Πρόβλεψη χρόνου επικοινωνίας παράλληλων εφαρμογών σε αρχιτεκτονικές κοινού χώρου διευθύνσεων

Μουλλωτού, Παναγιώτης; Moullotou, Panagiotis

dc.contributor.author	Μουλλωτού, Παναγιώτης	el
dc.contributor.author	Moullotou, Panagiotis	en
dc.date.accessioned	2016-07-29T10:19:04Z
dc.date.available	2016-07-29T10:19:04Z
dc.date.issued	2016-07-29
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/43346
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.12561
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Χρόνος επικοινωνίας	el
dc.subject	MPI εφαρμογές	el
dc.subject	Αρχιτεκτονικής κοινής μνήμης	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Πρόβλεψη	el
dc.subject	Communication time	en
dc.subject	MPI Applications	en
dc.subject	Shared memory architectures	en
dc.subject	Machine learning	en
dc.subject	Prediction	en
dc.title	Πρόβλεψη χρόνου επικοινωνίας παράλληλων εφαρμογών σε αρχιτεκτονικές κοινού χώρου διευθύνσεων	el
heal.type	bachelorThesis
heal.classification	Προβλεψη χρόνου επικοινωνίας	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2016-07-18
heal.abstract	Με τη δουλειά μας, παρουσιάζουμε μία μεθοδολογία για την πρόβλεψη του χρόνου επικοινωνίας παράλληλων εφαρμογών σε αρχιτεκτονικές κοινής μνήμης βασιζόμενοι σε τεχνικές μηχανικής μάθησης, για σημείο-προς-σημείο αλλά και συλλογική επικοινωνία, που παρέχει το προγραμματιστικό μοντέλο ανταλλαγής μηνυμάτων, MPI. Χρησιμοποιούμε διάφορα benchmarks για την εξαγωγή ενός συνόλου με σημεία-παραδείγματα. Κάθε σημείο περιέχει κάποια χαρακτηριστικά που αποτυπώνουν την επικοινωνία που λαμβάνει χώρα και το χρόνο επικοινωνίας που δαπανήθηκε. Μετέπειτα, στηριζόμενοι στα σημεία επικοινωνίας που εξάγαμε, εκπαιδεύουμε τα μοντέλα με αλγόριθμους επιτηρούμενης μάθησης και αξιολογούμε τη συμπεριφορά τους για διάφορα σύνολα δειγμάτων εκπαίδευσης, με τη βοήθεια δύο MPI εφαρμογών, Jacobi και LULESH, και διάφορων μετρικών αξιολόγησης. Τελικά, τα αποτελέσματα για επικοινωνία σημείο-προς-σημείο παρουσιάζουν αξιοσημείωτη ακρίβεια με τουλάχιστον 75\% των περιπτώσεων που προβλέπουμε να έχουν απόλυτο σχετικό σφάλμα μικρότερο από 30\% για όλες τις αρχιτεκτονικές που εξετάσαμε. Αντίστοιχης κλίμακας ακρίβεια παρουσιάζουν οι προβλέψεις συλλογικής επικοινωνίας. Επιπρόσθετα, πέραν των προβλέψεων, αναλύουμε τις προκλήσεις που εμφανίζει η μελέτη της συλλογικής επικοινωνίας.	el
heal.abstract	In this paper, we represent a methodology aiming to predict the time consumed by parallel applications for communication purposes, based on machine learning technics, applicable for point-to-point and collective MPI operations. We use several benchmarks in order to extract a training set containing samples. Each sample is formed by a number of features, grasping the communication that took place during the benchmarks' execution, followed by the time consumed. Afterwards, we implement supervised learning algorithms for the models' training and we evaluate their accuracy for two modern MPI applications, Jacobi and LULESH. Finally, point-to-point operations are predicted with noteworthy results by combining the samples extracted from two benchmarks, acheiving absolute relative error below 25\% while scoring higher than 75\% in $Pred_{0.3}$. Moreover, except for making predictions, we analyse the challenges presented by collective operations modeling.	en
heal.advisorName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Υπολογιστικών Συστημάτων	el
heal.academicPublisherID	ntua
heal.numberOfPages	72 σ.
heal.fullTextAvailability	true