Actas JP2011 - Universidad de La Laguna

Actas XXII Jornadas de Paralelismo (JP2011) , La Laguna, Tenerife, 7-9 septiembre 2011TABLA I: Correspondencia entre valores del UF yclases de utilidad.ClaseHIGHMEDIUMLOWVERY LOWRango de UFUF ≥ upper thresholdmedium threshold ≤ UF < upper thresholdlower threshold ≤ UF < medium thresholdUF < lower thresholdra dar un mismo trato a aquellos hilos con UFs muysimilares.La asignación de hilos a las clases de utilidad serealiza en función de tres umbrales específicos de plataforma–lower, medium and upper–, que determinanlas fronteras entre las clases. La tabla I muestra lacorrespondencia entre el valor del factor de utilidaddel hilo de ejecución y su clase de utilidad. Las clasesse muestran en la tabla en orden descendente por suprioridad para ejecutarse en cores rápidos, siendo loshilos de la clase de utilidad HIGH los que gozan demayor prioridad. Los cores rápidos se asignan a losdistintos hilos de ejecución siguiendo este orden deprioridad. En el caso de que existan cores rápidos sinasignar a hilos de la clase HIGH, estos cores restantesse asignarán a hilos de clases de menor prioridad. Elresto de hilos se ejecutaran en cores lentos. Excepcionalmente,si el número de hilos HIGH supera alnúmero de cores rápidos, estos cores se repartirán demanera equitativa entre hilos HIGH, utilizando paraello un mecanismo round-robin basado en migracionesperiódicas de hilos propuesto en [10].CAMP reserva una clase de utilidad especial (SE-QUENTIAL BOOSTED) para los hilos de una aplicaciónparalela que ejecutan fases secuenciales de lamisma y exhiben un SF alto (clase HIGH). Estoshilos gozan temporalmente de mayor prioridad paraejecutarse en cores rápidos que el resto de hilos declase HIGH, pertenecientes a aplicaciones monohilo.Este mecanismo ofrece mayores oportunidades paramitigar los cuellos de botella secuenciales presentesen las aplicaciones paralelas [9].IV. Estimación de Factores de GananciaEn esta sección detallamos el proceso de generaciónde un modelo de rendimiento que permite estimarel SF en un prototipo de sistema asimétricodiseñado en Intel Labs [6]. La sección V proporcionamás detalles acerca de esta plataforma y analizalos resultados obtenidos por el planificador CAMPen dicho prototipo.Koufaty y otros detectaron que en este sistemaexisten dos factores que muestran una clara correlacióncon el factor de ganancia [6]. El primer factor esla intensidad en memoria que exhibe la aplicación,que puede aproximarse mediante su tasa de fallos decache de último nivel [9]. El segundo factor está relacionadocon las paradas producidas en el front-enddel pipeline del procesador 2 . La figura 1 muestra lacorrelación entre el SF y estos dos factores para losbenchmarks de la suite SPEC CPU2006. Los datos2 Este factor puede aproximarse monitorizando el número deciclos que la cola de instrucciones está vacía.LLC misses per 1K instructionsinternal stalls per 1K cycles454035302520151050300250200150100500LLC miss rateSpeedup Factormcfastarlbmmilcsoplexgobmkbzip2leslie3dGemsFDTDgcccactusADMlibquantumsjenggromacszeusmpxalancbmksphinx3perlbenchwrfpovraynamdbwavesdealIItontoh264refgamesscalculixhmmer(a) Tasa de fallos de último nivel de cache vs. SFinternal stallsSpeedup Factormcfastarlbmmilcsoplexgobmkbzip2leslie3dGemsFDTDgcccactusADMlibquantumsjenggromacszeusmpxalancbmksphinx3perlbenchwrfpovraynamdbwavesdealIItontoh264refgamesscalculixhmmer(b) Paradas en el front-end del pipeline vs. SFFig. 1: Correlación entre distintas métricas de rendimientoy el SF observado para los benchmarks de lasuite SPEC CPU2006 ejecutando en el prototipo desistema asimétrico.revelan que tanto las aplicaciones intensivas en memoria(alta tasa de fallos de cache) como aquellas confrecuentes paradas en el front-end del pipeline suelenexperimentar factores de ganancia bajos. A pesar dela relevancia de estos resultados, diseñar un modelobasado únicamente en esta tendencia daría lugara graves fallos de predicción –por ejemplo, para elbenchmark gromacs–.En la búsqueda de metodologías sistemáticas paradiseñar modelos de estimación en escenarios complejos,como el que se estudia en este trabajo, exploramosdistintas técnicas de minería de datos usando laherramienta WEKA [13]. WEKA proporciona numerososmétodos para inferir relaciones entre un conjuntode observaciones (o atributos de entrada) y unavariable objetivo. En el problema de estimación deSFs, las observaciones se corresponden con distintosparámetros de rendimiento y la variable objetivo esel SF. Entre los métodos explorados, detectamos quela regresión aditiva [14] permite derivar un modelode estimación preciso para esta plataforma. Además,los coeficientes obtenidos tras el análisis de regresión2.221.81.61.41.212.221.81.61.41.21Speedup FactorSpeedup FactorJP2011-247