Hórus: reduzindo o custo de aprendizado das estratégias de otimização offline para aplicações paralelas

• Ano de defesa: 2021
• Autor(a) principal: Berned, Gustavo Paim
• Orientador(a): Lorenzon, Arthur Francisco
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Pampa
• Programa de Pós-Graduação: Mestrado Profissional em Engenharia de Software
• Departamento: Campus Alegrete
• País: Brasil
• Palavras-chave em Português: Engenharia de software; Programação paralela (Computação); Software engineering; Parallel programming (Computer science)
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
• Link de acesso: https://repositorio.unipampa.edu.br/jspui/handle/riu/7312

Diversas estratégias de otimização online e offline têm sido empregadas para melhorar o desempenho e consumo de energia de aplicações paralelas. Enquanto o primeiro conjunto de estratégias podem obter valores de métricas que só podem ser conhecidas em tempo de execução, o segundo (Offline) não impõe nenhuma sobrecarga durante a execução e pode utilizar algoritmos mais eficientes. No entanto, os algoritmos de aprendizagem das estratégias offline podem levar várias horas para encontrar uma solução, impedindo seu uso ou a portabilidade entre diferentes sistemas. Neste cenário, esta dissertação propõe uma metodologia para diminuir o tempo de aprendizado de estratégias offline, inferindo o comportamento da execução de aplicações paralelas utilizando conjuntos de entrada menores do que os utilizados pelas aplicações alvo. Duas estratégias de otimização são implementadas: SEA, onde todas as regiões paralelas de uma aplicação são executadas com o mesmo número de threads; e SPRA, que busca encontrar um número ideal de threads para cada região paralela de uma determinada aplicação. Com um extenso conjunto de experimentos, mostramos que as estratégias SEA e SPRA convergem para resultados próximos de uma abordagem offline aplicada sobre a entrada regular, mas sendo 88% e 87% mais rápidas, em média, respectivamente. Também mostrou-se que SPRA é melhor que SEA para aplicações desbalanceadas. Palavras-chave: Computação Paralela. Otimização de Sistemas em Tempo de Execução. Paralelismo em Nível de Threads. Energy-delay Product.