An autotuning framework for Intel Xeon Phi platforms

Χριστοφορίδης, Ελευθέριος - Ιορδάνης; Christoforidis, Eleftherios - Iordanis

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