Βελτιστοποίηση του υπολογιστικού πυρήνα Πολλαπλασιασμού Αραιού Πίνακα με Διάνυσμα σε σύγχρονες πολυπύρηνες αρχιτεκτονικές υπολογιστών

Abstract

Η διατριβή αυτή εστιάζει στην βελτιστοποίηση του υπολογιστικού πυρήνα Πολλαπλασιασμού Αραιού Πίνακα με Διάνυσμα (SpMV) στις σύγχρονες πολυπύρηνες αρχιτεκτονικές υπολογιστών. Πραγματοποιούμε μία εις βάθος ανάλυση του πυρήνα και αναδεικνύουμε τα κυριώτερα προβλήματα επίδοσης. Αυτό μας επιτρέπει να προτείνουμε ένα προχωρημένο σχήμα αποθήκευσης αραιών πινάκων, το σχήμα Compressed Sparse eXtended (CSX), το οποίο εστιάζει στοχευμένα στην ελαχιστοποίηση του μεγέθους αναπαράστασης του αραιού πίνακα. Το σχήμα αυτό μπορεί να παράσχει σημαντική βελτίωση της επίδοσης του SpMV σε μία πληθώρα διαφορετικών πινάκων και πολυπύρηνων αρχιτεκτονικών, διατηρώντας μία σημαντική σταθερότητα στην επίδοση. Τέλος, μελετάμε την επίδοση του SpMV υπό το πρίσμα της ενεργειακής του απόδοσης, με σκοπό την αναγνώριση των ρυθμίσεων εκτέλεσης που οδηγούν σε βέλτιστους συμβιβασμούς επίδοσης-κατανάλωσης ενέργειας.

This thesis focuses on the optimization of the Sparse Matrix-Vector Multiplication kernel (SpMV) for modern multicore architectures. We perform an in-depth performance analysis of the kernel and identified its major performance bottlenecks. This allows us to propose an advanced storage format for sparse matrices, the Compressed Sparse eXtended (CSX) format, which targets specifically the minimization of the memory footprint of the sparse matrix. This format provides significant improvements in the performance of the SpMV kernel in a variety of matrices and multicore architectures, maintaining considerable performance stability. Finally, we investigate the performance of the SpMV kernel from an energy-efficiency perspective, in order to identify the execution configurations that lead to optimal performance-energy tradeoffs.