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。
機能的に多様なデバイス(GPP,GPU,FPGA,ASICおよびDSP)に基づく異種プロセッサは,異なるタイプの大規模データ処理に対する親和性を提供する可能性がある。本論文では,このような機能的に多様なデバイスベースの不均一系の親和性キャラクタリゼーションを開発した。しかし,そのような特性化を抽出することは,大量のノードに対して計算的に集中的で,むしろ遅い。最初に,2~15のスピードアップと30~35%のエネルギーの削減を示す一般的な親和性マッピングアプローチを開発した。著者らは,異種の不均一コンピューティングシステムからの訓練データを用いて予測性能を評価することによって,機械学習アプローチを評価して,親和性マッチングにおける改良を達成した。この機械学習アプローチを拡張して,機能的に多様化したプロセッサを用いて,いくつかのドメインを横切る大規模データアプリケーション間の包括的な親和性を開発することができる。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】