Εφαρμογή Μηχανικής Μάθησης για την Πρόβλεψη
Επιτάχυνσης Μετασχηματισμών σε Μεταγλωττιστές

Πλάκας, Ιωάννης; Plakas, Ioannis

dc.contributor.author	Πλάκας, Ιωάννης	el
dc.contributor.author	Plakas, Ioannis	en
dc.date.accessioned	2022-02-09T13:17:12Z
dc.date.available	2022-02-09T13:17:12Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54628
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22326
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	Μεταγλωττιστής	el
dc.subject	Επιτάχυνση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Γραμμική παλινδρόμηση	el
dc.subject	Σημαίες μεταγλωττιστών	el
dc.title	Εφαρμογή Μηχανικής Μάθησης για την Πρόβλεψη Επιτάχυνσης Μετασχηματισμών σε Μεταγλωττιστές	el
dc.contributor.department	Softlab	el
heal.type	bachelorThesis
heal.classification	Compilers	en
heal.classification	Machine Learning	el
heal.classification	Speedup Prediction	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-26
heal.abstract	Στη σημερινή εποχή, η ανάγκη για βελτίωση της μεταγλώττισης λογισμικού γίνεται ευρύτερα αντιληπτή. Οι μεταγλωττιστές χρησιμοποιούν προκαθορισμένες σημαίες (π.χ. -O2 ) για να βελτιστοποιήσουν την απόδοση του λογισμικού, είτε ως προς το χρόνο εκτέλεσης, είτε ως προς τη μνήμη και την ενέργεια που καταναλώνει. Κάθε τέτοια σημαία αντιστοιχεί συνήθως σε μια προκαθορισμένη σειρά περασμάτων βελτιστοποίησης που εφαρμόζονται στο μεταγλωττισμένο κώδικα. Παρ’ όλα αυτά, δεν είναι λίγες οι φορές που αυτές οι προεπιλεγμένες σημαίες επιφέρουν τα αντίθετα αποτελέσματα στον κώδικα. Αυτό γίνεται διότι κάθε εφαρμογή έχει τις δικές της ιδιαιτερότητες. Συνεπώς αποτελεί καταλυτικής σημασίας η “προσωποποίηση” της μεταγλώττισης έτσι ώστε κάθε εφαρμογή να μεταγλωττίζεται με βάση τα χαρακτηριστικά της. Σκοπός της παρούσας διπλωματικής είναι η υλοποίηση ενός συστήματος για την πρόβλεψη, κατά τη διάρκεια της μεταγλώττισης, της σειράς περασμάτων βελτιστοποίησης που θα έχει το καλύτερο αποτέλεσμα για το συγκεκριμένο πρόγραμμα που μεταγλωττίζεται. Κάθε πρόγραμμα προσδιορίζεται από ένα σύνολο στατικών χαρακτηριστικών (π.χ. αριθμός αριθμητικών εντολών), τα οποία συλλέγονται χωρίς να είναι απαραίτητη η εκτέλεση του προγράμματος. Στη συνέχεια, με τη χρήση μοντέλων μηχανικής μάθησης γίνεται πρόβλεψη με βάση τα στατικά χαρακτηριστικά της επιτάχυνσης των προς εξερεύνηση βελτιστοποιήσεων. Δίνοντας ουσιαστικά στο μοντέλο πρόβλεψης κάθε πιθανή σειρά πε- ρασμάτων βελτιστοποίησης από ένα προκαθορισμένο χώρο αναζήτησης για ένα σύνολο στατικών χαρακτηριστικών κώδικα, επιλέγεται η σειρά περασμάτων βελτιστοποίησης που αντιστοιχεί στη μέγιστη προβλεπόμενη απόδοση.	el
heal.advisorName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Γκούμας, Γιώργιος	el
heal.committeeMemberName	Στάμου, Γιώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	66 σ.	el
heal.fullTextAvailability	false