An autotuning framework for Intel Xeon Phi platforms

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Χριστοφορίδης, Ελευθέριος - Ιορδάνης el
dc.contributor.author Christoforidis, Eleftherios - Iordanis en
dc.date.accessioned 2016-09-15T06:41:12Z
dc.date.available 2016-09-15T06:41:12Z
dc.date.issued 2016-09-15
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/43522
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.12992
dc.rights Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ *
dc.subject Αυτόματη προσαρμογή el
dc.subject Αυτόματη διαμόρφωση el
dc.subject Μηχανική μάθηση el
dc.subject IntelXeonPhi επεξεργαστής el
dc.subject Πολυπύρηνα συστήματα el
dc.subject Συμβουλευτικό σύστημα el
dc.subject Μοντέλο μοιραζόμενης μνήμης el
dc.subject Παρακολούθηση el
dc.subject Μεγάλος όγκος δεδομένων el
dc.subject Automatic tuning en
dc.subject Machine learning en
dc.subject Intel Xeon Phi coprocessor en
dc.subject Manycore systems en
dc.subject Multicore systems en
dc.subject Recommender system en
dc.subject Shared memory model en
dc.subject Monitoring en
dc.subject Big data en
dc.title An autotuning framework for Intel Xeon Phi platforms en
heal.type bachelorThesis
heal.classification Computer systems en
heal.classification High performance computing en
heal.classification Big data en
heal.classificationURI http://id.loc.gov/authorities/subjects/sh98003200
heal.classificationURI http://id.loc.gov/authorities/subjects/sh95008935
heal.classificationURI http://id.loc.gov/authorities/subjects/sh2012003227
heal.language el
heal.language en
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2016-07-21
heal.abstract Έχουμε πλέον εισέλθει στην εποχή όπου ο όγκος των δεδομένων προς επεξεργασία είναι ασύλληπτα μεγάλος και τα συστήματα/εφαρμογές που καλούνται να χρησιμοποιήσουν τόσο όγκο πληροφορίας αδυνατούν, όταν στηρίζονται στις παραδοσιακές μεθόδους. Γι’ αυτό το λόγο, έχουν δημιουργηθεί πολυπήρηνα συστήματα, σύγχρονες αρχιτεκτονικές υπολογιστών και μέθοδοι παράλληλης επεξεργα- σίας με στόχο να λύσουν το παραπάνω πρόβλημα με αποδοτικό και γρήγορο τρόπο. Ωστόσο, τα νέα υπολογιστικά συστήματα και οι τρόποι επεξεργασίας διαθέτουν ένα μεγάλο βαθμό πολυπλοκότητας στη λειτουργία τους, τον οποίο και μεταφέρουν στην προσαρμογή των εφαρμογών και προγραμμά- των που χειρίζονται μεγάλους όγκους δεδομένων. Ταυτόχρονα, έχουν δημιουργηθεί όρια απόδοσης και κατανάλωσης ενέργειας τα οποία είναι απαραίτητο να τηρούνται για την εξοικονόμηση πόρων και ενέργειας. Μέχρι στιγμής, αυτά τα δύο κομβικά σημεία καλείται να εκτελέσει ο ίδιος ο προγραμ- ματιστής. Πρέπει να αναλύσει το κάθε πρόγραμμα ανεξάρτητα και να εξετάσει τον τρόπο εκτέλεσής του μέχρι να βρει την κατάλληλη μορφή που θα τηρεί τους περιορισμούς που έχουν τεθεί. Προφα- νώς, αυτό το έργο αποτελεί πολύ δύσκολη δουλειά και συνήθως η προσαρμογή προγραμμάτων από ανθρώπους δεν εξαντλεί όλα τα περιθώρια βελτίωσης. Συνεπώς, καθίσταται απαραίτητη η δημιουρ- γία ενός εργαλείου που θα αυτοματοποιεί αυτό το έργο και θα παρέχει αποδοτικότερες μορφές των προγραμμάτων σε μικρό χρονικό διάστημα. Η παρούσα διπλωματική εργασία παρουσιάζει τον Autotuner , ένα άμεσο και κλιμακωτό εργαλείο που αναπτύχθηκε ειδικά για την πλατφόρμα Intel Xeon Phi coprocessor και προτείνει, για κάθε εφαρμογή που δέχεται, περιβάλλοντα διαμόρφωσης για την αποδοτικότερη εκτέλεσή τους στην πλατφόρμα. Αντικαθιστά έτσι την χειρονακτική δουλεία που έπρεπε να κάνει ο προγραμματιστής καθώς καλού- νταν να εξερευνήσει 2,880 διαφορετικά περιβάλλοντα εκτέλεσης. Αντί να αναλύει κάθε εφαρμογή πάνω σ’ όλα τα περιβάλλοντα εκτέλεσης, χρησιμοποιεί πληροφορίες που το εργαλείο έχει αποθηκεύ- σει από προηγούμενες εφαρμογές. Η λειτουργία του βασίζεται σε μια collaborative filtering μέθοδο έτσι ώστε γρήγορα και με ακρίβεια να κατηγοροποιεί μια εφαρμογή σε σύνολα περιβάλλοντων εκτέ- λεσης βρίσκοντας ομοιότητες με προηγούμενες εφαρμογές που έχουν βελτιστοποιηθεί. Ο Autotuner ελέγθηκε πάνω σε ένα σύνολο απαιτητικών και διαφορετικών εφαρμογών από δύο σύγ- χρονες σουίτες και οι μετρήσεις ήταν πολύ ενθαρρυντικές. Συγκεριμένα, σε λιγότερο από 8 λεπτά για κάθε εφαρμογή o Autotuner πρότεινε ένα περιβάλλον διαμόρφωσης που η απόδοσή του ξεπερνούσε το 90% της καλύτερης εκτέλεσης. el
heal.abstract We have already entered the era where the size of the data that need processing is extremely large and the applications that use them face difficulties if they follow the traditional ways. For that reason, new approaches have been developed, multi- and many- core systems, modern computing architectures and parallel processing models that aim to provide a solution for that problem efficiently and in a timely manner. However, these new computing systems kai processing methods are characterized by a lot inner complexity and that complexity is transfered also to programs’ and applications’ tuning which analyze big data. Concurrently, there have beed set performance and power limitations that need to comply with. Until now, these two major tasks are tackled by the application developer himself. He has to analyze every application independently and examine the its execution in order to find the version that will fulfill the restraints that have been set. Obviously, this is an onerous task and usually hand tuning does not fully exploit the margins for improvement. Hence, it is crusial the developement of a tool that will automate program tuning and will provide efficient tuned programs in a small period of time. This diploma thesis presents, the Autotuner , an online and scalable tool that was developed specifi- cally for the Inte Xeon Phi coprocessor and suggests for every incoming application, a performance effective and energy-saving tuning configuration. It substitutes the hard work the application devel- oper had to do, as he had to explore 2,880 different tuning configurations. Instead of analyzing every application against every tuning configuration, it uses previously cached information from already checked applications. The Autotuner is based on a collaborative filtering technique that quickly and with accuracy classifies an application with respect to sets of tuning configurations by identifying similarities to previously optimized applications. The Autotuner was tested against a set of demanding and diverse applications from two modern bench- mark suites and the evaluation looked very promising. Particularly, in less than 8 minutes for every appplication the Autotuner suggested a tuning environment in which the application achieved more than 90% of the best tuning configuration. en
heal.advisorName Σούντρης, Δημήτριος el
heal.committeeMemberName Κοζύρης, Νεκτάριος el
heal.committeeMemberName Πεκμεστζή, Κιαμάλ el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Μικροϋπολογιστών και Ψηφιακών Συστημάτων VLSI el
heal.academicPublisherID ntua
heal.numberOfPages 111 σ. el
heal.fullTextAvailability true

Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα Except where otherwise noted, this item's license is described as Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα