDAlicious fue desarrollado en CUDA debido a la facilidad de programación, cantidad de recursos bibliográficos disponibles, cantidad de librerías previamente desarrolladas y en general, por el gran apoyo de Nvidia a los desarrolladores.

Sin embargo, CUDAlicious solo es ejecutable en máquinas que posean GPU Nvidia con capacidad de ejecutar CUDA. Esto representa una gran limitante, y sería interesante el poder ejecutar CUDAlicious en cualquier sistema que posea una GPU dedicada o integrada.

Para llevar esto a cabo, se podría hacer una adaptación de lenguaje CUDA a lenguaje OpenCL. OpenCL corre bajo cualquier GPU que sea compatible [22], y debido a la reciente incorporación de capacidad de ejecución de OpenCL a las tarjetas gráficas integradas Intel [23] y AMD [24], además del avance en este campo para procesadores móviles [25], el aumento de ambientes en los cuales se podría filtrar imágenes eficientemente se incrementaría sustancialmente.

Muchos conceptos sobre la convolución implementada en CUDAlicious pueden no ser compatibles directamente con OpenCL, pero existen trabajos [REF][REF] en los que se ha implementado exitosamente procesos de convolución.

VI - REFERENCIAS Y BIBLIOGRAFÍA

1. Referencias

1. 
   Pontificia Universidad Javeriana, Documentos institucionales – Misión, [ONLINE]. DISPONIBLE EN: http://puj-portal.javeriana.edu.co/portal/page/portal/PORTAL_VERSION_2009_2010/es_mision
   
2. 
   Nan Zhang; Yun-shan Chen; Jian-li Wang; , "Image parallel processing based on GPU," Advanced Computer Control (ICACC), 2010 2nd International Conference on , vol.3, no., pp.367-370, 27-29 March 2010, [ONLINE]. DISPONIBLE EN: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=5486836&isnumber=5486614
   
3. 
   Nvidia Tegra. [ONLINE]. DISPONIBLE EN: http://www.nvidia.com/object/tegra.html
   
4. 
   Apple A5X SoC. [ONLINE]. DISPONIBLE EN: http://www.apple.com
   
5. 
   Nvidia CUDA. [ONLINE]. DISPONIBLE EN: http://www.nvidia.com/object/cuda_home_new.html
   
6. 
   Extreme Programming. [ONLINE]. DISPONIBLE EN: http://www.extremeprogramming.org/
   
7. 
   SDK Nvidia CUDA. [ONLINE]. DISPONIBLE EN: https://developer.nvidia.com/gpu-computing-sdk
   
8. 
   Propuesta de trabajo de grado Daniel Cárdenas. Pontificia Universidad Javeriana 2012
   
9. 
   CUDA C Programming Guide, [ONLINE]. DISPONIBLE EN: http://docs.nvidia.com/cuda/cuda-c-programming-guide
   
10. 
    NVIDIA SLI Best Practices, [ONLINE]. DISPONIBLE EN: https://developer.nvidia.com/sli-best-practices
    
11. 
    Jean-Loïc Rose. ITK architecture. CREATIS-LRMN. [ONLINE]. DISPONIBLE EN : http://www.creatis.insa-lyon.fr/software/public/creatools/crea_ThirdParty_Libraries/documentation/doc01/ITK-Architecture.ppt
    
12. 
    Image convolution with CUDA [ONLINE]. DISPONIBLE EN : http://developer.download.nvidia.com/compute/cuda/1.1-Beta/x86_64_website/projects/convolutionSeparable/doc/convolutionSeparable.pdf
    
13. 
    FFT and Convolution Performance in Image Filtering on GPU ISSN :1550-6037
    
14. 
    Reading and writing Images and Video, OpenCV, [ONLINE]. DISPONIBLE EN: http://docs.opencv.org/modules/highgui/doc/reading_and_writing_images_and_video.html?highlight=imread#imread
    
15. 
    Kittens, [ONLINE]. DISPONIBLE EN : http://www.funnykittensite.com/pictures/kitten_in_the_grass.htm
    
16. 
    ITK imageFileReader, [ONLINE]. DISPONIBLE EN : http://www.itk.org/Doxygen/html/classitk_1_1ImageFileWriter.html
    
17. 
    ITK imageFileWriter, [ONLINE]. DISPONIBLE EN : http://www.itk.org/Doxygen/html/classitk_1_1ImageFileReader.html
    
18. 
    CUDA Occupancy Calculator, [ONLINE]. DISPONIBLE EN :http://developer.download.nvidia.com/compute/cuda/CUDA_Occupancy_calculator.xls
    
19. 
    Intel HyperThreading Technology, [ONLINE]. DISPONIBLE EN : http://www.intel.com/content/www/us/en/architecture-and-technology/hyper-threading/hyper-threading-technology.html
    
20. 
    Intel TurboBoost Technology, [ONLINE]. DISPONIBLE EN : http://www.intel.com/content/www/us/en/architecture-and-technology/turbo-boost/turbo-boost-technology.html
    
21. 
    CUDA Fermi Architecture, [ONLINE]. DISPONIBLE EN : http://www.nvidia.com/object/fermi-architecture.html
    
22. 
    Open CL, [ONLINE]. Disponible en : https://www.khronos.org/opencl/
    
23. 
    Intel Graphics. [ONLINE]. Disponible en : http://www.intel.com/content/www/us/en/architecture-and-technology/hd-graphics/hd-graphics-developer.html
    
24. 
    AMD Graphics. [ONLINE]. Disponible en : http://www.amd.com/us/products/graphics/Pages/graphics.aspx
    
25. 
    MALI T600 Developer guide. [ONLINE]. Disponible en : http://malideveloper.arm.com/develop-for-mali/tutorials-developer-guides/developer-guides/mali-t600-series-gpu-opencl-developer-guide/
    
26. 
    Nvidia Visual Profiler. [ONLINE]. Disponible en : https://developer.nvidia.com/nvidia-visual-profiler
    

VII - ANEXOS

Anexo 1. Glosario

GPU

Graphics processing unit. Coprocesador dedicado al procesamiento gráficos.

CPU

(Central Processing Unit): Unidad central de procesamiento

ITK

Plataforma de código abierto que provee herramientas para el análisis de imágenes.

FPGA

(Field-programmable gate array): Dispositivo semiconductor que contiene bloques de lógica cuya interconexión y funcionalidad puede ser configurada.

Procesador multinúcleo

Aquel que combina dos o más procesadores independientes en un solo circuito integrado.

RGBA

Formato de imagen definido por los canales Red, Green, Blue, Alpha.

Anexo 2. Post-Mortem

1. Metodología propuesta vs. Metodología realmente utilizada.

La metodología utilizada fue la misma que la propuesta, todo se centraba en el desarrollo basado en prototipos incrementales. Debido al cambio en el tiempo de desarrollo, los entregables y las actividades propuestas cambiaron, pero esto no afectó de manera importante al proyecto.

2. Actividades propuestas vs. Actividades realizadas.

Las actividades propuestas anteriormente se encuentran en la siguiente ilustración:


Las actividades realizadas durante el desarrollo del trabajo de grado, junto con sus entregables fue la siguiente:

Nombre	Duración	Descripción	Entregables
Investigación inicial	5 días	Investigación sobre las características principales de las imágenes médicas, sus dimensiones y utilidades.	Resumen sobre los diferentes tipos de imágenes médicas.
Investigación algoritmos	5 días	Investigación sobre los principales algoritmos de filtrado aplicados en la medicina.	Resumen sobre los diferentes algoritmos, resaltando su utilidad y complejidad.
Investigación lenguaje	1 día	Investigación sobre las capacidades, funciones, algoritmos y métodos que funcionan mejor utilizando el lenguaje CUDA.	Resumen sobre los recursos del lenguaje CUDA que serán utilizados, mostrando la diferencia entre las implementaciones paralelas y seriales.
Selección algoritmos de filtrado	1 días	A partir de la investigación de algoritmos, seleccionar cuales son los que aparecerán en el producto.	Lista de algoritmos a implementar.
Caracterización y separación de los algoritmos	3 días	Con los algoritmos seleccionados, definir el pseudocódigo de cada uno, identificando en donde se podrían paralelizar.
Planteamiento primer prototipo	1 día	Se plantea el alcance de la primera versión del prototipo
Primer Prototipo	10 días	Prototipo que prueba la integración de CUDA con otras plataformas	Primer prototipo
Planteamiento segundo prototipo	2 días	Se plantea el alcance de la segunda versión del prototipo.
Segundo prototipo	5 días	El prototipo permite cargar imágenes 2D utilizando OpenCV	Segundo prototipo
Planteamiento tercer prototipo	1 día	Se plantea el alcance de la tercera versión del prototipo.
Tercer Prototipo	8 días	El prototipo filtra imágenes 2D	Tercer prototipo
Planteamiento cuarto prototipo	1 día	Se plantea el alcance de la cuarta versión del prototipo.
Cuarto prototipo	7 días	El prototipo permite cargar imágenes ND utilizando ITK	Cuarto prototipo
Planteamiento versión final	2 días	Se plantea el alcance de la última versión del prototipo.
Prototipo Final	5 días	El prototipo permite todo lo descrito en la sección de Ultima Versión	Prototipo Final
Selección de variables de desempeño	1 día	Seleccionar las diferentes variables que se utilizarán para identificar si la solución planteada es más rápida que la serial.
Ejecución de la comparación	2 días	Ejecución de la comparación de tiempos descrita en la sección de Pruebas.	Gráfica de resultados
Construcción de la memoria	2 meses	Se construye en paralelo a la ejecución del proyecto.	Memoria

3. Efectividad en la estimación de tiempos del proyecto

El cronograma que se propuso al modificar el tiempo de desarrollo del proyecto fue construido de una manera mucho mejor el primer cronograma, esto debido a que se contó con un mayor seguimiento de parte del director de trabajo de grado.

En general se planteó trabajo cada semana, y el estudiante se reunía con el director de trabajo de grado un día de la misma. En estas reuniones se revisaba el avance de las tareas y se proponía el siguiente avance.

4. Costo estimado vs. Costo real del proyecto

No surgieron costos adicionales a los originalmente contemplados, de igual manera se utilizaron los recursos definidos en la estimación, así que no hubo tampoco un costo menor al estimado.

El costo contemplado en la propuesta es el siguiente.

1. Costos de personal

Hora Estudiante	$ 12.000,00
Hora Director	$ 50.000,00

Tabla : Costos de personal

	Costo Total de horas
Estudiante	$ 2.880.000,00
Director	$ 3.600.000,00
Total Costo Personal	$ 6.480.000,00

Tabla : Costos totales de personal

2. Costos de recursos físicos y materiales

Los recursos necesarios para el desarrollo del trabajo de grado se especifican en la siguiente tabla, entre ellos destaca un computador que posea GPU Nvidia con capacidad de ejecutar código en lenguaje de programación CUDA versión 4.2, debido a que sin este es imposible ejecutar el prototipo a implementar.

Recurso	cantidad	Costo Unitario	Costo recursos
Computador portatil con GPU Nvidia	1	2.700.000	2.700.000
Herramienta de filtrado serial	1	0	0
SDK Nvidia CUDA 4.2	1	0	0
Uso de instalaciones físicas (en meses)	4.5		0
Total costos recursos materiales		2.700.000	2.700.000

Tabla : Costos de recursos físicos

5. Efectividad en la estimación y mitigación de los riesgos del proyecto

En la siguiente tabla se muestran los riesgos contemplados en el desarrollo del proyecto.

Riesgo	Estrategia de Mitigación
Memoria insuficiente de la GPU para tratar imágenes n-dimensionales	Modificar el algoritmo de tal manera que la imagen se filtre por partes manteniendo la precisión del proceso total de filtrado
Mala planeación del cronograma	Rediseñar las actividades, recursos y tiempos siguientes a la presentación del riesgo, sin aplazar la fecha de entrega
Pérdida de los recursos físicos por daño o robo de los mismos	Se pedirá un préstamo para adquirir de nuevo el recurso en cuestión, con el fin de terminar el trabajo en el tiempo estipulado.
La obtención del caso de prueba es imposible	Se generará una imagen lo más parecida posible a un caso de prueba real, igualmente se probará con la herramienta de filtrado serial
La implementación de los algoritmos de filtrado seleccionados resulta ser imposible en el tiempo estipulado	Se redistribuirá el tiempo dedicado a las pruebas para lograr terminar la implementación de una porción de los algoritmos seleccionados que permitan probar las principales funcionalidades del producto.
El estudiante que realiza el trabajo de grado enferma y no puede completarlo en el tiempo estipulado	Se puede pedir una prorroga para la entrega del trabajo de grado hasta por un año.
Fallo en la instalación y/o ejecución de herramientas (SDK CUDA [7], herramienta de filtrado serial)	Se cambiará la plataforma en la cual se ejecuta la herramienta problemática, en caso de no ser suficiente, se buscará e implementará el workaround mas efectivo

No se presentó ninguno de los riesgos contemplados, esto teniendo en cuenta que el riesgo específico “Memoria insuficiente de la GPU para tratar imágenes n-dimensionales” no aplica debido al cambio en el alcance del proyecto.