بهبود خطای پیش بینی کارآیی برنامه های کاربردی پردازنده گرافیکی

با گسترش کاربردهای پردازنده های گرافیکی در بسیاری از زمینه های محاسبات علمی و پردازش داده های بزرگ، لزوم بکارگیری سکوهای برنامه نویسی برروی این پردازنده ها بیش از پیش احساس شد. مدل های برنامه نویسی سطح پایین CUDA و OpenCL برای این منظور بوجود آمدند. پیاده سازی برنامه ها با استفاده از این سکوها نیازمند دانش و تلاش فوق العاده ای از سخت افزار و تکنیک های پردازش موازی است. بر روی این سکوها، مدل های محاسباتی بوجود آمدند که هدفشان پارامتریک کردن ویژگیهای سخت افزار و درک بهتر عملکرد آن بوده است. این مدل ها علاوه بر توصیف رفتار برنامه ها، در پیش بینی کارآیی نیز نقش مهمی ایفا می کنند. ازطرفی ویژگی های پیچیده و رو به رشد سخت افزار پردازنده های گرافیکی باعث می شود که پیش بینی کارآیی در این مدل ها به خوبی انجام نشود و خطای مدل ها زیاد باشد. یکی از دلایل اصلی این خطاها تکنیک های بکارگرفته شده در سطح سخت افزار و درایور است که جزئیات آن خیلی در دسترس نیست و در مدل های محاسباتی دیده نشده است. دراین پژوهش با هدف بهبود عملکرد پیش بینی کارآیی مدل، سعی می کنیم روش را براساس تکنیک ها ی یادگیری ماشین ارائه کنیم که با استفاده از آن خطای پیش بینی یک مدل محاسباتی موجود کاهش یابد. طرح پیشنهادی تخمینی از میزان تاثیرات سخت افزار و درایور بر زمان اجرای یک کرنل CUDA انجام داده و آن را به صورت یک پارامتر جدید به مدل اضافه می کند. این تخمین بصورت یک پارامتر به مدل اضافه شده است. نتایج آزمایشگاهی نشان داده اند که طرح پیشنهادی ۲۴% در کاهش خطای پیش بینی کارآیی مدل مورد بحث موثر است. ضمنا این طرح وابسته به یک مدل نبوده و به راحتی می تواند روی مدل های محاسباتی دیگر نیز اجرا شود.

کلیدواژه ها:

GPU ، پیش بینی کارآیی ، CUDA ، محک زنی ، Profiling