Πρόβλεψη προτύπων πρόσβασης μνήμης με την χρήση
μηχανικής μάθησης και όρασης υπολογιστών

Συμπέθερος, Αριστοτέλης-Γεώργιος; Sympetheros, Aristotelis-Georgios

dc.contributor.author	Συμπέθερος, Αριστοτέλης-Γεώργιος	el
dc.contributor.author	Sympetheros, Aristotelis-Georgios	en
dc.date.accessioned	2024-07-16T07:09:46Z
dc.date.available	2024-07-16T07:09:46Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59917
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27613
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	Μηχανική Μάθηση	el
dc.subject	Πρότυπα Μνήμης	el
dc.subject	Πρόβλεψη Χρονοσειρών	el
dc.subject	Πρόβλεψη Σελίδων Μνήμης	el
dc.subject	Οραση Υπολογιστών	el
dc.subject	Machine Learning	en
dc.subject	Memory Page Prediction	en
dc.subject	Timeseries Prediction	en
dc.subject	Computer Vision	en
dc.subject	Memory Patterns	en
dc.title	Πρόβλεψη προτύπων πρόσβασης μνήμης με την χρήση μηχανικής μάθησης και όρασης υπολογιστών	el
dc.title	Learning memory access patterns using machine learning and computer vision	en
heal.type	bachelorThesis
heal.classification	Memory Page Prediction	en
heal.classification	Πρόβλεψη Σελίδων Μνήμης	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-26
heal.abstract	Τα σύγχρονα υπολογιστικά συστήματα, από τις προσωπικές συσκευές έως τα ισχυρά κέντρα δεδομένων, έχουν σημειώσει αξιοσημείωτη πρόοδο στην επεξεργαστική τους ισχύ. Αυτή η σημαντική πρόοδος, ωστόσο, αυξάνει την ανισότητα μεταξύ της υπολογιστικής ισχύος και της ταχύτητας πρόσβασης στη μνήμη, οδηγώντας σε μείωση της δυνητικής απόδοσης. Σε επίπεδο επεξεργαστή, αυτό μεταφράζεται σε χαμένους υπολογιστικούς κύκλους. Σε επίπεδα συστήματος, η μεγαλύτερη υπολογιστική ισχύ οδηγεί σε αύξηση της απαιτούμενης μνήμης και συνεπώς ανάγκη για χρήση μη πτητικής μνήμης (Non-Volatile Memory, NVM), οδηγώντας σε Υβριδικές Λύσεις Μνήμης (Hybrid Memory Systems, HMS). Η αρχιτεκτονική υπολογιστών χρησιμοποιεί μεθόδους πρόβλεψης για τον μετριασμό των προαναφερθέντων προβλημάτων. Στο επίπεδο του επεξεργαστή, αυτό περιλαμβάνει την προφόρτωση δεδομένων (data prefetching), όπου τα δεδομένα που θα χρειαστούν σε επόμενο χρόνο φορτώνονται εκ των προτέρων στην κρυφή μνήμη. Σε επίπεδο συστήματος, χρησιμοποιούνται διάφορες τεχνικές που σχετίζονται με τις σελίδες μνήμης (χρονοπρογραμματισμός, μεταφορά, αντικατάσταση κ.λπ.) για τη βελτιστοποίηση της διαχείρισης των HMS, βελτιώνοντας την συνολική απόδοση. Προφανώς, η δυνατότητα ακριβούς πρόβλεψης των μελλοντικών σελίδων μνήμης θα μπορούσε να βελτιώσει σημαντικά τη συνολική απόδοση αυτών των τεχνικών. Η πρόσφατη έξαρση του ενδιαφέροντος για τη μηχανική μάθηση έχει ωθήσει πολλούς ερευνητές στη διερεύνηση νέων εφαρμογών στην αρχιτεκτονική υπολογιστών, βασισμένων στη μηχανική μάθηση, προσφέροντας αποτελέσματα με μεγάλες προοπτικές για το μέλλον. Η παρούσα διπλωματική προτείνει μια νέα προσέγγιση, που αποτελείται από ένα καθορισμένο σύνολο κανόνων για την οπτική αναπαράσταση των δεδομένων και την αξιοποίηση μεθόδων μηχανικής μάθησης με βάση την εικόνα για την πρόβλεψη μελλοντικών προσβάσεων σελίδων. Η μέθοδος αυτή αποσκοπεί στην αξιοποίηση των πλεονεκτημάτων τόσο των χρονικών όσο και των χωρικών πληροφοριών που βρίσκονται εντός των δεδομένων. Βασικό στοιχείο αυτής της εργασίας είναι η αξιολόγηση της αποτελεσματικότητας αυτής της προσέγγισης σε σύγκριση με τις συμβατικές μεθόδους πρόβλεψης χρονοσειρών και τις τρέχουσες LSTM προσεγγίσεις καθώς και η εξερεύνηση του αχαρτογράφητου εδάφους της πρόβλεψης μεγαλύτερων τους ενός ακολουθιών μελλοντικών σελίδων. Αν και η προτεινόμενη προσέγγιση έχει προοπτικές εξέλιξης, δεν έχει ως στόχο να παρουσιάσει μια πρακτική υλοποίηση που να ξεπερνά ή να ανταγωνίζεται τις ήδη υπάρχουσες μεθόδους. Αντίθετα, θέτει τις βάσεις για την περαιτέρω ανάπτυξη τεχνικών μηχανικής μάθησης με βάση τις εικόνες για την πρόβλεψη σελίδων, που μπορούν να οδηγήσουν σε σημαντικές βελτιώσεις των επιδόσεων τόσο στα HMS όσο και στα συστήματα προφόρτωσης δεδομένων.	el
heal.abstract	Modern computing systems, from personal devices to powerful data centers, have witnessed a significant rise in processing power. This remarkable progress, however, creates a growing disparity between compute power and memory access speed, leading to performance bottlenecks. On a hardware level, this translates to wasted compute cycles while waiting for data retrieval. On a system level, handling more information necessitates more memory. Given the limitations of Dynamic Random Access Memory (DRAM), Non-Volatile Memory (NVM) is introduced, creating Hybrid Memory Solutions (HMS). Computer architecture utilizes prediction methods to mitigate the mentioned problems. At the CPU level, this involves data prefetching, where relevant data is preloaded in the cache to mask memory latency. On a system level, various page-related techniques (scheduling, migration, replacement, etc.) are employed to optimize memory management for HMS, ultimately improving overall performance. Currently implemented solutions in both cases are not too complex and focus on hardware or low-level software solutions. Evidently, accurate future page prediction could significantly enhance their performance. Fueled by the recent surge in machine learning, researchers are exploring novel applications in computer architecture, uncovering promising solutions. Inspired by image-based solutions for financial time series forecasting, this thesis proposes a new approach that leverages similar image-based machine learning models to predict future page accesses. A complete pipeline is proposed that consists of a defined set of rules to visually represent the data and utilize image-based machine learning methods to predict future page accesses. This method aims to harness the strengths of both temporal and spatial information within the data. The research seeks to evaluate the effectiveness of this approach compared to traditional timeseries forecasting methods and current state-of-the-art LSTMs, and to explore the uncharted territory of predicting longer sequences of future page accesses. Although the proposed approach is promising, it is not intended to provide a directly implementable solution that surpasses or competes with existing hardware-based methods. Instead, it paves the way and lays the groundwork for further development of image-based machine learning techniques for page forecasting, potentially leading to significant performance improvements in both HMS and data prefetching.	en
heal.advisorName	Tsanakas, Panayiotis	en
heal.committeeMemberName	Soudris, Dimitrios	en
heal.committeeMemberName	Xydis, Sotirios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	113 σ.	el
heal.fullTextAvailability	false