Ανάλυση και Μοντελοποίηση Ετερογενών Επεξεργαστών ARM

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.