Совместно используемая память в R

Описание проблемы:

У меня есть большая матрица c, загруженная в оперативную память. Моя цель - параллельная обработка, чтобы иметь доступ только для чтения. Однако, когда я создаю соединения, я использую doSNOW, doMPI, big.matrix и т.д. Количество используемого барабана резко увеличивается.

Есть ли способ правильно создать общую память, где все процессы могут читать, не создавая локальную копию всех данных?

Пример:

libs<-function(libraries){# Installs missing libraries and then load them
  for (lib in libraries){
    if( !is.element(lib, .packages(all.available = TRUE)) ) {
      install.packages(lib)
    }
    library(lib,character.only = TRUE)
  }
}

libra<-list("foreach","parallel","doSNOW","bigmemory")
libs(libra)

#create a matrix of size 1GB aproximatelly
c<-matrix(runif(10000^2),10000,10000)
#convert it to bigmatrix
x<-as.big.matrix(c)
# get a description of the matrix
mdesc <- describe(x)
# Create the required connections    
cl <- makeCluster(detectCores ())
registerDoSNOW(cl)
out<-foreach(linID = 1:10, .combine=c) %dopar% {
  #load bigmemory
  require(bigmemory)
  # attach the matrix via shared memory??
  m <- attach.big.matrix(mdesc)
  #dummy expression to test data aquisition
  c<-m[1,1]
}
closeAllConnections()

Оперативная память: на изображении выше вы можете обнаружить, что память сильно увеличивается до тех пор, пока foreach не закончится и освободится.

Ответ 1

Я думаю, что решение проблемы можно увидеть из должности Стива Уэстона, автора пакета foreach, здесь. Там он утверждает:

Пакет doParallel будет автоматически экспортировать переменные рабочим, на которые ссылаются в цикле foreach.

Итак, я думаю, проблема в том, что в вашем коде ваша большая матрица c указана в присваивании c<-m[1,1]. Просто попробуйте xyz <- m[1,1] и посмотрите, что произойдет.

Вот пример с файлом big.matrix:

#create a matrix of size 1GB aproximatelly
n <- 10000
m <- 10000
c <- matrix(runif(n*m),n,m)
#convert it to bigmatrix
x <- as.big.matrix(x = c, type = "double", 
                 separated = FALSE, 
                 backingfile = "example.bin", 
                 descriptorfile = "example.desc")
# get a description of the matrix
mdesc <- describe(x)
# Create the required connections    
cl <- makeCluster(detectCores ())
registerDoSNOW(cl)
## 1) No referencing
out <- foreach(linID = 1:4, .combine=c) %dopar% {
  t <- attach.big.matrix("example.desc")
  for (i in seq_len(30L)) {
    for (j in seq_len(m)) {
      y <- t[i,j]
    }
  }
  return(0L)
}

## 2) Referencing
out <- foreach(linID = 1:4, .combine=c) %dopar% {
  invisible(c) ## c is referenced and thus exported to workers
  t <- attach.big.matrix("example.desc")
  for (i in seq_len(30L)) {
    for (j in seq_len(m)) {
      y <- t[i,j]
    }
  }
  return(0L)
}
closeAllConnections()

Ответ 2

В качестве альтернативы, если вы работаете в Linux/Mac и хотите иметь общую память CoW, используйте вилки. Сначала загрузите все свои данные в основной поток, а затем запустите рабочие потоки (вилки) с общей функцией mcparallel из пакета parallel.

Вы можете собрать свои результаты с помощью mccollect или с использованием по-настоящему разделяемой памяти с помощью библиотеки Rdsm, например:

library(parallel)
library(bigmemory) #for shared variables
shared<-bigmemory::big.matrix(nrow = size, ncol = 1, type = 'double')
shared[1]<-1 #Init shared memory with some number

job<-mcparallel({shared[1]<-23}) #...change it in another forked thread
shared[1,1] #...and confirm that it gets changed
# [1] 23

Вы можете подтвердить, что значение действительно обновляется в backgruound, если вы задерживаете запись:

fn<-function()
{
  Sys.sleep(1) #One second delay
  shared[1]<-11
}

job<-mcparallel(fn())
shared[1] #Execute immediately after last command
# [1] 23
aaa[1,1] #Execute after one second
# [1] 11
mccollect() #To destroy all forked processes (and possibly collect their output)

Чтобы контролировать соответствие и избегать условий гонки, используйте блокировки:

library(synchronicity) #for locks
m<-boost.mutex() #Lets create a mutex "m"

bad.incr<-function() #This function doesn't protect the shared resource with locks:
{
  a<-shared[1]
  Sys.sleep(1)
  shared[1]<-a+1
}

good.incr<-function()
{
  lock(m)
  a<-shared[1]
  Sys.sleep(1)
  shared[1]<-a+1
  unlock(m)
}

shared[1]<-1
for (i in 1:5) job<-mcparallel(bad.incr())
shared[1] #You can verify, that the value didn't get increased 5 times due to race conditions

mccollect() #To clear all threads, not to get the values
shared[1]<-1
for (i in 1:5) job<-mcparallel(good.incr())
shared[1] #As expected, eventualy after 5 seconds of waiting you get the 6
#[1] 6 

mccollect()

Edit:

Я упростил зависимости, обменяв Rdsm::mgrmakevar на bigmemory::big.matrix. mgrmakevar внутренне вызывает big.matrix, и нам больше ничего не нужно.