Actas JP2011 - Universidad de La Laguna

Actas XXII Jornadas de Paralelismo (JP2011) , La Laguna, Tenerife, 7-9 septiembre 2011MétricaIPCTABLA II: Métricas seleccionadasLLC miss rateL2 miss rateExecution stallsRetirement stallsDescripciónNúumero de instrucciones retiradaspor cicloNúmero de fallos de cache de últimonivel (L3) por cada mil instruccionesretiradasNúmero de fallos de cache de L2por cada mil instrucciones retiradasNumero de ciclos por cada mil ciclosde procesador en los ningunainstrucción ha finalizado su fase deejecuciónNumero de ciclos por cada mil ciclosde procesador en los que no seretira ninguna instrucciónaditiva permiten establecer un ranking de las métricasexploradas en base a su relevancia. Esta informaciónfacilita la selección del subconjunto de métricasque contribuyen en mayor medida a la aproximacióndel SF, permitiendo una utilización efectiva de loscontadores hardware del procesador.El proceso completo para la generación del modelode estimación puede resumirse en los siguientespasos:1. Seleccionar un conjunto AP de aplicaciones secuencialesrepresentativas y un conjunto M demétricas de rendimiento.2. Ejecutar las aplicaciones de AP en ambos tiposde core para obtener su SF y monitorizar lasmétricas de rendimiento en M usando los contadoreshardware del procesador.3. Construir el modelo de estimación para aproximarel SF desde cada core de la siguiente forma:a) Aplicar regresión aditiva para aproximar el SFusando como training set los SFs obtenidospara las aplicaciones en AP junto con los valoresde las métricas en M.b) Obtener el subconjunto de métricas SM ⊆ Mcon mayores coeficientes de regresión obtenidosen el paso anterior, tal que los contadoreshardware necesarios para monitorizar esasmétricas no exceda el número de contadoreshardware en la plataforma.c) Aplicar regresión aditiva de nuevo para obtenerel modelo de estimación final usando únicamentelas métricas en SM.Como conjunto AP de aplicaciones representativaspara construir el modelo en nuestra plataformaseleccionamos los benchmarks de las suites SPECCPU2006 y CPU2000. La tabla II describe el conjuntoSM de métricas, usado para la construcción delos modelos finales en ambos cores. Las figuras 2ay 2b muestran la comparación entre el SF observadoy el estimado en cores rápidos y lentos, respectivamente.Los resultados revelan una mayor precisiónen los SFs predichos desde el core rápido que desdeel lento. No obstante, este no es un comportamientoinesperado, ya que, intuitivamente, resulta muchomás sencillo predecir qué aplicaciones sufrirían másal reducir ciertas capacidades microarquitectónicasestimated SFestimated SF2.221.81.61.41.2mgrid00 applu00wupwise00perlbmk00crafty00galgel00sixtrack0011 1.2 1.4 1.6 1.8 2 2.2observed SF2.221.81.61.41.2lbm06(a) Estimación en el core rápidogobmk06mgrid00tonto06wupwise00hmmer06calculix0611 1.2 1.4 1.6 1.8 2 2.2observed SF(b) Estimación en el core lentoFig. 2: SFs observados y predichos para losbenchmarks de las suites SPEC CPU2000 y SPECCPU2000. Se proporciona el nombre de aquellas aplicacionescon peores resultados de predicción.en un core (estimación de SF desde el core rápido),que identificar de manera precisa qué programas experimentaríanlos mayores beneficios al añadir hardwareadicional (estimación de SF desde el core lento).Durante el proceso de diseño de CAMP detectamosque las imprecisiones presentes en el modelo deestimación de SF pueden mitigarse utilizando intervalosde SFs, en lugar de emplear directamente elvalor numérico proporcionado por la estimación. Lasfronteras entre los intervalos de SF mencionados semuestran en las figuras 2a y 2b como líneas rojashorizontales.Finalmente, cabe destacar que para realizar unaevaluación más exhaustiva de la efectividad de nuestromodelo, hemos incluido experimentos con cargasde trabajo que incluyen aplicaciones que no han estadoinvolucradas en la generación de los modelos deestimación (sección V).V. ExperimentosPara el análisis del planificador CAMP hemos empleadoun prototipo de sistema asimétrico diseñadoJP2011-248