NUMAおよびプリフェッチャ最適化のためのグラフニューラルネットワークを用いた中間表現の学習【JST・京大機械翻訳】

TehraniJamsaz Ali; Popov Mihail; Dutta Akash; Saillard Emmanuelle; Jannesari Ali

プレプリント

J-GLOBAL ID：202202207179244509 整理番号：22P0297261

NUMAおよびプリフェッチャ最適化のためのグラフニューラルネットワークを用いた中間表現の学習【JST・京大機械翻訳】

Learning Intermediate Representations using Graph Neural Networks for NUMA and Prefetchers Optimization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月01日プレプリントサーバーでの情報更新日： 2022年03月01日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

アプリケーションの性能に大きく影響するNUMAとハードウェアプリフェッチ構成の大きな空間がある。以前の研究は,モデルが,高速化を達成するために,コードの動的特性に基づく構成を自動的に選択できることを証明した。本論文では,符号の静的中間表現(IR)が,性能プロファイリングの禁止コストなしにNUMA/プリフェッチ最適化をいかに誘導できるかを示した。著者らは,最適構成とともに多様な中間表現を含む包括的データセットを作成する方法を提案した。次に,このデータセットを検証するためにグラフニューラルネットワークモデルを適用した。静的中間表現ベースのモデルは,高価な動的性能プロファイリングに基づく戦略によって提供される性能利得の80%を達成することを示した。さらに,静的および動的情報の両方を用いるハイブリッドモデルを開発した。このハイブリッドモデルは,動的モデルと同じ利得を達成したが,プログラムの30%をプロファイリングするだけで,コストを低減した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , 【Automatic Indexing@JST】

制御方式 , 計算機システム開発

, , , ,

前のページに戻る