Simuladores de sistemas heterogêneos GP-GPU procuram oferecer acurácia de desempenho ao custo de elevado tempo de execução. Com o objetivo de evitar o custoso processo de simulação durante as etapas de exploração arquitetural de sistemas baseados em GPUs, desenvolvemos e avaliamos diversos preditores de desempenho de GPUs baseados em algoritmos de aprendizado de máquina com acurácia e baixo custo computacional. A qualidade dos preditores desenvolvidos neste trabalho foi avaliada por meio de métricas como coeficiente de determinação, score de treinamento e validação cruzada. Preditores baseados nas técnicas de Random Forest e SVR apresentaram os melhores resultados tanto em acurácia quanto performance.
A computação em nuvem oferece uma enorme gama de recursos computacionais disponíveis sob demanda. Contudo, encontrar a melhor configuração que reduza custos e atenda as exigências do usuário tornou-se um grande desafio. Este desafio compartilha características essenciais com um problema da área de arquitetura de computadores, a exploração de espaço de projetos (Design Space Exploration DSE). Em DSE, o foco é escolher, dentre uma grande quantidade de soluções arquiteturais, qual a mais indicada para uma determinada demanda, buscando atender objetivos e cumprindo as restrições de projeto. Diante disso, este trabalho propõe a aplicação de técnicas de exploração de espaço de projeto como potencial solução para o problema de alocação de recursos em nuvem. Este trabalho fará uso de técnicas já disponíveis junto ao fluxo da ferramenta de DSE denominada MultiExplorer, resultando, assim, em uma extensão dessa ferramenta para também atuar no problema de alocação de recursos em nuvem.
The limitations on the scalability of computer systems imposed by the dark‐silicon effects are so severe that they support the extensive use of heterogeneity such as the GP‐GPU for general purpose processing. Performance simulators of GP‐GPU heterogeneous systems aim to provide performance accuracy at the cost of execution time. In this work, we handle time‐consuming simulations of design space exploration systems based on GPUs. We have developed performance predictors based on machine learning (ML) algorithms and evaluated them in accuracy and throughput (number of predictions per second). We measure model accuracy through the mean absolute percentage error (MAPE) and the model efficiency through a throughput metric (millions of predictions per second). Our experiments revealed that decision trees predictors are the most promising regarding accuracy and efficiency. We applied the best predictors into the MultiExplorer, a dark silicon‐aware design space exploration tool that allows designers to explore the architecture and microarchitecture of multicore/manycore system design.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.