抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
非一様メモリアクセス(NUMA(不均一メモリアクセス)アーキテクチャをスケールメモリ帯域幅に主流マルチソケット計算機システムに広く用いられている。NUMAを意識した設計なしに,プログラム間ソケット帯域幅競合のおかげで生じた大きな性能劣化の問題がある。しかし,帯域幅競合を同定することは挑戦的である。既存の方法は,帯域幅消費を測定した。しかし,消費のみでは帯域幅競合を定量化には不十分である。,既存手法では全体プログラム実行のための帯域幅を診断が,帯域幅性能をソースコードとデータ構造にする能力を欠いている。これらの課題を解決するために,ここでは,NUMAアーキテクチャにおける帯域幅競合を同定し,最適化指針を提供するDR BW,機械学習に基づく新しいツールを提案した。DR BWは最初のマイクロベンチマークのセットを訓練と教師つき機械学習モデルによる帯域幅競合を同定するための有用な特徴を抽出する。著者らの実験は,DR BWは96%以上の精度を達成することを示した。第二に,DR BWはメモリは,データオブジェクト,最適化のための直感的指導を提供する帯域幅競合を招くことをアクセスする。第三に,多くの実際のベンチマークにDR BWを適用した。DR BWから得られた洞察に基づく最適化は,現代のNUMAアーキテクチャにおける6.5倍のスピードアップをもたらす。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】