💻 computer science

Parallelizing SIR Epidemic Spread Simulation Using Pthreads, OpenMP, and MPI

Este artículo evalúa el rendimiento de Pthreads, OpenMP y MPI en la paralelización de una simulación epidémica SIR computacionalmente intensiva en una cuadrícula 2D, demostrando que MPI logra una aceleración superior y un escalado casi lineal para cuadrículas grandes en comparación con el escalado moderado y limitado observado en OpenMP y Pthreads debido a las sobrecargas de sincronización y de contención de memoria.

Autores originales: amna atiq

Publicado 2026-09-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: amna atiq

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina una vasta ciudad invisible donde millones de diminutos ciudadanos viven en una cuadrícula, cada uno ocupando un solo cuadro. En esta ciudad, una enfermedad se propaga no por el aire o el agua, sino por tocar a un vecino. Si una persona sana toca a alguien que está enfermo, podría contraer la enfermedad. Si están enfermos, eventualmente podrían recuperarse y volverse inmunes. Los científicos utilizan modelos informáticos para simular este tipo de propagación, ayudando a los funcionarios de salud pública a comprender cómo se mueve una enfermedad a través de una población real. El desafío es que estas simulaciones son un trabajo increíblemente pesado. Para obtener una imagen clara de un brote nacional, la computadora debe actualizar el estado de cada una de las personas en la cuadrícula, día tras día, durante cientos de días. Hacer esto paso a paso en una computadora estándar puede tardar demasiado para ser útil en una emergencia.

Aquí es donde entra el trabajo de la investigadora Amna Atiq. Ella abordó el problema de cómo hacer que estas simulaciones funcionen más rápido utilizando el poder de la computación paralela. En lugar de pedirle a un solo procesador que haga todo el trabajo pesado, ella exploró formas de dividir el trabajo entre muchos procesadores a la vez, de forma muy similar a un gran equipo de trabajadores que divide un enorme mural en secciones para que cada uno pueda pintar su parte simultáneamente. Su estudio se centró en un tipo específico de modelo conocido como el modelo SIR, que rastrea tres grupos: aquellos que son susceptibles a la enfermedad, aquellos que están infectados y aquellos que se han recuperado. El objetivo era ver qué método de división del trabajo era el más eficiente para que una computadora lo manejara.

Atiq probó tres enfoques diferentes para organizar este equipo de trabajadores. El primer método, conocido como Pthreads, divide la cuadrícula en franjas horizontales, asignando cada franja a un hilo de ejecución diferente dentro de una sola computadora. El segundo método, llamado OpenMP, utiliza un conjunto de instrucciones más simple para dividir automáticamente las filas de la cuadrícula entre los procesadores disponibles. El tercer enfoque, MPI, está diseñado para sistemas distribuidos donde múltiples computadoras o procesadores se comunican entre sí enviando mensajes, pasándose los bordes de sus secciones asignadas de la cuadrícula para asegurar que la infección se propague correctamente a través de todo el mapa.

Los resultados de la simulación revelaron claras diferencias en el rendimiento de cada método. Cuando los investigadores ejecutaron la simulación en una cuadrícula que representaba mil por mil personas durante cien pasos de tiempo, el enfoque estándar de un solo hilo tardó aproximadamente 1.58 segundos en completarse. Al usar el método Pthreads en una máquina de cuatro núcleos, el tiempo disminuyó, pero la aceleración fue limitada. Los trabajadores pasaron demasiado tiempo esperando a que los demás terminaran sus secciones antes de poder intercambiar su trabajo, y ocasionalmente interfirieron en el espacio de memoria de los otros, ralentizando las cosas. El método OpenMP funcionó ligeramente mejor, completando la tarea en menos de 0.7 segundos, pero también chocó con un muro cuando se añadieron más procesadores, debido principalmente al tiempo dedicado a la sincronización de los trabajadores al final de cada día.

El enfoque más exitoso fue el método MPI. Al tratar la cuadrícula como una colección de piezas separadas que se comunicaban solo en sus límites, este método escaló notablemente bien. Cuando los investigadores aumentaron el número de procesadores a ocho, la simulación se ejecutó más de seis veces más rápido que la versión original de un solo hilo. Esto sucedió porque el tiempo dedicado a enviar mensajes entre procesadores fue muy pequeño en comparación con el tiempo dedicado a calcular el estado de salud de las personas dentro de cada sección. Mientras que los otros métodos luchaban con la carga de coordinar a muchos trabajadores en una sola máquina, el enfoque de paso de mensajes mantuvo a los trabajadores concentrados en sus propias tareas, pausando solo brevemente para compartir la información necesaria sobre los bordes de sus territorios.

El estudio también destacó los compromisos involucrados al elegir un método. El enfoque de paso de mensajes requirió el código más complejo y una planificación cuidadosa para asegurar que las piezas de la cuadrícula se enviaran y recibieran correctamente sin quedarse estancadas. El método de división automática fue el más fácil de escribir pero ofreció la menor mejora en velocidad. El método basado en hilos se situó en un punto intermedio, pero sufrió problemas técnicos relacionados con cómo se organiza la memoria de la computadora. En última instancia, la investigación demostó que para simulaciones de epidemias a gran escala, dividir el trabajo entre múltiples procesadores mediante el paso de mensajes proporciona la ventaja de velocidad más significativa, permitiendo a los científicos ejecutar modelos complejos en una fracción del tiempo requerido por los métodos antiguos. Esta eficiencia es crucial para prepararse para futuros brotes, donde cada segundo de tiempo de simulación puede traducirse en mejores estrategias de preparación y respuesta.

Resumen Técnico: Paralelización de la Simulación de Propagación Epidémica SIR mediante Pthreads, OpenMP y MPI

Declaración del Problema
La simulación de la propagación de epidemias utilizando el modelo de autómatas celulares Susceptible–Infectado–Recuperado (SIR) es una tarea computacionalmente intensiva, crítica para las políticas de salud pública y la preparación ante pandemias. En su forma de rejilla espacial, el modelo simula la propagación de enfermedades a través de una población bidimensional donde la infección se propaga a los vecinos adyacentes. Las simulaciones a escala nacional (por ejemplo, $N=10,000$ representando regiones de $1 \text{ km}^2$ sobre $T=365$ pasos de tiempo) requieren aproximadamente 36 mil millones de actualizaciones de celdas, lo que las hace computacionalmente inviables sin computación paralela de alto rendimiento. El desafío central abordado es la paralelización eficiente de este "cálculo de estarcido" (stencil computation), donde el estado de cada celda depende únicamente de sus vecinos inmediatos, creando una carga de trabajo embarazosamente paralela dentro de cada paso de tiempo, pero que requiere sincronización en los límites.

Metodología
El estudio implementa y compara tres paradigmas de programación paralela distintos frente a una línea base secuencial en una rejilla bidimensional de $N \times N$ :

Línea Base Secuencial: Una implementación de referencia utilizando buffers de ping-pong (dos rejillas de $N \times N$ ) con una complejidad temporal de $O(N^2 \cdot T)$ . La regla de actualización itera a través de las celdas, aplicando transiciones probabilísticas basadas en la fracción de vecinos infectados ( $\beta$ ) y las tasas de recuperación ( $\gamma$ ).
Pthreads (POSIX Threads): La rejilla se descompone en $P$ franjas horizontales, donde cada hilo posee un conjunto específico de filas. La sincronización se gestiona mediante pthread_barrier_t para asegurar que todos los hilos completen un paso de tiempo antes del intercambio de buffers. La implementación destaca el riesgo de "falso intercambio" (false sharing) en las filas límite donde hilos adyacentes leen/escriben en las mismas líneas de caché, a pesar de utilizar buffers separados.
OpenMP: Utiliza una directiva #pragma omp parallel for única con planificación estática para particionar el bucle de fila exterior. Este enfoque depende de barreras implícitas para la sincronización y emplea semillas de números aleatorios por hilo (rand_r) para prevenir condiciones de carrera. Ofrece una descomposición automática con una intervención manual mínima.
MPI (Interfaz de Paso de Mensajes): Diseñado para memoria distribuida, el proceso raíz genera la rejilla y distribuye $N/P$ filas a los procesos trabajadores. Cada proceso asigna filas "fantasma" o de "halo" para facilitar la comunicación entre vecinos. Un patrón MPI_Sendrecv gestiona los intercambios de halo antes de cada paso de tiempo, y MPI_Reduce agrega estadísticas globales. Este método gestiona explícitamente la sobrecarga de comunicación frente al cálculo.

Contribuciones Clave
El artículo proporciona cuatro contribuciones primarias:

Una implementación SIR secuencial verificada que sirve como referencia de corrección.
Tres implementaciones paralelas distintas (Pthreads, OpenMP, MPI) adaptadas al problema de estarcido SIR.
Un análisis de rendimiento sistemático que incluye mediciones de escalamiento fuerte para diversos tamaños de rejilla ( $N=500, 1000$ ) y conteos de procesos/hilos ( $P=1$ a $8$).
Una discusión comparativa sobre cuellos de botella, complejidad de programación y las compensaciones entre los modelos de memoria compartida (Pthreads/OpenMP) y de memoria distribuida (MPI).

Resultados Experimentales
Los experimentos se realizaron en una máquina de cuatro núcleos (Apple M-series/Intel Core i5) con $N=1000$ y $T=100$ . El tiempo de ejecución de la línea base secuencial fue de 1.576 segundos.

Rendimiento de MPI: Logró la aceleración más alta de 6.35× con $P=8$ procesos, con una eficiencia del 79%. Demostró un escalamiento casi lineal para rejillas grandes, ya que el volumen de comunicación (intercambio de halo de ~8 KB por paso) permaneció insignificante en comparación con el cálculo de $O(N^2/P)$ .
Rendimiento de OpenMP: Entregó una aceleración de 2.25× con $P=4$ hilos. Aunque es eficiente, el escalamiento fue moderado debido a la sobrecarga de las barreras implícitas al final de cada bucle paralelo, la cual se vuelve dominante en relación con el cálculo para tamaños de problema más pequeños.
Rendimiento de Pthreads: Logró una aceleración de 2.12× con $P=4$ hilos. El escalamiento se vio limitado por el falso intercambio en las filas límite y la sobrecarga de la sincronización de barrera explícita, resultando en un escalamiento casi plano a medida que aumentaba el número de hilos.

Notablemente, las implementaciones de Pthreads y OpenMP con $P=1$ mostraron tiempos de ejecución ligeramente más rápidos que la línea base secuencial debido a las optimizaciones del compilador (-O3) aplicadas durante la compilación paralela, aunque las verdaderas ganancias de paralelismo se observaron en valores de $P$ más altos.

Significancia y Reivindicaciones
El artículo sostiene que la elección del paradigma paralelo impacta significativamente el rendimiento y la escalabilidad para las simulaciones epidémicas.

MPI se identifica como el enfoque superior para simulaciones a gran escala que requieren alta aceleración y la capacidad de escalar más allá de un solo nodo, debido a su baja relación comunicación-cálculo.
OpenMP se destaca como la implementación más accesible, ofreciendo la estructura de código más simple con una aceleración moderada, adecuada para sistemas de memoria compartida de un solo nodo.
Pthreads, aunque ofrece un control más fino, se muestra como menos efectivo para este problema de estarcido específico debido a los costos de sincronización y los problemas de coherencia de caché (falso intercambio).

El estudio concluye que, si bien los tres modelos paralelizan con éxito la simulación SIR, MPI proporciona el escalamiento más robusto para simulaciones de escala nacional. El autor sugiere que el trabajo futuro debería explorar la comunicación MPI no bloqueante para superponer los intercambios de halo con el cálculo, enfoques híbridos MPI+OpenMP y la aceleración por GPU mediante CUDA.

Resumen Técnico: Paralelización de la Simulación de Propagación Epidémica SIR mediante Pthreads, OpenMP y MPI

Más como este