Machine Learning-Driven Workload Clustering and Placement for Heterogeneous DRAM/NVM Memory Systems

Ρόκομος, Ιωάννης; Rokomos, Ioannis

dc.contributor.author	Ρόκομος, Ιωάννης	el
dc.contributor.author	Rokomos, Ioannis	en
dc.date.accessioned	2025-11-13T09:06:33Z
dc.date.available	2025-11-13T09:06:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62868
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30564
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	Heterogeneous Memory	en
dc.subject	Intel Optane	en
dc.subject	Machine Learning	en
dc.subject	Workload Classification	en
dc.subject	Principal Component Analysis	en
dc.subject	Resource Allocation	en
dc.subject	Ετερογενής Μνήμη	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Ταξινόμηση Φορτίων Εργασίας	el
dc.subject	Ανάλυση Κύριων Συνιστωσών	el
dc.subject	Κατανομή Πόρων	el
dc.title	Machine Learning-Driven Workload Clustering and Placement for Heterogeneous DRAM/NVM Memory Systems	en
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής & Υπολογιστών	el
heal.type	bachelorThesis
heal.classification	Computer Engineering	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-06-24
heal.abstract	Modern computing systems increasingly face memory bottlenecks, where memory access speeds fail to keep pace with processor advancements. This limitation hinders the performance of memory-intensive applications, necessitating innovative solutions to efficiently manage memory resources. One promising approach is the integration of heterogeneous memory architectures that combine traditional DRAM with emerging non-volatile memory technologies such as Intel Optane. However, leveraging such architectures effectively requires intelligent workload classification and memory allocation strategies. This study explores the application of machine learning techniques to classify workloads based on their memory and computational characteristics. A dataset is constructed by profiling various benchmarks and extracting key performance metrics related to memory bandwidth and CPU utilization. Several supervised learning models, including Random Forest, K-Nearest Neighbors, and Naive Bayes, are trained on this dataset to categorize workloads into predefined classes. Feature selection and dimensionality reduction techniques, such as Principal Component Analysis (PCA), are employed to enhance model performance and interpretability.	en
heal.abstract	Τα σύγχρονα υπολογιστικά συστήματα αντιμετωπίζουν ολοένα και περισσότερο το πρόβλημα του περι- ορισμού της μνήμης, όπου οι ταχύτητες πρόσβασης στη μνήμη δεν συμβαδίζουν με τις βελτιώσεις στους επεξεργαστές. Αυτός ο περιορισμός επηρεάζει αρνητικά την απόδοση των εφαρμογών που απαιτούν έντονη χρήση μνήμης, καθιστώντας απαραίτητες καινοτόμες λύσεις για την αποδοτική διαχείριση των διαθέσιμων πόρων μνήμης. Μία πολλά υποσχόμενη προσέγγιση είναι η χρήση ετερογενών αρχιτεκτονικών μνήμης που συνδυάζουν την παραδοσιακή DRAM με νέες τεχνολογίες μη πτητικής μνήμης, όπως η Intel Optane. Ωστόσο, η αποδοτική αξιοποίηση τέτοιων συστημάτων απαιτεί έξυπνες στρατηγικές ταξινόμησης φορτίων εργασίας και κατανομής μνήμης. Η παρούσα μελέτη διερευνά τη χρήση τεχνικών μηχανικής μάθησης για την ταξινόμηση φορτίων ερ- γασίας με βάση τα χαρακτηριστικά τους σε επίπεδο μνήμης και επεξεργαστή. Δημιουργείται ένα σύνολο δεδομένων μέσω της ανάλυσης διάφορων benchmarks, εξάγοντας κρίσιμες μετρικές απόδοσης που σχετί- ζονται με το εύρος ζώνης της μνήμης και τη χρήση της CPU. Στη συνέχεια, εκπαιδεύονται διάφορα μοντέλα επιβλεπόμενης μάθησης, όπως το Random Forest, το K-Nearest Neighbors και το Naive Bayes, με σκοπό την κατηγοριοποίηση των φορτίων εργασίας σε προκαθορισμένες κλάσεις. Επιπλέον, εφαρμόζον- ται τεχνικές επιλογής χαρακτηριστικών και μείωσης διαστάσεων, όπως η Ανάλυση Κύριων Συνιστωσών (PCA), για τη βελτίωση της απόδοσης και της ερμηνευσιμότητας των μοντέλων	el
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Ξύδης, Σωτήριος	el
heal.committeeMemberName	Ζερβάκης, Γεώργιος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	93 σ.
heal.fullTextAvailability	false