Ανάλυση και μοντελοποίηση ετερογενών επεξεργαστών ARM

Τσιατσιάνης, Γεώργιος Χρήστος; Tsiatsianis, Georgios Christos

dc.contributor.author	Τσιατσιάνης, Γεώργιος Χρήστος	el
dc.contributor.author	Tsiatsianis, Georgios Christos	en
dc.date.accessioned	2020-04-02T09:28:07Z
dc.date.available	2020-04-02T09:28:07Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50036
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17734
dc.rights	Default License
dc.subject	Eτερογενείς αρχιτεκτονικές	el
dc.subject	ΑRM	en
dc.subject	Ανάλυση	el
dc.subject	Μοντελοποίηση	el
dc.subject	Μηχανική μάθηση	el
dc.title	Ανάλυση και μοντελοποίηση ετερογενών επεξεργαστών ARM	el
heal.type	bachelorThesis
heal.classification	Αρχιτεκτονική υπολογιστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-03-20
heal.abstract	Τα τελευταία χρόνια η ραγδαία αύξηση της υπολογιστικής ισχύος αναπόδραστα έχει προκαλέσει ζητήματα χειρισμού της ενεργειακής κατανάλωσης, τόσο σε φορητές συσκευές (tablet, κινητά) όσο και σε εξυπηρετητές και υπερυπολογιστές. Μία από τις μεθόδους που χρησιμοποιείται για τη ρύθμιση της ενεργειακής κατανάλωσης είναι η χρήση ετερογενών υπολογιστικών συστημάτων. Τέτοιου είδους συστήματα είναι οι επεξεργαστές big.LITTLE της εταιρίας ARM, οι οποίοι περιέχουν out-of-order big πυρήνες και in-order little πυρήνες σε διαφορετικά εύρη συχνοτήτων, με στόχο την εξοικονόμηση ενέργειας δίχως αισθητή διαφορά στην απόδοση. Στην παρούσα διπλωματική εργασία, αναλύσαμε εφαρμογές από τις σουίτες μετροπρογραμμάτων Spec2006 και Parsec. Πραγματοποιήσαμε κατάλληλες μετρήσεις με στόχο να βρούμε τους χρόνους εκτέλεσης των προγραμμάτων στα διαφορετικά είδη πυρήνων, το instruction mix τους, τη συμπεριφορά των cache μνημών τους, καθώς και την ενεργειακή τους κατανάλωση. Με βάση αυτές τις μετρήσεις, επιχειρήσαμε να κατανοήσουμε ποιοι παράγοντες καθορίζουν την επίδοση και την ενεργειακή απόδοση ενός προγράμματος στο κάθε είδος πυρήνα και να την μοντελοποιήσουμε. Για τη μοντελοποίηση των επεξεργαστών χρησιμοποιήσαμε πέντε μοντέλα μηχανικής μάθησης. Πιο συγκεκριμένα, χρησιμοποιήσαμε τη μέθοδο Logistic Regression με Stochastic Gradient Descent, τη μέθοδο Decision Tree, τη μέθοδο Random Forest, τη μέθοδο kNN(k Nearest Neighbours) και τη μέθοδο Multilayer Perceptron. Εισάγαμε στις εισόδους των μοντέλων μηχανικής μάθησης το instruction mix και τη συμπεριφορά των caches των προγραμμάτων με στόχο να μπορούμε να προβλέψουμε το βέλτιστο συνδυασμό ενεργειακής κατανάλωσης (Energy Delay Product και Energy Delay 2 Product) για το υπολογιστικό σύστημα.	el
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Νικόλαος, Παπασπύρου	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	126 σ.
heal.fullTextAvailability	true